Resumen Técnico: PEAR - Predicción Meteorológica de Área Igual en la Esfera

Declaración del Problema

La inteligencia artificial ha avanzado rápidamente en la predicción meteorológica, con modelos como Pangu-Weather y GraphCast superando a los métodos numéricos tradicionales en predicciones globales de rango medio. Sin embargo, persiste una limitación crítica: la mayoría de los modelos basados en datos dependen de discretizaciones equiangulares de la esfera (rejillas de latitud-longitud o gaussianas). Estas rejillas sufren de resolución no uniforme, donde las celdas de la rejilla se vuelven significativamente más pequeñas cerca de los polos en comparación con el ecuador. Esta distorsión geométrica introduce sesgos no físicos y artefactos en los modelos basados en aprendizaje, ya que la densidad de muestreo varía arbitrariamente en todo el globo.

Aunque la rejilla de Pixelización Iso-Latitudinal de Área Igual Jerárquica (HEALPix) ofrece una solución al garantizar que cada píxel cubra exactamente la misma área superficial, los intentos anteriores de utilizarla en la predicción meteorológica han sido limitados. Algunos modelos proyectan los datos sobre rejillas planas, mientras que otros utilizan HEALPix solo para el preprocesamiento, requiriendo codificadores/decodificadores aprendibles para mapear entre representaciones equiangulares y HEALPix. Este artículo aborda la necesidad de un modelo que opere nativamente en la rejilla HEALPix para eliminar estos sesgos no físicos y alinearse con las simetrías inherentes de la esfera.

Metodología

Los autores proponen PEAR (Pangu Equal Area), un modelo de predicción meteorológica basado en transformadores diseñado para operar enteramente en la rejilla HEALPix sin proyecciones intermedias.

Datos y Configuración

• Conjunto de Datos: El modelo se entrena en el conjunto de datos ERA5-Lite, un subconjunto de los datos completos de reanálisis ERA5 (2007–2017), remuestreado a la rejilla HEALPix con $n_{side} = 64$. Esta resolución satura la resolución angular de los datos ERA5 equiangulares disponibles.
• Entrada/Salida: La tarea es un problema de regresión que predice el estado meteorológico global en $t + \Delta t$ (24 horas) dado el estado en $t$. Las entradas incluyen variables de superficie (viento, temperatura, presión) y variables de la atmósfera superior (viento, temperatura, humedad, geopotencial) en 13 niveles verticales.
• Arquitectura: PEAR utiliza una arquitectura de transformador volumétrico adaptada para el dominio esférico:
  • Incrustación de Parches: Utiliza convoluciones 1D y 2D para incrustar las variables de superficie y superiores, respectivamente.
  • Atención Ventanada: Aprovecha la estructura jerárquica anidada de HEALPix para dividir la esfera en ventanas contiguas. A diferencia de Pangu-Weather, PEAR utiliza una incrustación posicional relativa aprendida simplificada compartida entre ventanas, capitalizando la naturaleza de área igual de la rejilla.
  • Ventanas Desplazadas: Para propagar información entre ventanas disjuntas, el modelo emplea una estrategia de desplazamiento de anillo (adaptada de HEAL-SWIN) a lo largo de las direcciones esféricas y un desplazamiento simple en la dirección vertical.
  • Atención Enmascarada: Debido a la naturaleza cíclica del desplazamiento de anillo y las regiones polares, se implementa un mecanismo de enmascaramiento para prevenir la atención entre vóxeles espacialmente disjuntos (por ejemplo, aquellos que saltan del Polo Norte al Polo Sur).
  • Submuestreo/Sobremuestreo: La estructura jerárquica de HEALPix permite un submuestreo eficiente (fusionando 4 píxeles vecinos) y un sobremuestreo (dividiendo un píxel en cuatro) mediante remodelado de tensores, evitando interpolaciones complejas.

