DeepMind abrió un conjunto de datos y una instantánea de modelo entrenado para modelos generativos profundos de lluvia (DGMR), un sistema de inteligencia artificial para pronósticos de precipitación a corto plazo. En evaluaciones realizadas por 58 meteorólogos expertos comparándolo con otros métodos existentes, el DGMR ocupó el primer lugar en precisión y utilidad en el 89% de los casos de prueba.
El modelo y varios experimentos se describieron en un artículo publicado en Nature. DeepMind desarrolló DGMR en colaboración con la Oficina Meteorológica del Reino Unido para realizar predicciones inmediatas: predicciones de precipitación a corto plazo y de alta resolución. Usando una técnica de aprendizaje profundo llamada modelos generativos, DGMR aprende a generar «películas de radar»: dada una serie corta de imágenes de radar de lluvia, aprende a predecir imágenes de radar futuras, prediciendo así la cantidad y ubicación de la precipitación futura. Según DeepMind:
Creemos que esta es un área de investigación apasionante y esperamos que nuestro artículo sirva como base para nuevos trabajos al proporcionar datos y métodos de verificación que hagan posible proporcionar tanto una verificación competitiva como una utilidad operativa. También esperamos que esta colaboración con Met Office promueva una mayor integración del aprendizaje automático y la ciencia ambiental, y respalde mejor la toma de decisiones en nuestro clima cambiante.
Los Nowcasts se utilizan a menudo para ayudar a la toma de decisiones en muchas áreas, como el control del tráfico aéreo y la gestión de la energía; por lo tanto, su precisión tiene implicaciones económicas y de seguridad. Los métodos actuales, como STEPS y PySTEPS, a menudo utilizan enfoques numéricos para resolver ecuaciones físicas que describen el comportamiento del clima. Estos sistemas modelan la incertidumbre de sus predicciones produciendo conjuntos de predicciones. Más recientemente, los investigadores han desarrollado modelos de aprendizaje profundo que se entrenan en conjuntos de datos de observaciones de radar; sin embargo, el equipo de DeepMind señala que estos modelos tienen una utilidad operativa limitada, ya que «no pueden proporcionar predicciones consistentes simultáneamente en múltiples agregaciones espaciales y temporales».
El modelo DGMR se basa en una red adversarial generativa condicional (GAN). La red del generador toma cuatro tramas de radar observadas como contexto y genera predicciones de salida para las siguientes 18 tramas. El generador se entrena junto con dos redes discriminadoras que aprenden a diferenciar entre datos de radar reales y datos generados; un discriminador se centra en la coherencia espacial dentro de los fotogramas y el otro en la coherencia temporal en una secuencia de fotogramas. Todo el sistema se entrena con datos históricos de observaciones de radar en el Reino Unido, desde los años 2016 a 2019. El modelo entrenado puede generar una predicción en «poco más de un segundo» usando una sola GPU NVIDIA V100.
Para evaluar el desempeño de DGMR, DeepMind lo comparó con tres modelos de referencia: PySTEPS, UNet y MetNet. Además de la clasificación general de precisión y valor, un grupo de meteorólogos expertos también evaluó las predicciones de los modelos para un solo «evento meteorológicamente desafiante». En este estudio de caso, el 93% indicó los resultados de DGMR como su primera opción. El equipo de DeepMind también evaluó los modelos en varias métricas, incluido el índice de éxito crítico (CSI), la densidad espectral de potencia (PSD) promediada radialmente y la puntuación de probabilidad clasificada continua (CRPS); en estas métricas, la DGMR comparó «competitivamente» con las líneas de base.
Los modelos de inteligencia artificial para la predicción del tiempo son un área de investigación activa. InfoQ cubrió anteriormente un modelo de inteligencia artificial para predecir cortes eléctricos causados por tormentas, así como un modelo para resolver ecuaciones diferenciales parciales, que podría usarse para modelar el clima. Google anunció recientemente MetNet-2, que «mejora sustancialmente el rendimiento» de MetNet.
En una discusión sobre DGMR en Reddit, un comentarista cuestionó la utilidad del enfoque. Otro señaló,
Básicamente, el GAN solo alucina detalles plausibles además de la predicción L1, pero el hecho es que ¡esto aún conduce a una habilidad y valor predictivos más altos! ¿Es el método realmente basura si tiene un rendimiento predictivo más alto en múltiples métricas que otras redes profundas líderes y líneas de base estadísticas? Además, hay un montón de investigación para evitar la caída del modo GAN que se puede integrar en este enfoque de línea de base. ¡Parece una forma bastante prometedora de obtener aún más rendimiento!
El modelo y el conjunto de datos de DGMR entrenado están disponibles en GitHub.