A previsão precisa do clima continua a ser um desafio complexo devido à incerteza inerente à variabilidade atmosférica e à natureza não linear dos sistemas climáticos. Portanto, os métodos desenvolvidos devem refletir os resultados mais prováveis e possíveis, especialmente para a tomada de decisões de alto nível sobre desastres, gestão energética e segurança pública. Embora os modelos meteorológicos numéricos (NWP) forneçam informações probabilísticas por meio de previsões conjuntas, eles são computacionalmente caros e sujeitos a erros. Embora os modelos de ML tenham sido muito promissores no fornecimento de previsões mais rápidas e precisas, eles não conseguem representar a incerteza das previsões, especialmente em eventos extremos. Isso torna os modelos baseados em ML menos úteis em aplicações do mundo real.
Modelos integrados baseados na física, por exemplo, o ENS do Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF), baseiam-se nestas simulações para produzir previsões probabilísticas. Esses modelos representam mal a distribuição de previsão e a dependência espaço-temporal conjunta e requerem elevados recursos computacionais e de engenharia manual. Em contraste, um método baseado em ML, como GraphCast ou FourCastNet, concentra-se apenas em previsões determinísticas e reduzirá erros no resultado médio sem considerar qualquer incerteza. Nenhuma tentativa de gerar conjuntos probabilísticos com MLWP produziu amostras realistas ou rivalizou com a precisão das previsões de conjuntos de desempenho. Métodos híbridos, como NeuralGCM, incorporam parâmetros baseados em ML em estruturas convencionais, mas apresentam resolução baixa e desempenho limitado.
Pesquisadores do Google DeepMind lançaram o GenCast, um modelo de previsão do tempo que provavelmente produzirá previsões de convergência mais precisas e eficientes. Este modelo de aprendizado de máquina usa modelos de distribuição condicional para gerar trajetórias meteorológicas estocásticas, de modo que os conjuntos contenham todas as distribuições de probabilidade das condições climáticas. De maneira sistemática, ele cria trajetórias de predição usando estados anteriores por meio de amostragem automática e usando uma rede neural de eliminação de ruído, combinada com um processador transformador gráfico em uma malha ecosaédrica refinada. Usando 40 anos de dados de reanálise ERA5, o GenCast captura um rico conjunto de padrões climáticos e oferece alto desempenho. Este recurso permite produzir uma previsão do tempo para 15 dias com resolução de 0,25° em 8 minutos, que é o melhor ENS em termos de habilidade e velocidade. A inovação revolucionou a previsão meteorológica operacional, melhorando a precisão e a eficiência das previsões.
GenCast modela a distribuição de probabilidade condicional das condições futuras do vento usando uma abordagem baseada em partições. Ele também refina momentos iniciais ruidosos usando uma rede neural denoiser que consiste em três componentes principais: um codificador que transforma dados espaciais em representações refinadas em uma grade de malha, um processador que usa um transformador gráfico para capturar dependências de vizinhança e um decodificador que mapeia espaços. representações de volta à dinâmica atmosférica baseada em grade. O modelo usa uma resolução latitude-longitude de 0,25°, produzindo previsões em intervalos de 12 horas em um horizonte de 15 dias. O treinamento com dados ERA5 de 1979 a 2018 foi um padrão de dois estágios de correção de 1° a 0,25°. É eficiente na geração de conjuntos probabilísticos que o diferencia dos métodos tradicionais e baseados em ML.
GenCast demonstrou desempenho superior em uma ampla gama de métricas de teste, superando consistentemente o modelo ENS de última geração. Atingiu 97,2% dos campos-alvo com a maior precisão possível das principais variáveis atmosféricas, como temperatura e umidade; até 30%, o GenCast forneceu previsões mais confiáveis de eventos atmosféricos extremos, incluindo ondas de calor e furacões; reduziu a incerteza espacial do movimento das tempestades tropicais em 12 horas durante prazos críticos. Além disso, através da integração espaço-temporal, o modelo resultou numa melhor previsão da energia eólica regional, com uma forte melhoria na capacidade de previsão em prazos muito curtos e médios. Estas descobertas justificam o potencial para revolucionar a previsão meteorológica operacional, fornecendo uma alternativa rápida, precisa e resiliente às técnicas convencionais.
GenCast representa uma revolução na previsão climática probabilística; portanto, utiliza aprendizado de máquina e modelagem generativa para garantir previsões integradas de boa qualidade, eficientes e realistas. A incerteza climática e a dependência espaço-temporal ajustam-se melhor à sua nova abordagem baseada na difusão do que à abordagem tradicional e existente baseada no ML. A sua capacidade de prever eventos extremos e, por fim, de apoiar a gestão de energias renováveis abriu novas possibilidades de existência na previsão de desempenho que apontam para a influência significativa da IA produtiva.
Confira Papel e códigos. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 60k + ML.
🚨 [Must Attend Webinar]: 'Transforme provas de conceito em aplicativos e agentes de IA prontos para produção' (Promovido)
Aswin AK é consultor da MarkTechPost. Ele está cursando seu diploma duplo no Instituto Indiano de Tecnologia, Kharagpur. Ele é apaixonado por ciência de dados e aprendizado de máquina, o que traz consigo uma sólida formação acadêmica e experiência prática na solução de desafios de domínio da vida real.
🚨🚨 WEBINAR DE IA GRATUITO: 'Acelere suas aplicações LLM com deepset e Haystack' (promovido)
