El estudio compar\u00f3 el rendimiento de GraphCast con el modelo HRES, del European Centre for Medium-Range Weather Forecast (ECMWF), uno de los referentes de este segmento. El sistema de Google hizo previsiones para 1.380 variables del clima y, en m\u00e1s del 90 % de los casos, tuvo un rendimiento superior al del HRES. Al compararlo con otro modelo meteorol\u00f3gico basado en el aprendizaje autom\u00e1tico, Pangu-Weather, desarrollado recientemente por la empresa china Huawei, GraphCast tambi\u00e9n obtuvo mejores resultados en el 99 % de los casos, seg\u00fan el art\u00edculo.<\/p>\n
\u201cNuestros an\u00e1lisis revelaron que GraphCast puede asimismo identificar eventos severos antes que los modelos tradicionales, pese a que no ha sido entrenado para ese prop\u00f3sito\u201d, dijo en un comunicado el cient\u00edfico de la computaci\u00f3n R\u00e9mi Lam, de Google DeepMind, autor principal del estudio.<\/p>\n
El nuevo sistema de pron\u00f3stico meteorol\u00f3gico opera en la nube, en m\u00e1quinas que utilizan un chip desarrollado espec\u00edficamente por Google para ejecutar tareas que comprenden el empleo de IA, el TPU v4. A diferencia de HRES y otros servicios tradicionales, que adoptan el Pron\u00f3stico Meteorol\u00f3gico Num\u00e9rico, tambi\u00e9n llamado modelo determinista, GraphCast utiliza la IA para elaborar sus proyecciones.<\/p>\n
En la previsi\u00f3n num\u00e9rica, se emplean ecuaciones matem\u00e1ticas complejas basadas en la f\u00edsica atmosf\u00e9rica para anticipar, por ejemplo, si va a llover o estar\u00e1 soleado durante la semana. El modelo de Google utiliza una variante espec\u00edfica de las t\u00e9cnicas de aprendizaje autom\u00e1tico conocida como redes neuronales basadas en grafos. Este abordaje es \u00fatil para datos distribuidos espacialmente que mantienen un v\u00ednculo entre s\u00ed. Con este enfoque, es como si la atm\u00f3sfera de la Tierra estuviera envuelta en una malla rectangular llena de nodos y aristas interconectadas.<\/p>\n
En el aprendizaje autom\u00e1tico, un algoritmo analiza informaci\u00f3n del pasado para establecer patrones y adquirir la capacidad de elaborar un pron\u00f3stico. GraphCast ha sido entrenado a partir de una base de datos del ECMWF, que recopila una serie hist\u00f3rica con estad\u00edsticas sobre la atm\u00f3sfera, los oc\u00e9anos y la superficie terrestre. La informaci\u00f3n meteorol\u00f3gica disponible desde 1979 hasta 2017 se utiliz\u00f3 espec\u00edficamente para ense\u00f1arle al modelo de Google a realizar predicciones.<\/p>\n
![\"\"](\"https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2024\/06\/RPF-meteorologia-chuvas-2024-01-site-1140.jpg\")
GraphCast<\/span>Pantalla del modelo GraphCast con los pron\u00f3sticos de lluvias para \u00c1fricaGraphCast<\/span><\/p><\/div>\n Para su funcionamiento, el modelo basado en IA requiere solamente de dos conjuntos iniciales de par\u00e1metros: las condiciones meteorol\u00f3gicas actuales y las de las \u00faltimas seis horas de la Tierra en todo el mundo. Con ello, puede elaborar un pron\u00f3stico meteorol\u00f3gico para las pr\u00f3ximas seis horas. A partir de este resultado inicial, puede realizar nuevas previsiones sucesivas para las seis horas subsiguientes hasta completar un lapso de 10 d\u00edas.<\/p>\n El \u00e1rea m\u00ednima del globo para el que GraphCast puede realizar un pron\u00f3stico espec\u00edfico equivale a un cuadrado de 28 kil\u00f3metros (km) de lado. Por su parte, HRES proporciona predicciones a 10 d\u00edas para una superficie menor a la mitad de esa \u00e1rea. Aun as\u00ed, seg\u00fan el art\u00edculo, GraphCast es m\u00e1s preciso aunque su resoluci\u00f3n espacial sea menor que la de HRES.<\/p>\n En estas capas, el modelo de Google fue m\u00e1s eficiente en sus pron\u00f3sticos del tiempo en casi el 100 % de los an\u00e1lisis. \u201cTambi\u00e9n hicimos una prueba a\u00f1adiendo datos meteorol\u00f3gicos correspondientes a a\u00f1os m\u00e1s recientes y verificamos que, cuanto m\u00e1s cerca de la fecha actual, las previsiones son de mejor calidad\u201d, dice la matem\u00e1tica brasile\u00f1a Meire Fortunato, de Google DeepMind, una de las autoras del art\u00edculo.<\/p>\n \u201cEl modelo puede entrenarse para adaptarse r\u00e1pidamente a las condiciones clim\u00e1ticas recientes. La arquitectura actual a\u00fan no incorpor\u00f3 esta funcionalidad, pero no se est\u00e1 lejos de ese avance\u201d, comenta Fortunato. Un posible sesgo del pron\u00f3stico hecho mediante IA, reconoce la brasile\u00f1a, es la posibilidad de que el modelo funcione mejor en lugares donde hay m\u00e1s datos atmosf\u00e9ricos disponibles.<\/p>\n Para el meteor\u00f3logo Luiz Augusto Machado, de la Universidad de S\u00e3o Paulo (USP), quien no particip\u00f3 en el estudio, la ventaja principal de GraphCast es su bajo costo. Mientras que el funcionamiento de HRES requiere de una gran capacidad computacional, GraphCast puede generar sus previsiones a partir de un servicio barato en la nube. La hora de trabajo de un chip TPU v4 cuesta alrededor de 5 d\u00f3lares. \u201cEn el per\u00edodo que va de 7 a 10 d\u00edas, cuando la calidad del modelo determinista empieza a decaer, creo que GraphCast puede ofrecer mejores respuestas\u201d, dice Machado.<\/p>\n El art\u00edculo tambi\u00e9n sugiere que GraphCast fue m\u00e1s preciso que el sistema europeo a la hora de inferir variables relacionadas con las olas estacionales de calor o fr\u00edo. El meteor\u00f3logo de la USP manifiesta reparos al respecto de esta promocionada habilidad, as\u00ed como a la posibilidad de que el modelo puede predecir condiciones repentinas, como cuando se desatan lluvias torrenciales. \u201cCon el cambio clim\u00e1tico, la pauta meteorol\u00f3gica est\u00e1 cambiando\u201d, comenta Machado. \u201cSi se entrena a la IA con datos del pasado, creo que tendr\u00eda dificultades para predecir estos cambios\u201d.<\/p>\n Para el cient\u00edfico de la computaci\u00f3n Rafael Santos, del Instituto Nacional de Investigaciones Espaciales (Inpe), la propuesta de Google DeepMind es interesante, pero tiene sus limitaciones. Si bien el c\u00f3digo del sistema es abierto y cualquier persona u organismo puede utilizarlo, GraphCast depende de la computaci\u00f3n en la nube y de una arquitectura de hardware<\/em> propia de la empresa para funcionar. \u201cEsta es una caracter\u00edstica del modelo de negocios de la empresa. GraphCast no puede reproducirse fielmente en la supercomputadora del Inpe\u201d, reflexiona Santos.<\/p>\n El equipo de Google DeepMind considera que la tecnolog\u00eda puede ser una herramienta complementaria al modelo determin\u00edstico. En el sitio web del ECMWF, es posible consultar los pron\u00f3sticos del clima experimentales elaborados por varios modelos meteorol\u00f3gicos basados en IA, tales como GraphCast, Pangu-Weather y AIFS, del propio centro europeo. Con todo, seg\u00fan Machado, no hay que olvidarse de un detalle importante: todos los grandes centros meteorol\u00f3gicos de referencia est\u00e1n en el hemisferio norte, donde se desarrollaron las ecuaciones que abastecen sus modelos. \u201cLa regi\u00f3n tropical ostenta una peor calidad de previsi\u00f3n meteorol\u00f3gica que las regiones septentrionales. En Brasil, deber\u00edamos centrarnos en minimizar este inconveniente\u201d, recomienda el meteor\u00f3logo de la USP.<\/p>\n