KARINA: Un modelo de aprendizaje profundo eficiente para la predicción del clima global

Los modelos basados en aprendizaje profundo y orientados a datos están ganando prevalencia en la investigación climática, particularmente para la predicción del clima global. Sin embargo, entrenar los datos climáticos globales a alta resolución requiere recursos computacionales masivos. Por lo tanto, presentamos un nuevo modelo llamado KARINA para superar las demandas computacionales sustanciales típicas de este campo. Este modelo logra una precisión en las predicciones comparable a la de sus contrapartes de mayor resolución utilizando significativamente menos recursos computacionales, requiriendo solo 4 GPUs NVIDIA A100 y menos de 12 horas de entrenamiento. KARINA combina ConvNext, SENet y Geocyclic Padding para mejorar la predicción del clima a una resolución de 2.5, lo que podría filtrar el ruido de alta frecuencia. Geocyclic Padding preserva píxeles en el límite lateral de la imagen de entrada, manteniendo así la continuidad del flujo atmosférico en la Tierra esférica. SENet mejora dinámicamente la respuesta de características, avanzando en la modelización de procesos atmosféricos, particularmente en el proceso de columna vertical como numerosos canales. En esta línea, KARINA establece nuevos estándares en precisión de predicción del clima, superando modelos existentes como las re-predicciones S2S de ECMWF en un tiempo de anticipación de hasta 7 días. Notablemente, KARINA logró un rendimiento competitivo incluso en comparación con modelos desarrollados recientemente (Pangu-Weather, GraphCast, ClimaX y FourCastNet) entrenados con datos de alta resolución que tienen píxeles 100 veces más grandes. En conclusión, KARINA avanza significativamente la predicción del clima global al modelar de manera eficiente la atmósfera de la Tierra con mejor precisión y eficiencia de recursos.