Vai al contenuto
AI.info

The Pulse

Google DeepMind apre due dataset utilizzati da WeatherNext 3

Google DeepMind ha pubblicato gli archivi storici e i flussi in tempo reale dei dataset di immagini satellitari SatWeave e di precipitazioni PARDIG. I dataset sono stati utilizzati nel modello di previsione WeatherNext 3 e sono disponibili su Google Cloud Storage.

Google DeepMind apre due dataset utilizzati da WeatherNext 3

I ricercatori e gli sviluppatori possono ora accedere ai flussi in tempo reale e agli archivi storici di due dataset utilizzati nel modello di Google per le previsioni meteorologiche WeatherNext 3. Il 13 novembre Google DeepMind ha pubblicato SatWeave, un mosaico di immagini satellitari, e PARDIG, un dataset di precipitazioni basato sull’IA.

SatWeave offre al modello una visione delle nubi e delle tempeste in evoluzione, mentre PARDIG è stato utilizzato per addestrare le sue previsioni delle precipitazioni. I dataset sono aperti all’uso nelle applicazioni meteorologiche, idrologiche e climatiche.

Combinare le immagini satellitari

SatWeave combina immagini provenienti da cinque satelliti che coprono diverse parti del globo: GOES-East, GOES-West, Meteosat 0, Meteosat Indian Ocean e Himawari. I loro sensori, formati, proiezioni cartografiche e programmi di scansione differiscono; le scansioni avvengono a intervalli che vanno dai 10 ai 30 minuti.

Il mosaico risultante copre 17 canali visibili, a vapore acqueo e infrarossi. DeepMind afferma che SatWeave si aggiorna ogni ora, consentendo a WeatherNext 3 di generare nuove previsioni globali, mentre alcuni modelli partono da dati di analisi aggiornati ogni sei ore.

L’archivio copre più di un decennio, oltre al flusso in tempo reale aggiornato ogni ora. DeepMind ha utilizzato SatWeave nelle previsioni a medio termine e vuole esplorarne altre applicazioni con ricercatori e sviluppatori, tra cui l’energia solare e il monitoraggio degli incendi boschivi.

Mappare le precipitazioni

PARDIG, abbreviazione di Precipitation AI Reanalysis: Densely Inferred GPM, utilizza un’architettura di IA simile a quella di WeatherNext 3. È stato addestrato direttamente su osservazioni radar satellitari sparse provenienti dal Global Precipitation Measurement Core Observatory della NASA, utilizzando come input le immagini di SatWeave e i campi atmosferici dell’ECMWF.

Le mappe delle precipitazioni hanno una risoluzione temporale di 15 minuti e una risoluzione spaziale di circa 10 chilometri, con una latenza media di aggiornamento di circa cinque ore. L’archivio storico copre il periodo dal 1999 al 2026 ed è in fase di pubblicazione anche un flusso in tempo reale.

DeepMind ha sviluppato il dataset anche per colmare le lacune nella copertura dei radar a terra e dei pluviometri. Si aspetta che PARDIG raggiunga un’accuratezza affidabile in tutto il mondo, anche nelle aree prive di misurazioni a terra, perché il sistema apprende direttamente dalle osservazioni satellitari.

Valutazione e accesso

Il team ha valutato PARDIG confrontandolo con reti radar negli Stati Uniti, in Europa e in Giappone, oltre che con più di 36.000 stazioni meteorologiche in tutto il mondo. Google DeepMind riferisce che PARDIG ha superato i valori di riferimento globali analizzati per diversi tassi di pioggia, comprese le stime delle precipitazioni IMERG-Final della NASA.

Per le precipitazioni da deboli a moderate, l’azienda afferma che PARDIG ha migliorato di oltre il 30% la capacità di rilevamento orario delle precipitazioni rispetto a IMERG-Final. La valutazione riportata del rilevamento orario rispetto alle reti radar a terra ha riguardato il periodo dal 2016 al 2023; DeepMind afferma inoltre che PARDIG si è dimostrato particolarmente efficace nel rilevare le precipitazioni estreme.

I dati in tempo reale e storici di entrambi i dataset sono disponibili liberamente su Google Cloud Storage. I cataloghi storici di PARDIG sono disponibili anche in Google Earth Engine.

DeepMind vuole collaborare con la comunità più ampia allo sviluppo di modelli per inondazioni, frane e siccità, in particolare nelle regioni prive di reti radar a terra capillari. Al lavoro hanno partecipato team di Google DeepMind e Google Research, in collaborazione con Google Cloud e Google Geo.

Fonte

Aziende in questa notizia

Notizie correlate

Esplora

Altri articoli