La simulación precisa de la precipitación global Sigue siendo una de las fronteras más desafiantes para la predicción meteorológica avanzada, ya que influye directamente en la gestión de recursos, la agricultura y la prevención de desastres naturales. En respuesta a este desafío, Investigación de Google ha presentado NeuralGCM, un modelo híbrido que combina inteligencia artificial y física para proporcionar avances sustanciales en la simulación de las precipitaciones y su ciclo diario, con fuerte impacto para escenarios de eventos extremos y estudios a largo plazo.
Uno de los resultados que ilustra el alcance de NeuralGCM corresponde a su desempeño frente a los modelos tradicionales utilizados en los informes del Panel Intergubernamental sobre Cambio Climático. Según la investigación de Google, NeuralGCM logró reducir el error promedio en un 40% en comparación con las herramientas líderes actualesal comparar series de precipitaciones de varios años sobre la tierra. El modelo demostró un error promedio justo. 0,3 milímetros por díamenos de la mitad que los modelos anteriores, lo que sugiere una mejora tangible en el control de inundaciones, la planificación agrícola y el suministro de agua.
El equipo de Google Research señala que este entrenamiento directo sobre datos reales permite a NeuralGCM «encontrar una mejor parametrización de las precipitaciones mediante el aprendizaje automático», eliminando imprecisiones heredadas de los modelos de referencia, especialmente en las precipitaciones extremas y el ciclo diurno.
En evaluaciones de pronóstico específicas de dos semanas, NeuralGCM se probó utilizando el punto de referencia WeatherBench 2 y se comparó con el modelo de pronóstico físico operativo líder del Centro Europeo de Previsiones Meteorológicas a Plazo Medio (ECMWF).
Los resultados, según la publicación de Google Research, lo demuestran NeuralGCM superó consistentemente al modelo europeo en la mayoría de las métricas de precipitación acumulada diaria y de ventana de seis horas durante el pronóstico de 15 días.incluso en las zonas continentales, que concentran los desafíos más agudos para el bienestar humano y ambiental.
Un gráfico publicado por Google Research revela que al comparar los pronósticos de precipitación acumulada de 24 horas, “NeuralGCM obtiene puntuaciones más bajas (lo que indica un mejor rendimiento) en todos los días analizados en comparación con las observaciones satelitales IMERG”, destacando la consistencia del progreso a lo largo de toda la quincena proyectada.
Aunque la resolución actual del modelo (280 kilómetros) impide el uso operativo directo a escala local, el trabajo indica que el método podría adaptarse a resoluciones más bajas para proporcionar mejores herramientas para los servicios meteorológicos a escala nacional o regional.
La arquitectura de NeuralGCM emplea un enfoque mixto que integra un solucionador de dinámica de fluidos tradicional para procesos a gran escala y redes neuronales para aspectos atmosféricos de menor escala, como nubes, radiación y microfísica de precipitación. Esta estructura facilita que el sistema aprenda de la compleja física multiescalar de las nubes, cuya diversidad y rápidos cambios han sido el principal talón de Aquiles de las simulaciones meteorológicas globales.
En cambio, los modelos convencionales se basan en aproximaciones indirectas, las llamadas «parametrizaciones», que tienden a sobreestimar las precipitaciones ligeras y subestimar las intensas, un fenómeno conocido como «problema de las precipitaciones».
Google Research informa que NeuralGCM ofrece mejoras sustanciales en la predicción Eventos extremos, capturando más fielmente la intensidad de los episodios en el 0,1% superior de las precipitaciones registradas localmente..
En simulaciones realizadas entre 2002 y 2014, el modelo logró reproducir las tasas de precipitación tropical observadas por IMERG, mientras que referencias como el modelo ERA5 o el IPSL mostraron desviaciones: sobreestimaron las lluvias ligeras y subestimaron las más intensas. Los mapas presentados muestran que NeuralGCM tiene una menor propensión a subestimar o sobreestimar la precipitación extrema en comparación con modelos anteriores.
La validación también incluyó el ciclo diario de lluvias, crucial para ecosistemas como la selva tropical. amazónicodonde los modelos tradicionales situaban el pico de lluvia varias horas antes de lo real. NeuralGCM pudo replicar con mayor precisión tanto el momento como la magnitud del máximo diario, especialmente en los meses de verano y sobre la masa continental, lo cual es importante en los estudios de la dinámica del agua, el impacto ecológico y la planificación de las actividades humanas.
Fuera del entorno experimental, NeuralGCM ya se ha utilizado en una iniciativa conjunta entre el universidad de chicago y el Ministerio de Agricultura y Bienestar de los Agricultores de la India para anticipar la llegada del monzón. El programa piloto seleccionó NeuralGCM y otro modelo después de rigurosas pruebas y desarrolló una herramienta que se implementó por primera vez el verano pasado en territorio indio.
Desde el lanzamiento inicial, todo el código de NeuralGCM ha sido lanzado como software de código abiertoy el módulo de simulación de precipitación actualizado también estará disponible públicamente, según Google Research.
