AI supera los modelos tradicionales: predicción rápida y precisa del tiempo y el cambio climático

Los datos de la Organización Meteorológica Mundial (OMM) muestran que en los últimos 50 años, en promedio, ha ocurrido un desastre relacionado con el clima, el tiempo o el agua cada día, causando aproximadamente 115 muertes y $202 millones en pérdidas económicas por evento.

Más alarmante aún, en los últimos años, el cambio climático acelerado por las actividades humanas ha llevado a un aumento anormal de desastres climáticos y meteorológicos extremos como olas de calor, olas de frío, precipitaciones intensas y sequías.

Por lo tanto, la predicción meteorológica y la simulación climática oportunas y precisas no solo pueden ayudar a salvar decenas de miles de vidas cada año, sino también reducir el impacto catastrófico de los eventos climáticos y meteorológicos extremos en la sociedad humana y los ecosistemas.

Ahora, un modelo de inteligencia artificial (IA) llamado NeuralGCM, desarrollado por el equipo de investigación de Google y sus colaboradores, ha llevado la predicción meteorológica y la simulación climática a un nuevo nivel:

• La precisión de NeuralGCM para pronósticos de 1-15 días es comparable a la del Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF), que tiene el modelo físico tradicional de predicción meteorológica más avanzado del mundo.
• Para pronósticos con 10 días de anticipación, NeuralGCM funciona igual o mejor que los modelos de IA existentes.
• Con la inclusión de la temperatura de la superficie del mar, los resultados de predicción climática de 40 años de NeuralGCM son consistentes con las tendencias de calentamiento global encontradas en los datos del ECMWF.
• NeuralGCM también supera a los modelos climáticos existentes en la predicción de ciclones y sus trayectorias.

Notablemente, NeuralGCM no solo iguala o supera la precisión de los modelos numéricos tradicionales de predicción meteorológica existentes y otros modelos de aprendizaje automático (ML), sino que también es significativamente más rápido, capaz de generar 22.8 días de simulación atmosférica en 30 segundos de tiempo de cómputo. También puede ahorrar órdenes de magnitud en recursos computacionales en comparación con los modelos tradicionales.

El artículo de investigación relacionado, titulado "Neural general circulation models for weather and climate", ha sido publicado en la revista científica autorizada Nature.

Estos resultados demuestran colectivamente que NeuralGCM puede generar pronósticos deterministas del tiempo, conjuntos de pronósticos meteorológicos y climáticos, mostrando suficiente estabilidad para simulaciones climáticas y meteorológicas a largo plazo.

El equipo de investigación cree que este enfoque de aprendizaje profundo de extremo a extremo es compatible con las tareas realizadas por los modelos tradicionales de circulación general (GCM, que representan procesos físicos en la atmósfera, los océanos y la tierra, y son la base para la predicción meteorológica y climática), y puede mejorar las simulaciones físicas a gran escala que son cruciales para entender y predecir el sistema terrestre.

Además, el enfoque de modelado híbrido de NeuralGCM puede aplicarse a otros campos científicos, como el descubrimiento de materiales, el plegamiento de proteínas y el diseño de ingeniería multifísica.

Reducir la incertidumbre en los pronósticos a largo plazo y estimar los eventos climáticos extremos son clave para comprender la mitigación y adaptación al clima.

Los modelos de ML han sido considerados durante mucho tiempo como un medio alternativo de predicción meteorológica, con la ventaja de ahorrar costos computacionales. Incluso han alcanzado o superado el nivel de los modelos de circulación atmosférica en la predicción meteorológica determinista. Sin embargo, a menudo tienen un rendimiento inferior a los modelos de circulación atmosférica en la predicción a largo plazo.

En este trabajo, el equipo de investigación diseñó NeuralGCM combinando métodos de aprendizaje automático y físicos, utilizando componentes de ML para reemplazar o corregir los esquemas tradicionales de parametrización física en los GCM. Consta de las siguientes partes clave:

1. Núcleo dinámico diferenciable: Este núcleo es responsable de resolver ecuaciones dinámicas discretizadas, simulando el movimiento de fluidos a gran escala y los procesos termodinámicos influenciados por la gravedad, la fuerza de Coriolis y otros factores. El núcleo dinámico utiliza discretización pseudo-espectral horizontal y coordenadas sigma verticales, y está implementado utilizando la biblioteca JAX, que admite diferenciación automática. Simula siete variables de pronóstico: vorticidad del viento horizontal, divergencia del viento horizontal, temperatura, presión superficial y tres sustancias de agua (humedad específica, contenido de agua de nubes de hielo y contenido de agua de nubes líquidas).

2. Módulo de física de aprendizaje: Este módulo utiliza el método de columna única en GCM, utilizando solo información de una sola columna atmosférica para predecir la influencia de procesos no resueltos dentro de esa columna. Utiliza una red neuronal totalmente conectada con conexiones residuales, compartiendo pesos en todas las columnas atmosféricas. Las entradas de la red neuronal incluyen variables de pronóstico en la columna atmosférica, radiación solar incidente total, concentración de hielo marino y temperatura de la superficie del mar, así como gradientes horizontales de variables de pronóstico. La salida de la red neuronal es la tendencia de la variable de pronóstico, escalada por la desviación estándar incondicional del campo objetivo.

