Los científicos crean un modelo de IA que rivaliza con los mejores métodos de pronóstico del tiempo y del clima

Un grupo de investigadores han desarrollado un nuevo modelo de aprendizaje automático capaz de realizar predicciones meteorológicas y simulaciones climáticas precisas con reducción de costes computacionales.

Estructura del modelo NeuralGCM: a, Estructura general del modelo, que muestra cómo las fuerzas F t , el ruido z t (para modelos estocásticos) y las entradas y t se codifican en el estado del modelo x t . b, El módulo de física aprendida, que alimenta datos de columnas individuales de la atmósfera a una red neuronal utilizada para producir tendencias físicas en esa columna vertical. Crédito: Nature (2024). DOI: 10.1038/s41586-024-07744-y



La revista Nature publicó un artículo sobre un modelo de aprendizaje automático capaz de realizar predicciones meteorológicas y simulaciones climáticas precisas. El modelo, llamado NeuralGCM, supera a algunos modelos de predicción meteorológica y climática existentes y tiene el potencial de generar grandes ahorros en potencia computacional en comparación con los modelos convencionales.

Modelos convencionales vs. modelos de aprendizaje automático: el modelo NeuralGCM

Los modelos de circulación general (General Circulation Models ,GCMs), que representan los procesos físicos de la atmósfera, el océano y la tierra, son la base de las predicciones meteorológicas y climáticas. Reducir la incertidumbre en torno a las previsiones a largo plazo y estimar los fenómenos meteorológicos extremos es fundamental para comprender la mitigación y adaptación al cambio climático.

Se han sugerido modelos de aprendizaje automático como un enfoque alternativo para la predicción del tiempo con el beneficio de costos computacionales reducidos, pero a menudo no funcionan tan bien como los GCM cuando se trata de pronósticos a largo plazo.

Stephan Hoyer y sus colegas diseñaron NeuralGCM, un modelo que combina el aprendizaje automático y métodos basados en la física, que puede realizar pronósticos meteorológicos a corto y mediano plazo, así como simular el clima durante varias décadas.

El modelo puede competir con la precisión de las predicciones del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF, uno de los mejores modelos meteorológicos convencionales basados en la física) para pronósticos de entre 1 y 15 días. Para pronósticos con hasta 10 días de anticipación, NeuralGCM compite con los enfoques de aprendizaje automático existentes y, a veces, los supera.

NeuralGCM supone un gran avance en el modelado climático. Combina modelos basados en la física con inteligencia artificial y es hasta 100.000 veces más eficiente que otros modelos para simular la atmósfera, lo que proporciona a los científicos nuevas herramientas para predecir el tiempo y el cambio climático.

NeuralGCM produce simulaciones climáticas con el mismo nivel de precisión que los mejores métodos basados en física y aprendizaje automático. Cuando los autores incluyeron las temperaturas de la superficie del mar en las predicciones climáticas de 40 años utilizando NeuralGCM, descubrieron que los resultados que produjo el modelo coincidían con las tendencias de calentamiento global observadas en los datos del ECMWF.

El NeuralGCM también superó a los modelos climáticos preexistentes en la predicción de ciclones y sus trayectorias. En conjunto, estos hallazgos sugieren que el aprendizaje automático es un enfoque viable para mejorar los GCM, concluyen los autores.

Referencia

Dmitrii Kochkov et al, Neural general circulation models for weather and climate, Nature (2024). DOI: 10.1038/s41586-024-07744-y

Esta entrada se publicó en Actualidad en 24 Jul 2024 por Francisco Martín León