Ser capaz de predecir eventos climáticos extremos es esencial a medida que tales condiciones se vuelven más comunes y destructivas. El pronóstico del clima subestacional, que predice el clima en dos o más semanas en el futuro, sustenta la toma de decisiones proactiva y la gestión de riesgos en todos los sectores que son sensibles a las fluctuaciones climáticas.
Puede ayudar a los agricultores a elegir mejor qué cultivos cultivar y administrar sus recursos hídricos en regiones propensas a la sequía. Las compañías eléctricas pueden equilibrar la oferta y la demanda de energía, mientras que las pesquerías pueden protegerse de las olas de calor marinas. Y los gobiernos pueden prepararse para desastres naturales y amenazas para el área de la salud pública, como el aprovisionamiento previo de infraestructura móvil de extinción de incendios y mitigación del riesgo de calor en regiones donde las perspectivas subestacionales son peores.
El uso de modelos de IA para pronosticar el tiempo y el clima ha ganado un impulso significativo en la investigación en los últimos dos años, y ahora está ganando terreno en entornos operativos. La plataforma NVIDIA Earth-2 ha estado apoyando tanto a las comunidades científicas como a las empresariales al proporcionar una pila de herramientas escalable y de alto rendimiento. Beneficia a todos, desde expertos en meteorología que desean evaluar y validar la habilidad de los modelos, hasta expertos en IA/ML que intentan desarrollar, personalizar y escalar los modelos para varios casos de uso y conjuntos de datos.
En esta publicación, proporcionaremos una descripción general de las utilidades que ofrece la plataforma Earth-2 para que los expertos en el dominio del clima desarrollen y validen grandes conjuntos para pronósticos subestacionales probabilísticos, todo a costos de cómputo mucho más bajos que las técnicas tradicionales que no son de ML.
Previsión Subestacional con IA
Una de las ventajas clave de los modelos meteorológicos de IA es la capacidad de ejecutar conjuntos operativos mucho más grandes de lo que es factible con los métodos tradicionales a costos de cómputo que son órdenes de magnitud menores. Investigadores de la Universidad de California, Berkeley, demostraron a principios de este año una forma efectiva de generar conjuntos bien calibrados de varios miles de miembros («Huge Ensemble» o HENS) utilizando la metodología Bred Vector/Multi Checkpoint (BVMC). Empresas como JBA y AXA están utilizando este enfoque HENS con un modelo FourCastNet V2 (SFNO) para la predicción retrospectiva en aplicaciones de seguros.
La última versión de Earth2Studio ha introducido una nueva capacidad de pronóstico subestacional a estacional (S2S) demostrada en el contexto del Deep Learning Earth System Model (DLESyM). Este es un modelo de deep learning parsimonioso que combina un modelo de IA de atmósfera multicapa con un modelo de IA oceánico separado que predice la evolución de la temperatura de la superficie del mar.
La arquitectura del modelo es una U-Net con operaciones de relleno modificadas para admitir el uso de la cuadrícula HEALPix con aproximadamente 1 grado de resolución. Dado que se basa en galerías de símbolos locales que no utilizan incrustaciones de posición, esta arquitectura tiene el potencial de generalizar. El modelo ha demostrado una capacidad realista para asíntota a las tasas de error climatológico esperadas en escalas de tiempo de varios meses, e investigadores de la Universidad de Washington han demostrado que tiene la capacidad de una notable estabilidad autorregresiva en simulaciones a escala climática.
En el siguiente fragmento de código, puede ver la facilidad de usar el modelo para generar pronósticos subestacionales. La implementación completa está disponible en Earth2Studio aquí.
Pronóstico Probabilístico con Conjuntos
Sin embargo, los pronósticos de S2S son intrínsecamente probabilísticos, no deterministas. No predicen el clima exacto en un día específico con meses de anticipación, sino que brindan la probabilidad de que las condiciones estacionales se desvíen de la norma. Estos pronósticos se expresan comúnmente en términos de probabilidades para los terciles: la probabilidad de que la próxima temporada esté en el tercio superior (por encima de lo normal), el tercio medio (casi normal) o el tercio inferior (por debajo de lo normal) de la distribución climática histórica para variables como la temperatura o la precipitación.
Antes de la disponibilidad de este nuevo modelo, las empresas han ampliado el enfoque HENS con el modelo FourCastNet V2 (SFNO) para realizar pronósticos S2S. Y los investigadores de la Universidad de California, Irvine, han demostrado que es tan hábil como el sistema de pronóstico ECMWF para la previsibilidad de la Oscilación Madden-Julian (MJO); el MJO es una fuente líder de previsibilidad S2S en la atmósfera.
