Ahora pronosticando la próxima hora de lluvia
'Pronosticando próxima hora de lluvia'
Nuestras vidas dependen del clima. En cualquier momento en el Reino Unido, según un estudio , un tercio del país ha hablado sobre el clima en la última hora, reflejando la importancia del clima en la vida diaria. Entre los fenómenos climáticos, la lluvia es especialmente importante debido a su influencia en nuestras decisiones cotidianas. ¿Debo llevar un paraguas? ¿Cómo debemos dirigir los vehículos que experimentan lluvias intensas? ¿Qué medidas de seguridad tomamos para eventos al aire libre? ¿Habrá una inundación? Nuestra última investigación y los avances de nuestro modelo de vanguardia mejoran la ciencia de la Pronóstico de Lluvia en Tiempo Real , que consiste en la predicción de la lluvia (y otros fenómenos de precipitación) en las próximas 1-2 horas. En un artículo escrito en colaboración con la Oficina Meteorológica y publicado en Nature, abordamos directamente este importante gran desafío en la predicción del clima. Esta colaboración entre la ciencia ambiental y la inteligencia artificial se centra en el valor para los tomadores de decisiones, abriendo nuevas vías para el pronóstico de la lluvia y señalando las oportunidades para la inteligencia artificial en apoyar nuestra respuesta a los desafíos de la toma de decisiones en un entorno en constante cambio.
Pronósticos meteorológicos a corto plazo
A lo largo de la historia, la predicción del clima ha tenido un lugar de importancia en nuestras comunidades y países. Los meteorólogos medievales comenzaron utilizando las estrellas para hacer predicciones. Lentamente, se comenzaron a registrar en tablas las estaciones y los patrones de lluvia. Siglos después, Lewis Fry imaginó una “Fábrica de Pronósticos” que utilizaba computación y las ecuaciones físicas de la atmósfera para predecir el clima global. En este libro en evolución de la predicción del clima, ahora agregamos una historia sobre el papel del aprendizaje automático para el pronóstico.
Los pronósticos meteorológicos de hoy en día están impulsados por potentes sistemas de pronóstico numérico del tiempo (NWP, por sus siglas en inglés). Al resolver ecuaciones físicas, los NWP proporcionan predicciones esenciales a escala planetaria varios días por adelantado. Sin embargo, tienen dificultades para generar predicciones de alta resolución para plazos cortos de menos de dos horas. El Nowcasting cubre el vacío de rendimiento en este intervalo de tiempo crucial.
El Nowcasting es esencial para sectores como la gestión del agua, la agricultura, la aviación, la planificación de emergencias y los eventos al aire libre. Los avances en la detección del clima han hecho que los datos de radar de alta resolución, que miden la cantidad de precipitación a nivel del suelo, estén disponibles con alta frecuencia (por ejemplo, cada 5 minutos con una resolución de 1 km). Esta combinación de un área crucial donde los métodos existentes tienen dificultades y la disponibilidad de datos de alta calidad brinda la oportunidad para que el aprendizaje automático realice sus contribuciones al Nowcasting.
Modelos generativos para el Nowcasting
Nos enfocamos en el Nowcasting de la lluvia: predicciones hasta 2 horas por adelantado que capturan la cantidad, el momento y la ubicación de la lluvia. Utilizamos un enfoque conocido como modelado generativo para realizar predicciones detalladas y plausibles del radar futuro basado en el radar pasado. Conceptualmente, esto es un problema de generar películas de radar. Con tales métodos, podemos capturar con precisión eventos a gran escala, al tiempo que generamos muchos escenarios alternativos de lluvia (llamados predicciones de conjunto), lo que permite explorar la incertidumbre de la lluvia. Utilizamos datos de radar tanto del Reino Unido como de Estados Unidos en nuestros resultados del estudio.
- Abriendo un simulador de física para robótica
- El aprendizaje profundo no supervisado identifica la disentangulaci...
- Explorando la belleza de las matemáticas puras de formas novedosas
Nos interesaba especialmente la capacidad de estos modelos para hacer predicciones sobre eventos de lluvia intensa, que son los eventos que más afectan a las personas y a la economía, y mostramos mejoras estadísticamente significativas en estos regímenes en comparación con métodos competidores. Es importante destacar que realizamos una evaluación de tareas cognitivas con más de 50 meteorólogos expertos en la Oficina Meteorológica, el servicio meteorológico nacional del Reino Unido, que calificaron nuestro nuevo enfoque como su primera opción en el 89% de los casos en comparación con los métodos de Nowcasting ampliamente utilizados , demostrando la capacidad de nuestro enfoque para proporcionar información a los tomadores de decisiones del mundo real.
¿Qué sigue?
Mediante análisis estadísticos, económicos y cognitivos, pudimos demostrar un enfoque nuevo y competitivo para la predicción inmediata de precipitaciones a partir de radares. Ningún método está exento de limitaciones, y se necesita más trabajo para mejorar la precisión de las predicciones a largo plazo y la precisión en eventos raros e intensos. El trabajo futuro requerirá desarrollar formas adicionales de evaluar el rendimiento y especializar aún más estos métodos para aplicaciones específicas del mundo real.
Creemos que esta es un área emocionante de investigación y esperamos que nuestro artículo sirva como base para nuevos trabajos al proporcionar datos y métodos de verificación que permitan tanto una verificación competitiva como una utilidad operativa. También esperamos que esta colaboración con la Oficina Meteorológica promueva una mayor integración del aprendizaje automático y la ciencia ambiental, y brinde un mejor apoyo para la toma de decisiones en nuestro clima cambiante.
Lee el artículo “Predicción inmediata de precipitaciones habilidosa utilizando Modelos Generativos Profundos de Radar” en la edición del 30 de septiembre de 2021 de la revista Nature, que contiene una extensa discusión del modelo, los datos y el enfoque de verificación. También puedes explorar los datos que utilizamos para el entrenamiento y encontrar un modelo pre-entrenado para el Reino Unido a través de GitHub.
