Google AI presenta WeatherBench 2 un marco de aprendizaje automático para evaluar y comparar diversos modelos de pronóstico del tiempo
Google AI lanza WeatherBench 2, un marco de aprendizaje automático para evaluar y comparar modelos de pronóstico del tiempo'.
El aprendizaje automático (ML) se ha utilizado cada vez más en la predicción del tiempo en los últimos años. Ahora que los modelos de ML pueden competir en términos de precisión con los modelos operativos basados en la física, existe la esperanza de que este progreso pronto pueda mejorar la precisión de las previsiones meteorológicas en todo el mundo. Las evaluaciones abiertas y reproducibles de métodos novedosos utilizando métricas objetivas y establecidas son cruciales para lograr este objetivo.
Investigaciones recientes de Google, Deepmind y el Centro Europeo para Pronósticos Meteorológicos a Plazo Medio presentan WeatherBench 2, un marco de referencia y comparación para modelos de predicción del tiempo. Además de una réplica exhaustiva del conjunto de datos ERA5 utilizado para entrenar la mayoría de los modelos de ML, WeatherBench 2 cuenta con un código de evaluación de código abierto y conjuntos de datos de referencia y de verificación de la verdad en la nube, disponibles públicamente.
Actualmente, WeatherBench 2 está optimizado para pronósticos globales a plazo medio (1-15 días). Los investigadores planean incorporar evaluaciones y líneas de base para más plazos en el futuro cercano, como la predicción a corto plazo (0-24 horas) y a largo plazo (15+ días).
- Enlace a Perspicacias Comparando consultas SQL y consultas Python utilizando Analítica de Librería
- Programación con IA
- Reconocimiento de Entidades con LLM Una Evaluación Completa
La precisión de las predicciones meteorológicas es difícil de evaluar con una simple puntuación. La temperatura promedio puede ser más importante para un usuario que la frecuencia y gravedad de las ráfagas de viento. Debido a esto, WeatherBench 2 incluye numerosas medidas. Se definieron varios criterios importantes, o métricas “principales”, para resumir el estudio de manera coherente con la evaluación estándar realizada por las agencias meteorológicas y la Organización Meteorológica Mundial.
WeatherBench 2.0 (WB2) es el estándar de oro para la predicción del tiempo basada en datos a nivel mundial. Está inspirado en todas las nuevas técnicas de IA que han surgido desde que se lanzó el primer benchmark de WeatherBench. WB2 está diseñado para imitar de cerca la evaluación de pronósticos operativos utilizada por muchos centros meteorológicos. También proporciona una base sólida para comparar métodos experimentales con estos estándares operativos.
El objetivo es facilitar operaciones eficientes de aprendizaje automático y garantizar hallazgos reproducibles al poner a disposición públicamente códigos de evaluación y datos. Los investigadores creen que WB2 se puede ampliar con métricas y líneas de base adicionales basadas en las demandas de la comunidad. El artículo ya ha sugerido varias extensiones potenciales, incluida una mayor atención a la evaluación de variables extremas e impacto a escalas finas, tal vez a través de observaciones de estaciones.
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Cómo construir un almacén de características de IA/ML con ScyllaDB NoSQL
- Crea tu propio PandasAI con LlamaIndex
- OpenAI abre las puertas a la IA empresarial
- Evolución en tu código Entendiendo y programando un algoritmo genético desde cero – Parte 1
- Este artículo de IA identifica las dinámicas populares en la autenticación de smartphones tanto a nivel comportamental como fisiológico, y su rendimiento con varios algoritmos de aprendizaje profundo y aprendizaje automático.
- Autoencoders Adversarios Acortando la brecha entre Autoencoders y GANs
- ¿Quién necesita editores de fotos?! – Tutorial masivo de manipulación de imágenes en Python