Ahora, Earth2Studio proporciona una nueva receta de S2S para los usuarios interesados en probar HENS-SFNO, DLESyM u otros modelos para hacer predicciones de S2S. Reflejando la necesidad de conjuntos más grandes y escalas de tiempo de pronóstico más largas, la receta admite inferencia distribuida multi-GPU, junto con E/S paralelas para guardar de manera eficiente los datos de pronóstico a medida que se generan. También permite guardar solo un subconjunto de las salidas de pronóstico si el espacio de almacenamiento es una restricción. Para agilizar el uso de esta receta, al igual que la receta de HENS en Earth2Studio, ya se han resuelto aspectos complejos de la ejecución de los conjuntos. Controlar el comportamiento equivale a especificar una configuración:
Con esta nueva receta, los expertos en el dominio ahora pueden generar grandes pronósticos de conjunto a partir de HENS FourCastNet V2 (SFNO) y DLESyM para comprender y validar la habilidad de estos modelos. Por ejemplo, puede explorar cómo la incertidumbre de la predicción es impulsada por perturbaciones en las condiciones iniciales o ponderaciones de puntos de control de modelos alternativos. Esto le permite generar un conjunto hábil y calibrado de pronósticos subestacionales. Esto forma la base a partir de la cual puede explorar estrategias adicionales para una calibración óptima del pronóstico de IA en escalas de tiempo S2S.
Como ejemplo demostrativo, la receta se puede utilizar para generar pronósticos S2S para la ola de calor del noroeste del Pacífico de 2021, que se muestran en la Figura 1. Este evento sin precedentes fue notable en la intensidad y duración del calor extremo, y difícil de predecir en escalas de tiempo S2S, según el artículo Ola de Calor del Oeste de América del Norte de 2021 y Sus Predicciones Subestacionales publicado en Geophysical Research Letters. Si bien ningún modelo captura perfectamente tanto la ubicación como la intensidad de la ola de calor, podemos ver que todos los modelos comenzaron a predecir algún nivel de anomalía cálida en América del Norte con hasta tres semanas de anticipación, con una precisión que varía entre HENS-SFNO, IFS ENS y DLESyM.
¿Qué Sigue?
Acelerar la adopción de IA para el pronóstico de S2S requiere una evaluación más sólida de dichos modelos y sus capacidades por parte de expertos en el dominio. Proporcionar bibliotecas de código abierto reduce las barreras de entrada en las habilidades necesarias en el frente de la IA. También proporciona información sobre el desarrollo futuro de modelos a la comunidad de investigación de IA/ML.
La competencia AI Weather Quest del Centro Europeo para el Pronóstico Meteorológico a Medio Plazo (ECMWF) tiene como objetivo acelerar la participación de la comunidad en el avance del pronóstico S2S. Mientras los ingenieros de NVIDIA se preparan para participar en él (junto con investigadores de la Universidad de Washington), estamos trabajando en la componibilidad de las herramientas de Earth-2 con las proporcionadas por ECMWF para la competencia Weather Quest para permitir que la comunidad participe. Esto debería permitir iteraciones más rápidas en la evaluación de modelos utilizando AI-WQ-packag de ECMWF directamente con los datos de pronóstico generados en Earth2Studio, junto con la capacidad de entrenar modelos personalizados en PhysicsNeMo. Estas son las mismas herramientas utilizadas por los equipos de investigación de NVIDIA, y esperamos que compartirlas permita a otros investigadores iterar rápidamente en sus ideas.
En general, la inferencia y puntuación eficientes de grandes pronósticos de conjuntos S2S es una parte esencial del proceso científico. Evaluar los modelos correctamente requiere calificar muchos pronósticos para determinar su habilidad. Para acelerar este proceso intensivo en recursos, Earth2Studio ahora puede ejecutar y puntuar grandes conjuntos S2S de manera eficiente. Por ejemplo, los pronósticos conjuntos de DLESyM que utilizan múltiples modelos atmosféricos y oceánicos durante todo un año se pueden ejecutar y calificar en menos de dos horas en ocho GPU.
Consulte la Figura 2 para ver un ejemplo de estos resultados de puntuación, que también demuestran que el modelo DLESyM tiene una habilidad S2S que es competitiva con ECMWF IFS en las semanas tres a cinco, una línea de base física sólida. Estamos lanzando estas capacidades de puntuación generales junto con las específicas de AI Weather Quest en la receta S2S en Earth2Studio. Esto proporciona a los profesionales una variedad de medios para evaluar el rendimiento de los modelos que les interesa probar.
Conclusiones Clave
El pronóstico de S2S es esencial para una amplia gama de sectores sensibles al clima. Esta publicación discutió la nueva funcionalidad clave en Earth2Studio para permitir a las empresas evaluar y validar modelos de predicción de IA acoplados a la atmósfera y el océano preentrenados como DLESyM para generar pronósticos conjuntos.
Aquí hay recursos para comenzar:
- Pronóstico estacional determinista con DLESyM
- Pronóstico de conjunto con HENS – FourCastNet V2 (SFNO)
- Conjuntos S2S con DLESyM o HENS
- Entrenamiento de un modelo DLWP personalizado
Obtenga más información sobre la plataforma Earth-2 en estas sesiones de GTC. Estos recursos proporcionan más información sobre cómo las empresas utilizan la IA para generar grandes pronósticos de conjunto: