En junio de 2021, el noroeste del Pacífico de EE. UU. y el suroeste de Canadá experimentaron una importante ola de calor, con temperaturas en Portland, Oregón, que alcanzaron los 43 °C (109 °F). Los nuevos enfoques de pronóstico del tiempo basados en el aprendizaje automático pueden ayudar a predecir dichos eventos con mayor precisión y tiempo de respuesta. Fuente: Contiene datos modificados de Copernicus Sentinel (2021), procesados por la Agencia Espacial Europea, CC BY-SA 3.0 IGO
Debido a que pequeños cambios en las condiciones atmosféricas y de la superficie pueden tener un impacto grande e impredecible en el clima futuro, los pronósticos meteorológicos tradicionales solo se publican con unos 10 días de anticipación. Un plazo más largo podría ayudar a las comunidades a prepararse mejor para los próximos eventos, especialmente eventos extremos como la ola de calor récord del noroeste del Pacífico de junio de 2021 que derritió las líneas eléctricas de los trenes, destruyó cultivos y mató a cientos de personas.
Los meteorólogos suelen utilizar modelos adjuntos para determinar la sensibilidad y la imprecisión del pronóstico de las condiciones iniciales. Estos modelos ayudan a determinar cómo pequeños cambios en la temperatura o en el vapor de agua atmosférico, por ejemplo, pueden afectar la precisión de los pronósticos de las condiciones varios días después.
Comprender la relación entre las condiciones iniciales y la cantidad de error de pronóstico permite a los científicos realizar cambios hasta encontrar el conjunto de condiciones iniciales que produce el pronóstico más preciso.
Sin embargo, ejecutar modelos acoplados requiere importantes recursos financieros y computacionales, y los modelos solo pueden medir estas sensibilidades con hasta cinco días de anticipación. Los investigadores probaron si un enfoque de aprendizaje profundo podría proporcionar una manera más fácil y precisa de determinar el conjunto óptimo de condiciones iniciales para un pronóstico de 10 días.
Los hallazgos se publican en la revista. Cartas de investigación geofísica..
Los científicos crearon pronósticos para la ola de calor del noroeste del Pacífico de junio de 2021 utilizando dos modelos diferentes: el modelo GraphCast de Google DeepMind y el modelo Pangu-Weather de Huawei Cloud.
Compararon los resultados para ver si los modelos se comportaban de manera similar y luego compararon las predicciones con lo que realmente sucedió durante la ola de calor. (Para evitar sesgar los resultados, los datos de las olas de calor no se incluyeron en el conjunto de datos utilizado para entrenar los modelos de pronóstico).
El equipo descubrió que el uso de un enfoque de aprendizaje profundo para identificar las condiciones iniciales óptimas conducía a una reducción de aproximadamente el 94 % en los errores de pronóstico de 10 días en el modelo GraphCast. Este enfoque dio como resultado una reducción de errores similar al utilizar el modelo Pangu-Weather. El equipo observó que el nuevo enfoque mejoró las previsiones con hasta 23 días de antelación.
Más información:
P. Trent Vonich et al., Límite de previsibilidad de las olas de calor del noroeste del Pacífico de 2021 basado en un análisis de sensibilidad del aprendizaje profundo, Cartas de investigación geofísica. (2024). DOI: 10.1029/2024GL110651
Traído a usted por
Unión Geofísica Americana
Esta historia se vuelve a publicar por cortesía de Eos, organizada por la Unión Geofísica Estadounidense. Lea la historia original aquí.
Cita: El aprendizaje automático puede mejorar las advertencias de clima extremo (2024, 11 de octubre) Obtenido el 18 de octubre de 2024 de https://phys.org/news/2024-10-machine-extreme-weather.html
Este documento está sujeto a derechos de autor. Excepto en casos de trato justo para fines de estudio o investigación privados, ninguna parte puede reproducirse sin permiso por escrito. El contenido se proporciona únicamente con fines informativos.
