GraphCast es el modelo de IA presentado por Google para una predicción meteorológica global más rápida y precisa; “sin precedentes”. Las alertas del clima con días de antelación serán más eficientes que el actual sistema de simulación meteorológica de referencia en la industria.
GraphCast es un modelo de IA de última generación es capaz de realizar pronósticos meteorológicos a medio plazo de alta precisión, con hasta 10 días de antelación; mucho más rápido que el sistema de simulación meteorológica de referencia de la industria: el Pronóstico de Alta Resolución (HRES), producido por el Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF).
La herramienta fue dada a conocer por medio de una publicación en Science. GraphCast también puede ofrecer advertencias tempranas de eventos climáticos extremos, predecir las trayectorias de los ciclones con gran precisión en el futuro, identificar los ríos atmosféricos asociados con el riesgo de inundación y predecir el inicio de temperaturas extremas. Esta capacidad tiene el potencial de salvar vidas a través de una mayor preparación.
Te puede interesar: Price It: la plataforma que investiga y te dice dónde comprar barato alimentos y hasta tiquetes
La IA mejoraría la toma de decisiones en situaciones críticas para comunidades en riesgo de desastres, condiciones de vuelo (tormentas), energías renovables y la logística de eventos, entre muchas otras.
“Al abrir el código del modelo para GraphCast, estamos permitiendo que los científicos y pronosticadores de todo el mundo beneficien a miles de millones de personas en su vida cotidiana. GraphCast ya está siendo utilizado por agencias meteorológicas, incluido ECMWF, que está realizando un experimento en vivo de los pronósticos de nuestro modelo en su sitio web.”, explica un comunicado de Google.
Predicciones de GraphCast a lo largo de 10 días muestra la humedad específica a 700 hectopascales (unos 3 km sobre la superficie), la temperatura de la superficie y la velocidad del viento en la superficie.
Los pronósticos generalmente se basan en la predicción numérica del tiempo (NWP), que comienza con ecuaciones físicas cuidadosamente definidas, que luego se traducen en algoritmos informáticos ejecutados en supercomputadoras.
Este enfoque tradicional ha sido un triunfo de la ciencia y la ingeniería, el diseño de las ecuaciones y los algoritmos, pero mucho tiempo, experiencia y costosos recursos informáticos.
GraphCast utiliza datos en lugar de ecuaciones físicas para crear un sistema de predicción meteorológicas. Entrena con cuatro décadas de datos meteorológicos históricos para aprender un modelo de las relaciones de causa y efecto sobre cómo evoluciona el clima de la Tierra, desde el presente hasta el futuro.
Te puede interesar: Dispositivo alimentado por energía solar convierte agua de mar en hidrógeno limpio
Este se basa en observaciones meteorológicas históricas, como imágenes satelitales, radares y estaciones meteorológicas que utilizan un PNT tradicional para “llenar los espacios en blanco” donde las observaciones están incompletas, para reconstruir un rico registro del clima histórico global.
Este será un sistema de predicción meteorológica basado en el aprendizaje automático y las redes neuronales de grafos (GNN), que son una arquitectura especialmente útil para procesar datos estructurados espacialmente.
“GraphCast hace pronósticos con una alta resolución de 0,25 grados de longitud/latitud (28 km x 28 km en el ecuador). Eso es más de un millón de puntos de cuadrícula que cubren toda la superficie de la Tierra. En cada punto de la cuadrícula, el modelo predice cinco variables de la superficie de la Tierra, incluida la temperatura, la velocidad y dirección del viento y la presión media del nivel del mar, y seis variables atmosféricas en cada uno de los 37 niveles de altitud, incluida la humedad específica, la velocidad y dirección del viento y la temperatura.”, argumenta el comunicado.
Te puede interesar: Bill Gates predice que IA reemplazará a humanos en la industria, pero democratizando servicios ¿Qué significa?
El entrenamiento de GraphCast fue computacionalmente intensivo y el modelo de pronóstico resultante es altamente eficiente; sobre más del 90% de las 1380 variables de prueba y los plazos de entrega de pronóstico (consulte nuestro artículo de Science para obtener más detalles).
Imagen:MicrovOne
