Un equipo de investigadores que trabaja en el centro de investigación Mountain View de Google ha desarrollado una herramienta de pronóstico del tiempo basada en el aprendizaje profundo para predecir eventos meteorológicos a corto plazo. Han escrito un artículo en el que describen su "herramienta de predicción inmediata, "y lo han subido al servidor de preimpresión arXiv. También han publicado una noticia que describe su trabajo en el Blog de IA de Google.

A pesar de siglos de esfuerzo, predecir el clima es todavía una ciencia inexacta. El enfoque actual implica recopilar datos de una variedad de fuentes y analizarlos con supercomputadoras que tardan horas en entregar predicciones. Si bien las predicciones meteorológicas modernas son mucho más precisas que las del pasado, todavía dejan mucho que desear, especialmente a nivel local y a corto plazo. En este nuevo esfuerzo, el equipo de Google ha adoptado un enfoque diferente para la previsión a corto plazo, en lugar de utilizar la física, utilizan mapas de radar recientes para hacer conjeturas fundamentadas sobre el futuro cercano.

La nueva herramienta de Google hace uso del aprendizaje automático:una red neuronal convolucional (CNN) está entrenada para reconocer patrones climáticos y luego hace predicciones basadas en las condiciones climáticas actuales. La herramienta resultante proporciona lo que Google describe como "predicción inmediata de precipitaciones":localmente, casi instantáneo, predicciones meteorológicas a corto plazo.

El tipo de CNN que usa Google se llama U-Net, un sistema que funciona clasificando los datos en capas que se organizan por fase de codificación para aumentar la velocidad de procesamiento. La iteración se usa para disminuir la resolución de la imagen y luego la decodificación se usa para restaurar las imágenes. a su resolución original. El sistema analiza los datos del radar de las últimas N horas para predecir eventos meteorológicos en las próximas N horas, donde N varía entre cero y seis horas. Todo el proceso toma solo unos minutos. El sistema puede devolver respuestas más rápidamente que los sistemas de pronóstico convencionales porque ignora la física involucrada; en cambio, se basa en el procesamiento de imágenes.

Los investigadores probaron su herramienta comparándola con tres modelos de pronóstico ampliamente utilizados. Afirman que sus pronósticos fueron más precisos a corto plazo que los tres modelos, pero fueron menos precisos a largo plazo.

© 2020 Science X Network