La predicción numérica del tiempo está demostrando cada vez más su valor para salvar vidas y proteger propiedades en sociedades particularmente vulnerables a fenómenos climáticos extremos. Estos extremos se vuelven más intensos bajo la influencia del cambio climático, lo que lo hace cada vez más importante para una mejor predicción numérica del tiempo. Una forma de mejorar la habilidad de la predicción numérica del tiempo es aumentar los algoritmos y modelos basados en la física con el poder de los modelos de aprendizaje automático (ML) y de inteligencia artificial (IA) alimentados por innumerables mediciones de sensores conectados (satélites, radar, lidar, radiómetros, etc.) impulsadas por sensores remotos in situ e Internet de las cosas (IoT).
El término Gemelo Digital se utiliza para referirse a la réplica digital de un sistema o activos físicos, derivada de datos de la vida real recopilados utilizando varios tipos de sensores y tecnologías de monitoreo del activo mientras está en funcionamiento. A menudo significa que se construye un modelo analítico basado en datos (es decir, el gemelo) para analizar, actualizar, predecir y/o gestionar la operación en el desempeño de su contraparte física.
El aprendizaje automático y la inteligencia artificial ofrecen predicciones basadas en el pasado y automatizan el razonamiento basado en datos históricos. Funciona muy bien para la predicción inmediata; sin embargo, con un reentrenamiento integral, incremental y multifacético, es posible predecir el futuro con certeza cuantificable.
Los sistemas meteorológicos son altamente no lineales, lo que significa que un pequeño cambio ahora puede generar cambios increíblemente grandes en el futuro. Un sistema no lineal no es aleatorio, pero el comportamiento del sistema puede ser difícil de predecir. Los pronósticos a mediano y largo plazo, en particular el cambio climático, se basan en los primeros principios de las leyes de la física. Sólo los modelos y algoritmos basados en la física pueden predecir nuevas relaciones causa-efecto cuando hay pocos datos disponibles para inicializar el modelo de pronóstico y cuando pueden aparecer nuevas condiciones iniciales.
El objetivo de TQI es pasar de la previsión acelerada basada en la física a la previsión aumentada sin pasar por los cálculos que consumen mucho tiempo y que utilizan algoritmos basados en la física. Esto significa agregar modelos predictivos generados por ML y aprendizaje profundo (DL) para replicar las leyes físicas codificadas en AceCAST. TQI ha adoptado un enfoque novedoso llamado Clima híbrido gemelo (HWT) para todos sus productos y servicios, que es la combinación de modelado basado en física y datos para la toma de decisiones. El primero construye relaciones de causa y efecto para explorar la posibilidad de eventos futuros, basándose en descripciones teóricas y variaciones de las condiciones iniciales, mientras que el segundo actualiza el modelo híbrido con las observaciones reales. HWT de TQI aprovecha los beneficios de la velocidad y el rendimiento con la combinación de un gemelo digital con el modelo predictivo acelerado basado en la física y el moderno modelo de entrenamiento descargado basado en ML/DL que aprovecha al máximo la tecnología analítica de datos meteorológicos contemporánea disponible.
La siguiente figura describe la arquitectura conceptual de HWT. Una característica distintiva es que “híbrido”se aplica en diferentes niveles:
- Nodo de cómputo: CPU y GPU
- Implementación: nube pública y privada bajo demanda, local
- Fuentes de datos: datos cuadriculados, datos de observación, datos privados
- Modelos de asimilación/predicción: basados en la física y ML/IA
Una imagen de la arquitectura conceptual de Hybrid Weather Twin.
TQI utilizará métodos ML/DL en varios niveles. Primero, en el nivel de preprocesamiento para mejorar la simplificación, mejora y asimilación de datos. Al localizar automáticamente eventos de alto impacto, podemos utilizar preferentemente esos datos en el proceso de asimilación. En segundo lugar, reemplazar las costosas rutinas computacionales de primeros principios con modelos sustitutos creados con ML/DL. En tercer lugar, en el posprocesamiento, se detectan automáticamente las variables, patrones y valores atípicos más importantes.
Este enfoque HWT se basa en la combinación y complementariedad de modelos basados en teoría y modelos basados en ML/DL y es más potente y eficiente cuando ambos tipos de modelos se ejecutan en la misma plataforma GPU. Con el software de pronóstico meteorológico AceCAST, tanto el solucionador de ecuaciones diferenciales parciales como ML/DL se ejecutan en GPU, lo que permite pronósticos personalizados hiperlocales rápidos.
La mayor resolución de AceCAST (el componente basado en física de HWT) mejora directamente la capacidad de los modelos para simular eventos extremos a pequeña escala y permite que la información de las observaciones se asimile mejor en el momento inicial. Al hacerlo, esto reduce la dependencia de los modelos de procesos parametrizados inexactos, lo que reduce los errores sistemáticos.
HWT incorpora ML y DL para mejorar automática y continuamente sus modelos dinámicos, reducir los sesgos locales de las simulaciones científicas y acelerar la entrega de información.
Como atajo, los modelos basados en la física definen el gemelo virtual y los modelos ML/DL el gemelo digital. El Hybrid Weather Twin es la combinación de los dos y ofrece una oportunidad sin explotar para mejorar las habilidades de predicción meteorológica y climática a un nuevo nivel de precisión.
HWT es la plataforma innovadora de TQI para proporcionar inteligencia de pronóstico del tiempo mejor, más rápida y más barata y para construir sistemas de toma de decisiones para gestionar el impacto meteorológico y climático en la economía.
Siga a TempoQuest en nuestras cuentas de LinkedIn, Facebook y Twitter para obtener actualizaciones adicionales. Esperamos continuar compartiendo nuestras últimas noticias y colaboraciones con usted.
LinkedIn: https://www.linkedin.com/company/tempoquest-inc Facebook de TempoQuest: https://www.facebook.com/TempoQuestInc Twitter de TempoQuest: https://twitter.com/tempoquestCª
