Presentación: Predicción meteorológica de medio alcance basada en IA de Google DeepMind

Según un nuevo estudio, un modelo de predicción meteorológica basado en aprendizaje automático de Google DeepMind conduce a predicciones meteorológicas a 10 días que son mejores, más rápidas y más accesibles que los enfoques existentes. El modelo, bautizado como "GraphCast", superó a los sistemas tradicionales en el 90 % de los casos probados. También obtuvo buenos resultados en predicciones relacionadas con sucesos extremos, para los que no estaba directamente entrenado. "Creemos que esto marca un punto de inflexión en la previsión meteorológica", escriben los autores. En la actualidad, el método de referencia para la predicción meteorológica es la "predicción numérica del tiempo" (PNT). Si bien la precisión de los modelos PNT ha mejorado drásticamente a lo largo de varios decenios, resultan costosos, complejos y exigentes desde el punto de vista computacional, por lo que requieren mayores recursos informáticos para mejorar la precisión de las previsiones. La predicción meteorológica basada en el aprendizaje automático (machine learning-based weather prediction, MLWP), que puede entrenarse a partir de datos históricos, ofrece una alternativa. Además, MLWP puede aprovechar el hardware moderno de aprendizaje profundo para aumentar la eficiencia.

En esta ocasión, los investigadores de DeepMind dirigidos por Remi Lam presentan GraphCast, un método basado en el aprendizaje automático para la predicción meteorológica a medio plazo entrenado directamente a partir de datos de reanálisis de condiciones atmosféricas pasadas. Implementado como una red neuronal, puede generar una previsión precisa a 10 días en menos de un minuto en un solo chip TPU. Como entrada, GraphCast toma los dos estados más recientes del tiempo en la Tierra -el actual y el de 6 horas antes- y predice el próximo estado del tiempo con 6 horas de antelación, proporcionando una cobertura de predicción meteorológica global con una resolución aproximada de 0,25° latitud/longitud. Estas predicciones pueden volver a introducirse en el modelo como entradas para generar una trayectoria más larga de estados meteorológicos. A fin de evaluar la capacidad de previsión de GraphCast, Lam et al. compararon la precisión de GraphCast con la de HRES –el modelo determinista de previsión meteorológica a medio plazo más preciso utilizado en la actualidad– en un gran número de variables meteorológicas y plazos de entrega. Los investigadores descubrieron que GraphCast era capaz de superar significativamente a HRES en el 90 % de 1 380 objetivos de verificación. Además, la plataforma tuvo un mejor rendimiento en la predicción de eventos de gravedad, incluidos ciclones tropicales, ríos atmosféricos (estrechas regiones de la atmósfera responsables del transporte de vapor de agua hacia los polos) y anomalías de temperatura extremas, pese a no haber sido específicamente entrenada para ello. "Nuestro planteamiento no debe considerarse un sustituto de los métodos tradicionales de previsión meteorológica", afirman los autores. "Más bien, nuestro trabajo debe interpretarse como una prueba de que MLWP es capaz de afrontar los retos de los problemas de previsión del mundo real y tiene potencial para complementar y mejorar los mejores métodos actuales".