GenCast: Revolucionando la predicción del clima con modelos probabilísticos de aprendizaje automático

La predicción del clima es crucial para la toma de decisiones en diversos ámbitos, desde la seguridad pública hasta la gestión de energías renovables. Los métodos tradicionales se basan en la predicción numérica del tiempo (NWP), que utiliza simulaciones basadas en física. Los avances recientes en el aprendizaje automático (ML) han mostrado potencial para mejorar los pronósticos del clima, pero estos modelos a menudo carecen de la capacidad de representar la incertidumbre y estimar el riesgo. Este artículo presenta GenCast, un modelo meteorológico probabilístico que supera a los pronósticos tradicionales de conjuntos tanto en habilidad como en velocidad.

Predicción probabilística

GenCast genera un conjunto de pronósticos globales estocásticos de 15 días, proporcionando una visión más completa de los posibles escenarios climáticos en comparación con los modelos deterministas.

Rendimiento superior

El modelo demuestra una mayor habilidad que el pronóstico de conjunto del Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF, por sus siglas en inglés) en el 97.2% de los objetivos evaluados, incluyendo mejores predicciones para eventos climáticos extremos y trayectorias de ciclones tropicales.

Eficiencia

GenCast produce un único pronóstico de 15 días en solo 8 minutos utilizando dispositivos cloud TPUv5, destacando su eficiencia computacional.

Amplia aplicación

El modelo genera pronósticos para más de 80 variables atmosféricas y de superficie, lo que lo hace versátil para diversas decisiones dependientes del clima.

Conclusión

GenCast representa un avance significativo en la predicción operativa del clima, ofreciendo predicciones probabilísticas más precisas y eficientes. Al generar conjuntos de trayectorias climáticas realistas, proporciona una base más confiable para decisiones cruciales en áreas como la seguridad pública, las energías renovables y la preparación para desastres. El rendimiento superior y la eficiencia del modelo abren nuevas posibilidades para integrar técnicas avanzadas de ML en los sistemas operativos de predicción del clima.

Fuente(s):

• Probabilistic weather forecasting with machine learning | Nature