Descubre cómo la predicción climática IA de Google revoluciona los pronósticos meteorológicos.
Mediante la integración de tecnología de aprendizaje automático con sistemas convencionales de predicción climática, se ha desarrollado un modelo computacional que mejora las predicciones de tendencias y escenarios meteorológicos a largo plazo, este modelo de IA de Google supera a las herramientas tradicionales y facilita la preparación ante condiciones climáticas extremas.
Este innovador modelo es el primero en su tipo que utiliza aprendizaje automático para ofrecer pronósticos meteorológicos detallados en diversos escenarios, optimizando los recursos y reduciendo el consumo de energía en comparación con las herramientas actuales.
Tradicionalmente, los sistemas de predicción se basan en modelos de circulación general (GCM), que simulan los procesos de los océanos y la atmósfera mediante leyes físicas, pero consumen grandes cantidades de recursos computacionales.
La Predicción Climática con IA
Stephan Hoyer, especialista en aprendizaje profundo de Google Research en Mountain View, y su equipo crearon ‘NeuralGCM’, un modelo que, según Hoyer, combina ‘aspectos de un solucionador atmosférico basado en la física tradicional con algunos componentes de IA’.
‘NeuralGCM’ ha mostrado ser capaz de generar pronósticos meteorológicos deterministas y precisos a corto plazo, de uno a tres días, usando solo una fracción de la energía que requieren los GCM convencionales.
Además, este modelo es efectivo en la generación de pronósticos a largo plazo, superando a otros modelos de aprendizaje automático en términos de precisión más allá de los siete días, y mostrando resultados comparables con el modelo de conjunto del Centro Europeo de Predicciones Meteorológicas a Plazo Medio (ECMWF-ENS).
El modelo también ha sido probado en la predicción de ciclones tropicales, donde ha logrado simular con mayor exactitud los recuentos y trayectorias de estos fenómenos en tiempos reducidos.
Scott Hosking, investigador de IA y datos ambientales en el Instituto Alan Turing de Londres, destacó la importancia de esta capacidad para ‘mejorar la toma de decisiones y las estrategias de preparación’.
Hoyer y su equipo continúan trabajando en la mejora y adaptación de ‘NeuralGCM’, enfocándose en el componente atmosférico del modelado del sistema terrestre para integrar más aspectos que impacten directamente en el clima diario, buscando elevar aún más la precisión del modelo.