Contribuciones Clave

1. Modelado Nativo HEALPix: PEAR es el primer modelo de predicción meteorológica basado en aprendizaje que opera enteramente en la rejilla HEALPix, eliminando la necesidad de pesos espaciales en las funciones de pérdida y removiendo los sesgos no físicos asociados a las rejillas equiangulares.
2. Eficiencia Arquitectónica: El modelo logra ningún sobrecosto computacional en comparación con un modelo equivalente que se ejecuta en una rejilla equiangular tradicional. La estructura jerárquica de HEALPix permite una implementación eficiente del submuestreo y la atención ventanada.
3. Superioridad en el Rendimiento: PEAR supera a su contraparte equiangular (Pangu) y a otras líneas base de última generación (GraphCast, FengWu) en diversas variables y horizontes de pronóstico, a pesar de tener menos parámetros entrenables que Pangu.
4. Verificación de Equivarianza: Los autores verifican que el muestreo diario (ERA5-Lite) no degrada las propiedades de equivarianza aprendidas por el modelo bajo rotación, confirmando la robustez del enfoque.
5. Emulación Climática: La arquitectura demuestra un rendimiento competitivo en la emulación de Modelos del Sistema Terrestre (ESM) a través de múltiples modelos climáticos, superando a las líneas base UNet en la predicción de precipitaciones.

Resultados Experimentales

• Precisión del Pronóstico: Evaluado en el conjunto de datos ERA5-Lite con horizontes de pronóstico de hasta 10 días, PEAR logra consistentemente puntuaciones más altas del Coeficiente de Correlación de Anomalías (ACC) que FengWu, GraphCast y Pangu en variables de superficie y de niveles superiores.
  • Por ejemplo, con un tiempo de adelanto de 9 días para la temperatura de superficie (t2m), PEAR logra un ACC de 0.439, superando a GraphCast (0.384) y FengWu (0.350).
• Eficiencia: PEAR tiene 4.3 millones de parámetros entrenables, comparable a GraphCast pero significativamente menor que Pangu (11.3M) y FengWu (14.3M). El tiempo de inferencia es de 17 ms, más rápido que Pangu (25 ms), GraphCast (27 ms) y FengWu (98 ms).
• Equivarianza: Los experimentos que comparan modelos entrenados en intervalos de muestreo de 24 horas frente a 2 horas muestran que el conjunto de datos ERA5-Lite de 24 horas es suficiente para aprender la equivarianza rotacional. Los patrones de error se alinean con la simetría de la rejilla HEALPix (alcanzando su máximo en rotaciones de 45°), confirmando la influencia estructural de la rejilla.
• Modelado Climático: En tareas de emulación de modelos climáticos utilizando el conjunto de datos ClimateSet, PEAR (4.3M de parámetros) supera a una línea base UNet (18.3M de parámetros) en 13 de 15 modelos climáticos para el RMSE general y logra el RMSE de precipitación más bajo en 8 de 15 modelos.

Significado y Afirmaciones

El artículo afirma que la rejilla HEALPix es la rejilla nativa físicamente apropiada para la predicción meteorológica basada en aprendizaje. Al eliminar las distorsiones geométricas de las rejillas equiangulares, PEAR demuestra que el modelado de área igual conduce a un rendimiento predictivo superior sin sacrificar la eficiencia computacional.

Los autores destacan que, a medida que las fuentes de datos de próxima generación (como la iniciativa Destination Earth del ECMWF) avanzan hacia datos nativos HEALPix de alta resolución, modelos como PEAR son esenciales para aprovechar estos datos de manera eficiente. El trabajo sugiere que este enfoque podría mejorar la predicción de fenómenos meteorológicos extremos y proporciona una base para futuras investigaciones sobre modelos climáticos globales más precisos y libres de sesgos. Los autores mantienen una postura modesta, reconociendo limitaciones como el uso de ERA5-Lite (en lugar de ERA5 completo) debido a restricciones de cómputo y las limitaciones inherentes de los modelos basados en datos en cuanto a la estabilidad a largo plazo y las leyes de conservación física.