Los modelos climáticos globales son efectivos para captar tendencias generales, pero las extremas locales, como huracanes y tifones, a menudo se pierden en los detalles. Sin embargo, estos patrones aún están presentes; solo se necesitan las herramientas adecuadas para desbloquearlos en datos climáticos de alta resolución.
Utilizando NVIDIA Earth-2, este artículo muestra cómo reducir proyecciones climáticas gruesas a campos de alta resolución y corregidos por sesgo, revelando detalles locales que no se resuelven en los datos originales.
Importancia de reducir las proyecciones climáticas para la evaluación de riesgos
Las proyecciones de alta resolución son esenciales para evaluar riesgos climáticos físicos, influyendo en decisiones que van desde la planificación de infraestructuras hasta la adaptación agrícola. No obstante, ejecutar modelos globales a resolución fina es computacionalmente prohibitivo, requiriendo recursos significativos de computación, almacenamiento y tiempo.
El Proyecto de Intercomparación de Modelos Acoplados, Fase 6 (CMIP6) proporciona las proyecciones climáticas globales más utilizadas, pero sus resultados a menudo son demasiado gruesos para captar eventos climáticos efímeros, como ciclones tropicales o calor extremo.
El tamaño pequeño de los conjuntos de simulaciones agrava el problema. Cuando solo hay unas pocas simulaciones disponibles, se pueden perder eventos raros pero extremos, disminuyendo la fiabilidad de las estimaciones de riesgos. Muchos flujos de trabajo meteorológicos se basan en ERA5, un conjunto de datos de reanálisis. Las salidas de CMIP6 a menudo difieren en cuadrícula, cadencia, niveles de presión y definiciones de variables, creando una brecha entre las proyecciones disponibles y las necesidades de evaluación de riesgos climáticos.
CorrDiff: Transformando proyecciones climáticas
NVIDIA Earth-2 ofrece una plataforma integral para construir y desplegar aplicaciones climáticas y meteorológicas impulsadas por inteligencia artificial. CorrDiff, un modelo dentro de este ecosistema, reemplaza simulaciones de alta resolución que requieren muchos recursos y tiempo con un modelo de reducción generativa que transforma la salida gruesa de CMIP6 en campos de alta resolución.
CorrDiff realiza transformaciones de datos climáticos fundamentales, incluyendo la reducción espacial y temporal, corrección de sesgos y síntesis de variables, entrenando para mapear salidas de modelos climáticos sesgados a reanálisis restringidos por observaciones, como ERA5.
Este artículo te guiará a través del entrenamiento de CorrDiff para la reducción de CMIP6 paso a paso, incluyendo la selección y configuración de datasets.
Datos de entrada y objetivo para el entrenamiento de CorrDiff
Entrenar a CorrDiff requiere conjuntos de datos de entrada de baja resolución y de objetivo de alta resolución que cubran el mismo período y evolución del clima. Necesitarás un modelo de clima asimilado por observación para el entrenamiento. Las simulaciones climáticas que no están alineadas con patrones observados no son efectivas.
Usando hindcasts asimilados de CanESM5 como entrada
Esta guía utiliza datos del modelo climático CanESM5. La salida está en una cuadrícula global de 64×128 a aproximadamente 2.8° de resolución (~300 km en el ecuador). Esto captura patrones climáticos a gran escala, pero es demasiado grueso para resolver las características más finas necesarias para la evaluación de riesgos climáticos.
Selecciona datos que equilibren la disponibilidad a través de escenarios históricos y futuros, con una resolución temporal cercana a la salida horaria de ERA5, y cobertura vertical. Es importante incluir variables a niveles de presión para describir el estado atmosférico en 3D.
Utilizarás datos diarios de las corridas de hindcast asimiladas de CanESM5 (experiment_id: dcppA-assim). Estas corridas utilizan ERA-Interim para mantener la circulación a gran escala de CanESM5 alineada con el clima observado.
ERA5 como el objetivo de alta resolución
El conjunto de datos objetivo es ERA5, que proporciona datos horarios a 0.25° de resolución (~31 km en el ecuador) en una cuadrícula de 721×1440. Con una cobertura integral de variables, es un objetivo estándar para muchos modelos meteorológicos de IA.
La salida de CorrDiff incluye las mismas variables que HENS, además de la temperatura de la superficie del mar (SST). Los valores faltantes de SST sobre tierra se rellenan utilizando una interpolación de vecino más cercano suavizada para evitar valores faltantes y gradientes artificiales en las costas.
Entrenamiento y evaluación de CorrDiff
Entrenar a CorrDiff implica cinco pasos: carga de datos, configuración del modelo, entrenamiento de regresión, evaluación de regresión y entrenamiento de difusión. Todo el proceso requiere decenas de horas de GPU para conjuntos de datos pequeños o alrededor de 2,000 horas de GPU para conjuntos más grandes.
Para más detalles sobre el proceso y para comenzar a usar Earth2Studio, que incluye un wrapper para CorrDiff y un conjunto de datos CMIP6 que se descarga automáticamente desde servidores ESGF.
