El objetivo es reducir la incertidumbre en torno a las previsiones a largo plazo y anticipar los fenómenos meteorológicos extremos
Google Research presenta un nuevo modelo de libre acceso que combina física y aprendizaje automático capaz de realizar previsiones meteorológicas a corto y medio plazo, así como de simular el clima a lo largo de varias décadas, informó la agencia EFE.
Denominado NeuralGCM, supera a algunos modelos existentes de predicción meteorológica y climática y tiene el potencial de suponer un gran ahorro de potencia computacional respecto a los simuladores convencionales. Su descripción se publica en la revista Nature.
Reducir la incertidumbre en torno a las previsiones a largo plazo y estimar los fenómenos meteorológicos extremos es clave para ayudar a comprender la mitigación del cambio climático y la adaptación al mismo, resume la revista.
Los modelos de circulación general, que representan los procesos físicos de la atmósfera, el océano y la tierra, son la base actual de las predicciones meteorológicas y climáticas.
Estos son simuladores basados en la física que combinan un solucionador numérico para dinámicas a gran escala con representaciones ajustadas para procesos a pequeña escala, como la formación de nubes.
Se han propuesto modelos de aprendizaje automático como método alternativo de predicción meteorológica, con la ventaja de reducir los costes computacionales, pero a menudo no funcionan tan bien como los de circulación general cuando se trata de previsiones a largo plazo.
En este estudio, el equipo de Google Research de Stephan Hoyer presenta NeuralGCM, un modelo atmosférico que combina el aprendizaje automático y métodos basados en la física.
El nuevo modelo atmosférico puede ‘competir’ con la precisión de las predicciones del Centro Europeo de Predicción Meteorológica a Medio Plazo para previsiones de 1 a 15 días, según los autores, que, entre otros, compararon su diseño con el modelo X-SHiELD -basado en la física.
Para pronósticos con hasta 10 días de anticipación, NeuralGCM compite y en ocasiones supera la precisión de los enfoques de aprendizaje automático existentes.
Al predecir las temperaturas y la humedad globales para el año 2020, NeuralGCM obtuvo entre un 15% y un 50% menos de error que X-SHiELD, y generó esas predicciones en 8 minutos frente a los 20 días del otro modelo solo basado en la física.
Cuando los autores incluyeron las temperaturas de la superficie del mar en las predicciones climáticas a 40 años utilizando NeuralGCM, comprobaron que los resultados que producía el modelo coincidían con las tendencias de calentamiento global observadas en los datos del Centro Europeo de Predicción Meteorológica a Medio Plazo.
También superó los modelos climáticos preexistentes en la predicción de ciclones y sus trayectorias.