Investigadores del Instituto de Tecnología de Karlsruhe (KIT) avanzan en el mapeo de la precipitación con aprendizaje profundo para mejorar la resolución espacial y temporal.
Avances en el mapeo de la precipitación con aprendizaje profundo por investigadores del Instituto de Tecnología de Karlsruhe (KIT) para mejorar la resolución espacial y temporal.
Debido al cambio climático, se espera que los eventos climáticos extremos, especialmente las fuertes precipitaciones, sean más frecuentes. Muchos desastres naturales, como inundaciones o deslizamientos de tierra, son causados directamente por las precipitaciones extremas. Se utilizan con frecuencia modelos basados en la predicción del clima. Los modelos climáticos existentes deben mejorar su capacidad para representar con precisión los fenómenos atmosféricos altamente variables. Los investigadores esperan que el aumento de las temperaturas promedio provoque eventos de precipitación extrema más frecuentes.
Los investigadores del Instituto de Tecnología de Karlsruhe (KIT) han aprovechado el poder de la inteligencia artificial (IA) para mejorar la precisión de los mapas de precipitación gruesa generados por los modelos climáticos globales.
Los investigadores enfatizaron que este modelo acortó la resolución temporal de los campos de precipitación de una hora a diez minutos, y se aumentó la resolución espacial de 32 a dos kilómetros. Dijeron que una mayor resolución es necesaria para predecir la ocurrencia futura de eventos locales de precipitación intensa y los consiguientes desastres naturales.
- 12 principales modelos de IA generativa para explorar en 2024
- Cómo construir una aplicación de asistente de inteligencia artificial de Google Meet en 10 minutos con Unbody y Appsmith
- Medidas de ciberseguridad para prevenir la contaminación de datos
Este método implica la aplicación de una red neuronal generativa, específicamente una Red Generativa Adversarial (GAN), una forma de IA. Esta GAN se entrena utilizando datos de precipitación de radar de alta resolución, lo que le permite aprender y imitar campos de precipitación realistas con resoluciones espaciales y temporales significativamente más altas.
Los modelos climáticos globales existentes utilizan una cuadrícula que carece del detalle fino necesario para capturar la variabilidad de la precipitación con precisión. Además, la producción de mapas de precipitación altamente resueltos tradicionalmente requiere modelos computacionalmente costosos, lo que conduce a limitaciones espaciales o temporales.
Según los investigadores, esta es la razón para desarrollar la GAN, una red neuronal generativa basada en IA entrenada utilizando campos de precipitación de radar de alta resolución. De esta manera, a partir de datos resueltos de manera gruesa, la GAN aprende cómo producir campos de precipitación realistas y determinar su secuencia temporal.
En comparación con la interpolación trilineal y una red neuronal convolucional clásica, el modelo generativo reconstruye la distribución de valores extremos dependiente de la resolución con alta habilidad. Mostró un alto puntaje de habilidad de fracciones de 0.6 en intensidades de lluvia superiores a 15 mm h−1 y un sesgo relativo bajo del 3.35%.
Según los investigadores, su enfoque produce un conjunto de diversos posibles campos de precipitación. Esto es significativo porque para cada campo de precipitación resuelto de manera gruesa existen numerosas soluciones físicamente posibles y altamente resueltas.
Explicaron que la mayor resolución de los eventos de precipitación simulados con este método permitirá una mejor estimación de los impactos que las condiciones climáticas que causaron las inundaciones del río Ahr en 2021 habrían tenido en un mundo más cálido por 2 grados.
En conclusión, este modelo ofrece una solución para mejorar la precisión de los modelos climáticos globales en la predicción de la precipitación. Este avance contribuye a pronósticos climáticos más precisos. Tiene el potencial de comprender mejor y prepararse para las consecuencias de eventos climáticos extremos frente a un clima cambiante.
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
- 6 Consejos Probados para Hacer Que Tu Aplicación de Aprendizaje Automático Destaque
- Hacia la IA General el papel de LLMs y Modelos Fundamentales en la Revolución del Aprendizaje de por Vida
- Muestreo especulativo explicado de manera intuitiva y exhaustiva
- Resumen semanal de IA de ODSC semana del 15 de diciembre
- Mejorando el razonamiento de LLM Desvelando la cadena de código que lo provoca
- Vectores de eliminación en tablas Delta acelerando las operaciones en Databricks
- Este artículo de IA presenta EdgeSAM Avanzando el aprendizaje automático para la segmentación de imágenes de alta velocidad y eficiente en dispositivos periféricos.