Como Google pronostica el clima de las próximas horas

El clima puede afectar la rutina diaria de una persona tanto de manera mundana como grave, y la precisión de los pronósticos puede influir fuertemente en la forma en que lo manejan. Las predicciones meteorológicas pueden informar a las personas sobre si deberían tomar una ruta diferente al trabajo, si deberían reprogramar el picnic planeado para el fin de semana, o incluso si necesitan evacuar sus hogares debido a una tormenta que se acerca. Pero hacer predicciones meteorológicas precisas puede ser particularmente desafiante para tormentas localizadas o eventos que evolucionan en escalas de tiempo por hora, como tormentas eléctricas.

En «Machine Learning for Precipitation Nowcasting from Radar Images«, el equipo de Google presenta una nueva investigación sobre el desarrollo de modelos de aprendizaje automático para el pronóstico de precipitación en el futuro inmediato. Este pronóstico de precipitación, que se enfoca en pronósticos de 0-6 horas, puede generar pronósticos que tienen una resolución de 1 km con una latencia total de solo 5-10 minutos, incluyendo demoras en la recolección de datos, superando a los modelos tradicionales, incluso en estas primeras etapas de desarrollo.

Las agencias meteorológicas de todo el mundo tienen amplias instalaciones de monitoreo. Por ejemplo, el radar Doppler mide la precipitación en tiempo real, los satélites meteorológicos proporcionan imágenes multiespectrales, las estaciones terrestres miden el viento y la precipitación directamente, etc. Desafortunadamente, no todas estas medidas están igualmente presentes en todo el mundo. Por ejemplo, los datos de radar provienen principalmente de estaciones terrestres y generalmente no están disponibles en los océanos.

El modelo

El modelo utiliza un enfoque libre de física basado en datos, lo que significa que la red neuronal aprenderá a aproximar la física atmosférica solo a partir de los ejemplos de entrenamiento, no incorporando el conocimiento a priori de cómo funciona realmente la atmósfera. Tratamos la predicción del clima como un problema de traducción de imagen a imagen y aprovechamos el estado actual de la técnica en análisis de imágenes: redes neuronales convolucionales (CNN).

Para crear el modelo se usaron las redes U-Nets. Las mismas, tienen una conjunto de capas que están dispuestas en una fase de codificación, en la cual las capas disminuyen iterativamente la resolución de las imágenes que pasan a través de ellas, y luego una fase de decodificación en la que las representaciones de baja dimensión de la imagen creadas por la fase de codificación se expanden de nuevo a resoluciones más altas. La siguiente figura muestra todas las capas de la U-Net propuesta.

Principales ventajas

Una de las ventajas del método ML es que las predicciones son efectivamente instantáneas, lo que significa que dichas predicciones se basan en datos nuevos, mientras que las del servicio meteorológico se ve obstaculizada por una latencia computacional de 1-3 horas. Esto conduce a mejores pronósticos para los métodos de visión por computadora para pronósticos a muy corto plazo. Por el contrario, el modelo numérico utilizado por los servicios meteorológicos puede hacer mejores predicciones a largo plazo, en parte porque utiliza un modelo físico 3D completo: la formación de nubes es más difícil de observar a partir de imágenes 2D, por lo que es más difícil para los métodos de aprendizaje automático aprender procesos convectivos. Es posible que la combinación de estos dos sistemas, pueda producir mejores resultados en general, una idea en el centro del trabajo futuro. También estamos buscando aplicar ML directamente a las observaciones 3D. En cualquier caso, el pronóstico inmediato es una herramienta clave para la planificación en tiempo real, facilita las decisiones y mejora la vida.

Dejar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Accedé al descuento del15%

Suscribiéndote a Nuestro Newsletter, y recibí el cupón para tu inscripción.