AceCAST 5: novedades
AceCAST 5 ya está disponible. Esto es lo que ha cambiado: WRF 4.8, cuatro actualizaciones de física y cuatro salidas nuevas del modelo.
En mayo de 2022, TempoQuest describió un Hybrid Weather Twin (gemelo meteorológico híbrido): modelos meteorológicos basados en la física combinados con aprendizaje automático. En qué destaca cada tipo de modelo y dónde se usa hoy esa combinación.

Un responsable de ciencia de datos que necesita pronósticos meteorológicos tiene hoy dos tipos de modelo entre los que elegir. Los modelos basados en la física resuelven las ecuaciones de la atmósfera y consumen mucho cómputo. Los modelos de aprendizaje automático producen un pronóstico con rapidez una vez entrenados, pero solo saben lo que les enseñaron sus datos de entrenamiento. La mayoría de los equipos acaba necesitando ambos. En mayo de 2022, TempoQuest describió un concepto al que llamó Hybrid Weather Twin (gemelo meteorológico híbrido), que combina modelos basados en la física con aprendizaje automático. Este artículo retoma la idea: qué se propuso, en qué destaca cada tipo de modelo y dónde se usa realmente hoy esa combinación.
Un gemelo digital es una réplica digital de un sistema físico, que se mantiene al día con mediciones del sistema real. El artículo de 2022 aplicó el término a la meteorología. Su gemelo híbrido emparejaba un modelo de pronóstico basado en la física con modelos basados en datos, entrenados con observaciones.
El concepto situaba el aprendizaje automático en tres puntos de la cadena de pronóstico:
También usaba la palabra «híbrido» para la infraestructura: CPU y GPU, nube e instalaciones propias, datos públicos y privados. El diagrama siguiente procede de aquel artículo.

El Hybrid Weather Twin era un concepto, no un producto.
Los modelos basados en la física parten de las leyes del movimiento y de la termodinámica. Sus puntos fuertes:
Su costo es el cómputo, y las mallas finas necesitan mucho.
Los modelos de aprendizaje automático aprenden patrones a partir de datos históricos. Sus puntos fuertes:
Su límite son los datos de entrenamiento. Un modelo entrenado con registros de baja resolución o de corta duración no puede producir un detalle ni unos extremos que nunca ha visto.
Por eso los dos enfoques se complementan. El modelo físico puede generar los datos detallados y coherentes que necesita el modelo de aprendizaje. El modelo de aprendizaje puede corregir el modelo físico frente a las observaciones.
Estos son tres ejemplos actuales.
El detalle de una malla fina no es prueba de la calidad del pronóstico. Vea cómo evaluar un pronóstico, incluida una comparación histórica acotada con observaciones de lidar.
La lección para cualquier sistema híbrido está en ese par de resultados. La combinación superó a la referencia allí donde la ejecución de malla fina por sí sola no lo hizo, y solo la evaluación frente a observaciones lo puso de manifiesto.
Toda combinación necesita un árbitro. La verificación estándar evalúa un pronóstico frente a estaciones, lidar o radar, con medidas como el sesgo, el error absoluto medio y la raíz del error cuadrático medio. Por otra parte, TempoQuest está desarrollando una herramienta de verificación de pronósticos, la Forecast Verification Tool, diseñada para mejorar la verificación de los pronósticos meteorológicos.

AceCAST 5 ya está disponible. Esto es lo que ha cambiado: WRF 4.8, cuatro actualizaciones de física y cuatro salidas nuevas del modelo.

Aerava ejecuta un modelo meteorológico alrededor del emplazamiento que usted marque y contrasta el resultado con sus propios límites de tormenta, viento y corte de aerogenerador. Aquí se explica qué puede ejecutar hoy, cuánto cuesta y qué dice Aerava sobre la exactitud.

Una prueba comparativa (benchmark) publicada en 2023 y dos precios de lista de Azure, calculados línea por línea: cuánto cuesta una VM de GPU frente a una VM de CPU y frente a dieciséis, y qué dejan fuera las cuentas.
Su pronóstico
Cuéntenos a qué decisión debe servir. Un formulario breve basta para llegar al equipo, y revisamos todas las solicitudes.