Actualización del sistema de predicción del Centro Europeo, ECMWF, y avances en el aprendizaje automático

En una entrevista a la directora general del ECMWF, Florence Rabier, anticipa las actividades del Centro este año, también destaca otros avances en previsión, investigación y tecnología, y expone planes para los dos servicios Copernicus de la UE gestionados por el ECMWF y la iniciativa Destino Tierra (DestinE) de la UE , en la que el ECMWF es uno de los socios que lo implementan.

Es un año emocionante porque desarrollaremos una nueva Estrategia con nuestros Estados miembros, que será para 2025-2034. La Estrategia incluirá una visión mucho más abierta de lo que vamos a lograr. Esto incluirá, en particular, el desarrollo de una forma óptima de combinar nuestro enfoque físico tradicional de la predicción meteorológica con el aprendizaje automático. Paralelamente, este año vamos a defender la instalación de la próxima instalación informática de alto rendimiento (HPCF) más allá de 2027. También hay tres proyectos de colaboración con los Estados miembros: dos ya han comenzado, en el Internet de las cosas (IoT) y adaptación de código, y este año se iniciará un proyecto de aprendizaje automático. Este último proyecto es realmente importante ya que todos enfrentamos los mismos desafíos y oportunidades.

Se mejorará el rendimiento de los parámetros meteorológicos, en particular la temperatura de 2 metros. Paralelamente se producirán muchos cambios: modificación de los mapas que caracterizan el territorio, desarrollo de la asimilación de los datos terrestres y asimilación de las observaciones de la estación meteorológica SYNOP de temperatura a 2 metros. Otro gran avance es un nuevo esquema de física estocástica para nuestros pronósticos por conjuntos . Este esquema, llamado Parametrizaciones Estocásticamente Perturbadas (SPP), ayuda a crear pronósticos ligeramente diferentes para reflejar su incertidumbre. Se ha desarrollado durante muchos años y entrará en funcionamiento en el ciclo 49r1. Entre muchos otros cambios, también tenemos una mayor resolución en el conjunto de asimilaciones de datos y un mejor uso de las observaciones.

Este año es bastante especial porque están convergiendo muchos desarrollos para nuevos productos de reanálisis. Los reanálisis representan datos pasados del océano, la composición atmosférica y el clima. Este año, por ejemplo, implementaremos un nuevo reanálisis de los océanos, ORAS6. También están en marcha los preparativos para un nuevo reanálisis del clima atmosférico, ERA6, así como un nuevo reanálisis de la composición atmosférica, EAC5. Además, nos estamos preparando para nuevos modelos oceánicos y de hielo marino, y para un nuevo sistema de predicción estacional, SEAS6. Estas actualizaciones sólo ocurren cada pocos años, por lo que son muy importantes. También seguimos optimizando el uso de las observaciones. En particular, hay datos satelitales nuevos y interesantes, por ejemplo del primer satélite MTG de EUMETSAT. En cuanto al desarrollo del modelo, nos centraremos en la escala kilométrica, y se optimizará la resolución y la ventana utilizada en la asimilación de datos. Finalmente, probaremos la inclusión de aerosoles y sustancias químicas atmosféricas en la predicción numérica del tiempo.

Hemos creado una versión alfa de AIFS y hemos lanzado una nueva versión con mayor resolución, que está superando a los sistemas lanzados por otros en términos de puntuaciones de pronóstico. Continuaremos trabajando para aumentar la resolución y mejorar el método. Muy importante, estamos trabajando en cómo implementar un pronóstico conjunto AIFS: daremos grandes pasos este año aunque la implementación tenga que esperar hasta el próximo año. Continuaremos trabajando en el uso del método AIFS también en el rango ampliado: nuestros Estados miembros están muy interesados en que proporcionemos el mejor pronóstico posible para la tercera semana y más allá. También vamos a avanzar en el reto científico de producir predicciones basadas directamente en observaciones, utilizando machine learning.

