Evaluando Nuevos Modelos de Aprendizaje Automático en Pronósticos del Tiempo

Predecir el clima es complicado. Es como intentar adivinar qué hará tu gato a continuación: a veces aciertas y otras veces te quedas rascándote la cabeza. Tradicionalmente, los meteorólogos se han basado en modelos matemáticos detallados para predecir el clima. Estos modelos utilizan las reglas fundamentales de la física para simular cómo se comporta la atmósfera. Sin embargo, con la llegada del aprendizaje automático (ML), hay nuevas herramientas que podrían facilitar y hacer más precisas estas tareas.

Dos de los modelos de clima con ML más emocionantes que están dando de qué hablar son GraphCast y NeuralGCM. Piénsalos como los nuevos chicos en la escuela que podrían hacer la clase mucho más interesante. Pero antes de emocionarnos demasiado, tenemos que ver si estos modelos nuevos pueden encajar realmente en los sistemas existentes que usamos para pronosticar el clima, especialmente aquellos que combinan datos en tiempo real con predicciones-comúnmente conocido como Asimilación de datos.

#¿Cuál es el trato con la asimilación de datos?

Antes de sumergirnos en nuestros nuevos amigos, hablemos sobre la asimilación de datos. Imagina intentar hacer un pastel con una receta que te dice "agrega un poco de azúcar" sin darte medidas específicas. No terminará bien. De manera similar, la predicción del clima se trata de refinar conjeturas iniciales usando observaciones reales, como datos de temperatura, humedad y presión. La asimilación de datos es el proceso que combina estas observaciones con predicciones para crear la mejor estimación posible del clima en un momento dado.

Uno de los métodos utilizados en este proceso se llama asimilación de datos variacional en cuatro dimensiones, o 4DVar para abreviar. Imagina 4DVar como una calculadora muy inteligente que toma todas tus pistas viejas sobre la atmósfera y las actualiza a medida que llegan nuevos datos. La precisión de este método depende mucho del modelo subyacente. Si el modelo es un poco inestable, puede llevar a un desastre-como intentar apilar panqueques que simplemente no se mantienen juntos.

#Presentando GraphCast y NeuralGCM

GraphCast es como ese chico inteligente que parece saberlo todo-se basa en redes neuronales de grafos, que son geniales para manejar datos desordenados e irregulares, como el clima. Puedes pensar en eso como organizar un grupo de amigos para una fiesta según las preferencias de cada uno-¡incluso las que no conocías! GraphCast está diseñado para producir pronósticos climáticos competitivos y es particularmente interesante porque puede procesar muchos datos rápidamente.

NeuralGCM, por otro lado, es un poco híbrido. Imagina mezclar un coche tradicional con un motor de cohete. Este modelo combina un marco clásico de pronóstico del clima con técnicas de aprendizaje automático para mejorar cómo simula varios procesos atmosféricos, como la formación de nubes o la caída de la lluvia. Así que, mientras GraphCast se trata de velocidad y agilidad, NeuralGCM se trata de combinar lo mejor de ambos mundos.

#La necesidad de probar

A pesar de que estos modelos suenan bastante impresionantes, no podemos simplemente lanzarlos a la mezcla sin verificar su rendimiento primero. Solo porque un modelo puede predecir lluvia no significa que hará un buen trabajo al predecir si debes llevar un paraguas. Necesitamos ver qué tan bien funcionan GraphCast y NeuralGCM cuando se integran en el marco de 4DVar.

En esta etapa, veremos los modelos lineales tangentes y adjuntos de GraphCast y NeuralGCM. Piensa en los modelos lineales tangentes como pequeñas brújulas estables que nos guían sobre cómo los cambios pequeños pueden afectar nuestras predicciones. Los modelos adjuntos nos ayudan a entender cómo los cambios en la salida se relacionan con la entrada. Ambos son cruciales para verificar si los modelos son confiables.

#Comparando los modelos con un viejo favorito

Para nuestra comparación, usaremos un modelo de clima probado y verdadero llamado MPAS-A, que es como el coche clásico en nuestra alineación. Es confiable y ha estado alrededor por un tiempo, así que debería ayudarnos a ver cómo se comparan GraphCast y NeuralGCM. Vamos a ver cuán similares o diferentes son los modelos cuando se trata de predecir cambios climáticos después de algunos ajustes iniciales.

Una prueba inicial implica hacer un pequeño cambio en los modelos, como lanzar una piedra en un estanque y observar cómo se propagan las ondas. Mediremos qué tan lejos llegan esas ondas, el tamaño de las olas que crean y si parecen pertenecer a la naturaleza. Si GraphCast continúa mostrando signos de vida justo donde lanzamos la piedra, podríamos tener un problema.

#Los resultados: Lo que descubrimos

Después de sacudir un poco las cosas, echamos un vistazo más de cerca a cómo se desempeñaron tanto GraphCast como NeuralGCM en comparación con MPAS-A. Los resultados fueron mixtos.

Para GraphCast, respondió bien a los cambios inicialmente, mostrando ondas en los campos de viento-piensa en eso como una ráfaga de viento después de lanzar una piedra. Sin embargo, también mostró un comportamiento extraño; se aferró a la perturbación original más tiempo del esperado, un poco como ese amigo que no capta la indirecta de que es hora de irse de la fiesta.

NeuralGCM tuvo algunas características físicas que se veían prometedoras, pero también produjo un poco de ruido en sus predicciones, como una estación de radio que está ligeramente desintonizada. El ruido sugiere que podría haber espacio para mejorar antes de que esté listo para ser utilizado en serio.

Ambos modelos tuvieron algunas fortalezas, pero también generaron dudas sobre si realmente podrían encajar de manera confiable en el marco de asimilación de datos.

#¿Qué sigue? ¡Más pruebas!

Esto no significa que debamos desechar los nuevos juguetes aún. Solo señala que necesitamos refinar estos modelos para asegurarnos de que puedan manejar las complejidades de los patrones climáticos del mundo real. Tanto GraphCast como NeuralGCM muestran que pueden capturar algunos procesos atmosféricos vitales, pero aún queda un largo camino por recorrer.

Si consideramos integrar alguno de los modelos en el sistema de asimilación de datos, debemos asegurarnos de que no introduzcan ruido no deseado o respuestas incorrectas a las perturbaciones. De lo contrario, corremos el riesgo de hacer que nuestras predicciones sean menos confiables, lo que podría llevar a fallos en las predicciones, como predecir sol en un día en que en realidad está lloviendo a cántaros.

#Conclusión: El camino por delante

En resumen, aunque los modelos de aprendizaje automático como GraphCast y NeuralGCM muestran potencial, actualmente tienen varios detalles que necesitan atención antes de que puedan ser utilizados de manera confiable en la predicción del clima.

Las luchas matemáticas con el ruido y el realismo físico destacan los desafíos por delante. Necesitamos ajustar estos modelos, asegurándonos de que predigan patrones climáticos de manera precisa sin perder de vista las leyes físicas de la naturaleza. Así que, hasta que refinen estos modelos y aseguren que funcionen bien juntos, probablemente nos quedemos con nuestro confiable clásico MPAS-A por el momento.

Pero quién sabe, con algunas mejoras, nuestros nuevos amigos de ML podrían eventualmente unirse a las filas de los mejores predictores del clima, proporcionando pronósticos que nos permitan dejar el paraguas en casa sin miedo a empaparnos.