El temps ens afecta a tots, donant forma a les nostres decisions, la nostra seguretat i la nostra forma de vida. Exemples com la DANA certifiquen que la meteorologia, també a casa nostra, passa per fenòmens extrems que cal preveure. Com que el canvi climàtic provoca més esdeveniments meteorològics extrems, les previsions precises i fiables són més essencials que mai. No obstant això, el temps no es pot predir a la perfecció i les previsions són especialment incertes més enllà d'uns quants dies.

Tenint en compte que no és possible una previsió meteorològica perfecta, els científics i les agències meteorològiques utilitzen pronòstics de conjunt probabilístic, on el model prediu una sèrie d'escenaris meteorològics probables. Aquestes previsions conjuntes són més útils que confiar en una única previsió, ja que proporcionen als responsables de la presa de decisions una imatge més completa de les possibles condicions meteorològiques en els propers dies i setmanes i de la probabilitat de cada escenari.

Google, a través d'una publicació a la revista científica Nature, ha presentat GenCast, el nou model de conjunt d'IA d'alta resolució (0,25 °). GenCast proporciona millors previsions tant del temps diari com dels esdeveniments extrems que el sistema operatiu superior, l'ENS del Centre Europeu de Previsions Meteorològiques a Pla Mitjà ( ECMWF ), fins a 15 dies d'antelació. Properament, asseguren que publicaran el codi, els pesos i les previsions del model per donar suport a la comunitat de previsió meteorològica més àmplia.

L'evolució dels models meteorològics d'IA

GenCast marca un avenç crític en la predicció meteorològica basada en IA que es basa en el nostre model meteorològic anterior , que era determinista i proporcionava una única i millor estimació del temps futur. Per contra, una previsió de GenCast comprèn un conjunt de 50 o més prediccions, cadascuna representant una possible trajectòria meteorològica. GenCast és un model de difusió, el tipus de model d'IA generativa que sustenta els avenços ràpids i recents en la generació d'imatges , vídeos i música . No obstant això, GenCast es diferencia d'aquests, ja que s'adapta a la geometria esfèrica de la Terra i aprèn a generar amb precisió la complexa distribució de probabilitats d'escenaris meteorològics futurs quan es dóna l'estat més recent del temps com a entrada.

Per entrenar GenCast, la companyia Google va proporcionar quatre dècades de dades meteorològiques històriques de l' arxiu ERA5 de l'ECMWF . Aquestes dades inclouen variables com la temperatura, la velocitat del vent i la pressió a diverses altituds. El model va aprendre patrons meteorològics globals, a una resolució de 0,25°, directament a partir d'aquestes dades meteorològiques processades.

Establir un nou estàndard per a la previsió meteorològica

Per avaluar amb rigor el rendiment de GenCast, el van entrenar amb dades meteorològiques històriques fins al 2018 i el van provar amb dades del 2019. GenCast va mostrar una millor habilitat de previsió que l'ENS de l'ECMWF, el millor sistema de previsió del conjunt operatiu del qual depenen cada dia moltes decisions nacionals i locals. Finalment, Google assegura que ha provat exhaustivament els dos sistemes, mirant les previsions de diferents variables en diferents terminis de lliurament: 1320 combinacions en total. GenCast va ser més precís que ENS en el 97,2% d'aquests objectius i en el 99,8% en temps de lliurament superiors a 36 hores.

GenCast forma part del creixent conjunt de models meteorològics basats en IA de propera generació de Google, com ara les previsions deterministes a mig termini de Google DeepMind i els models NeuralGCM , SEEDS i inundacions de Google Research . Aquests models estan començant a potenciar les experiències dels usuaris a la Cerca de Google i Maps, i milloren la previsió de precipitacions , incendis forestals , inundacions i calor extrema .