Progresaremos en sistemas híbridos de aprendizaje automático, donde el aprendizaje automático se combina con pronósticos basados en la física y asimilación de datos para producir resultados optimizados. Ya hemos implementado un sistema de monitoreo de observación basado en aprendizaje automático , y hay un buen avance en la combinación del aprendizaje automático y la asimilación de datos para estimar la concentración de hielo marino . Uno de los grandes ángulos es también cómo parametrizar el error del modelo mediante el aprendizaje automático.

Continuaremos desarrollando un núcleo dinámico no hidrostático alternativo, llamado FVM. Esto es para proporcionar flexibilidad adicional en resoluciones horizontales más altas. Estamos trabajando en esto con nuestros socios en Suiza. En particular, probaremos el FVM ejecutándose en varias GPU múltiples con el lenguaje específico del dominio GT4Py. En cuanto a los datos abiertos, vamos a publicar una gran cantidad de conjuntos de datos interesantes con una resolución de 0,25°, que es lo que utilizamos en el reanálisis de ERA5. En particular, esto será muy útil para el aprendizaje automático. Además, vamos a facilitar más datos de forma abierta para previsiones de largo alcance, en respuesta a las peticiones de los usuarios. Para estos pronósticos, que ahora se ejecutan todos los días, también implementaremos una nueva configuración de re-pronóstico, que es un componente esencial para producir pronósticos de anomalías.

DestinE, que se propone crear un gemelo digital de nuestro planeta, verá el lanzamiento de la fase dos en junio. Ya hemos desarrollado dos gemelos globales de la Tierra, sobre adaptación al cambio climático y extremos inducidos por el clima, y estamos avanzando en el gemelo digital bajo demanda de extremos inducidos por el tiempo con nuestros socios. El Servicio de Vigilancia de la Atmósfera de Copernicus (CAMS) está trabajando en EAC5 y el Servicio de Cambio Climático de Copernicus (C3S) está ultimando ERA6. Se está construyendo una Capacidad de Apoyo a la Verificación y Monitoreo de las Emisiones Antropógenas de Gases de Efecto Invernadero (CO2MVS), que será administrada por el CAMS, y antes habrá un informe climático conjunto de la Organización Meteorológica Mundial (OMM) y el C3S para 2023. También estaremos Trabajar más estrechamente con los estados miembros de la UE ampliando el programa de colaboración nacional para CAMS e implementándolo para C3S.

En informática, seguiremos aprovechando al máximo el HPCF actual, y el proyecto Hybrid2024 debería ofrecer un punto de referencia este año para el próximo HPCF. Alrededor del 70% al 80% del modelo estará listo este año para preparar futuras configuraciones que se ejecutarán en GPU en el próximo HPCF. Continuaremos desarrollando nuestra infraestructura común en la nube, migrando a ella los almacenes de datos climáticos y atmosféricos de Copernicus. También se revisará la configuración de nuestro nuevo centro de datos en Bolonia después de más de un año en funcionamiento, optimizando la resiliencia y la recuperación, y agregaremos algunas GPU a la configuración actual, para adaptar el código y para la máquina. aprendiendo. Continuaremos optimizando el intercambio de datos, por ejemplo utilizando una nueva herramienta llamada Polytope, que permite a los usuarios extraer funciones más rápidamente. Y finalmente, trabajaremos mucho en la migración al formato de archivo GRIB2 .

En 2024 se unirán muchos desarrollos que se han estado preparando durante varios años: una nueva generación de reanálisis y pronósticos estacionales, alcanzar niveles preoperativos para los gemelos digitales de DestinE y poder ejecutar una gran mayoría de componentes del modelo IFS en arquitecturas GPU. También echaremos una mirada más profunda al futuro, que está muy abierto en este momento: trabajaremos en nuestra próxima estrategia con nuestros Estados miembros y, en particular, en el papel futuro del aprendizaje automático en la previsión meteorológica.

ECMWF