3. Codificador y decodificador: Dado que los datos ERA5 se almacenan en coordenadas de presión mientras que el núcleo dinámico utiliza un sistema de coordenadas sigma, se necesitan codificadores y decodificadores para la conversión. Estos componentes realizan interpolación lineal entre niveles de presión y niveles de coordenadas sigma, y utilizan la misma arquitectura de red neuronal que el módulo de física aprendida para la corrección. El codificador puede eliminar las ondas de gravedad causadas por el choque de inicialización, evitando así la contaminación de los resultados de predicción.

Los resultados muestran que NeuralGCM demuestra capacidades poderosas en la predicción meteorológica, comparables a los modelos de última generación en escalas de tiempo ultra corto, corto y medio plazo. Por ejemplo:

Predicción a ultra corto plazo (0-1 día):

• Capacidad de generalización: En comparación con GraphCast, NeuralGCM funciona mejor en condiciones meteorológicas no entrenadas porque utiliza redes neuronales locales para predecir procesos físicos en columnas verticales atmosféricas.

Predicción a corto plazo (1-10 días):

• Precisión: En predicciones a corto plazo de 1-3 días, NeuralGCM-0.7° y GraphCast tienen el mejor rendimiento, rastreando con precisión los cambios en los patrones climáticos.
• Consistencia física: En comparación con otros modelos de aprendizaje automático, las predicciones de NeuralGCM son más claras, evitando predicciones borrosas físicamente inconsistentes.
• Interpretabilidad: Al diagnosticar la precipitación menos la evaporación, los resultados de NeuralGCM son más interpretables, facilitando el análisis de recursos hídricos.
• Equilibrio del viento geostrófico: En comparación con GraphCast, NeuralGCM simula con mayor precisión los vientos geostróficos y su estructura vertical y proporciones.

Predicción a medio plazo (7-15 días):

• Pronóstico por conjuntos: NeuralGCM-ENS a una resolución de 1.4° tiene errores RMSE, RMSB y CRPS promedio de conjunto más bajos que ECMWF-ENS, lo que indica su capacidad para capturar mejor los posibles estados climáticos promedio.
• Calibrabilidad: Los pronósticos por conjuntos de NeuralGCM-ENS, al igual que ECMWF-ENS, tienen una relación dispersión-habilidad de aproximadamente 1, que es una condición necesaria para pronósticos calibrados.

Además de un excelente rendimiento en la predicción meteorológica, NeuralGCM también demuestra fuertes capacidades en la simulación climática, incluyendo la simulación del ciclo estacional, la simulación de ciclones tropicales y la simulación de tendencias de temperatura históricas. Por ejemplo:

Simulación del ciclo estacional:

• Precisión: NeuralGCM puede simular con precisión los ciclos estacionales, incluyendo los ciclos anuales de agua precipitable global y energía cinética total global, así como dinámicas atmosféricas clave como la circulación de Hadley y los vientos medios zonales.
• Comparación con modelos globales de resolución de nubes: En comparación con el modelo global de resolución de nubes X-SHiELD, NeuralGCM tiene sesgos más pequeños en agua precipitable y sesgos de temperatura más bajos en regiones tropicales.

Simulación de ciclones tropicales:

• Trayectorias y números: Incluso a una resolución gruesa de 1.4°, NeuralGCM puede producir trayectorias y números de ciclones tropicales similares a ERA5, mientras que el modelo global de resolución de nubes X-SHiELD subestima el número de ciclones tropicales a una resolución de 1.4°.

Simulación de tendencias de temperatura históricas:

• Simulación AMIP: NeuralGCM-2.8° realizó una simulación AMIP de 40 años. Los resultados muestran que todas las simulaciones capturan con precisión la tendencia de calentamiento global observada en los datos ERA5, y las tendencias de temperatura interanuales tienen una fuerte correlación con los datos ERA5, lo que indica que NeuralGCM puede simular eficazmente el impacto del forzamiento de la temperatura del mar en el clima.
• Comparación con modelos CMIP6: En comparación con los modelos AMIP CMIP6, NeuralGCM-2.8° tiene sesgos de temperatura más pequeños durante 1981-2014, incluso después de eliminar el sesgo de temperatura global de los modelos AMIP CMIP6.

Aunque NeuralGCM demuestra capacidades poderosas en la predicción meteorológica y climática, todavía tiene algunas limitaciones:

1. Capacidad limitada para predecir el clima futuro: NeuralGCM actualmente no puede predecir climas futuros que sean significativamente diferentes de los climas históricos. Cuando la temperatura de la superficie del mar (SST) aumenta significativamente (por ejemplo, +4K), la respuesta de NeuralGCM es inconsistente con las expectativas y se produce una deriva climática.

2. Capacidad insuficiente para simular climas no observados: Al igual que otros modelos climáticos de aprendizaje automático, NeuralGCM también enfrenta desafíos para simular climas no observados, como climas futuros o climas que difieren significativamente de los datos históricos. Esto requiere que los modelos tengan capacidades de generalización más fuertes y estrategias de entrenamiento más avanzadas, como el entrenamiento adversario o el meta-aprendizaje.

3. Restricciones físicas y problemas de estabilidad numérica: Por ejemplo, la distribución espectral de NeuralGCM sigue siendo más borrosa que los pronósticos físicos del ECMWF, y todavía hay algunos problemas de estabilidad numérica en la simulación de eventos climáticos extremos.