Google DeepMind presenta WeatherNext 3: pronósticos globales por hora con una resolución de 5 km

Los modelos de inteligencia artificial para el pronóstico del tiempo han tardado tres años en ponerse al día con la predicción física, pero dos problemas han permanecido sin resolver: la resolución gruesa y la incapacidad para capturar la topografía local; y una inicialización que se retrasa aproximadamente 6 horas con respecto al análisis de la predicción numérica del tiempo (NWP). WeatherNext 3, lanzado conjuntamente por Google DeepMind y Google Research, aborda directamente estos dos puntos.

Entrenamiento directo en mediciones de estaciones meteorológicas, ya no solo en cuadrículas de reanálisis

WeatherNext 3 utiliza mosaicos globales de satélites geoestacionarios en tiempo real como entrada directa del modelo, los cuales se reinicializan cada hora, y produce una resolución máxima de 0,05° (aproximadamente 5 kilómetros). Se entrena utilizando datos de observación originales de estaciones meteorológicas, en lugar de depender únicamente de las cuadrículas de reanálisis. Según Google AI, la evaluación independiente en tiempo real de Brightband lo ha calificado como el modelo meteorológico global más preciso hasta la fecha.

Arquitectónicamente, WeatherNext 3 es un Transformer de cuadrícula de generación de funciones (FGN) y pertenece a la misma familia de modelos probabilísticos que WeatherNext 2, pero se ha ampliado para incluir salidas de múltiples resoluciones. Las entradas incluyen mosaicos de satélites geoestacionarios en tiempo real y el análisis HRES del ECMWF. Los datos de entrenamiento incluyen ERA5/HRES-fc0, IMERG de la NASA, observaciones de sitios y mosaicos de satélites.

La mayoría de los modelos de pronóstico basados en IA aprenden de datos de reanálisis de la predicción numérica del tiempo (NWP), lo que puede suavizar las diferencias locales causadas por costas, valles y montañas. WeatherNext 3, sin embargo, se entrena directamente en datos de medición original de los sitios utilizando una cabeza de observación dedicada, calibrando sus salidas de temperatura y punto de rocío a 0,05° para ajustarse a las lecturas reales de los instrumentos.

Actualizaciones horarias, mejoras significativas en precipitación y variables de energía renovable

Una única inferencia hacia adelante puede producir tres niveles de resultados: temperatura y punto de rocío a 2 metros con una resolución de 0,05° (aproximadamente 5 km) para los modelos entrenados en sitios; viento superficial a 10 y 100 metros, presión, temperatura de la superficie del mar, cobertura de nubes, radiación solar y precipitación de 1 hora a 0,1° (aproximadamente 10 km); y un campo atmosférico a 0,25° (aproximadamente 25 km) que cubre 13 capas de presión. En comparación, WeatherNext 2 produce un campo a 0,25° cada 6 horas, lo que explica la afirmación de una "mejora de claridad cinco veces mayor".

La frecuencia de actualización es otro cambio importante: el modelo se inicializa 24 veces al día, con cuatro ciclos meteorológicos a las 00, 06, 12 y 18 UTC capaces de pronosticar hasta 15 días (360 horas) con 64 miembros del conjunto, mientras que las ejecuciones horarias restantes cubren 48 horas. Para el desarrollo rápido del tiempo convectivo, la actualización horaria basada en observaciones satelitales actuales marca una diferencia sustancial en comparación con el ciclo de 6 horas del análisis retrasado.

La precipitación siempre ha sido una debilidad de los modelos globales, con salidas a menudo borrosas e incapaces de capturar los límites de las tormentas. WeatherNext 3 se entrena utilizando tres fuentes de datos: reanálisis del ECMWF, inversión de satélites IMERG de la NASA y reanálisis de precipitación por radar satelital propio de Google. Google afirma que, en pronósticos a corto plazo, su CRPS mejora hasta un 60% en comparación con la línea base (en comparación con IMERG), un 30% (en comparación con MRMS) y un 10% (en comparación con pluviómetros); los estudios también muestran que, al evaluar frente a IMERG, la puntuación Brier y el CRPS se reducen hasta un 50% en comparación con la línea base de la NWP.

Para las energías renovables, el modelo produce la velocidad del viento a 100 metros a la altura de los bujes de las turbinas, la distribución completa de nubes bajas/medias/altas y dos componentes de la irradiancia solar —SSRD y FDIR—, que son exactamente la combinación requerida por los operadores de la red eléctrica para predecir la producción eólica y solar.

Actualmente, los datos de pronóstico pueden solicitarse a través de BigQuery, Earth Engine y Cloud Storage, pero los pesos de WeatherNext 3 no se han abierto al código público, y la inferencia personalizada sigue ejecutando WeatherNext 2 bajo solicitud.