English subtitles: https://youtu.be/DMTB5pqXtDE
AI / INTERMEDIO
EARTH-2
VÍDEO
NVIDIA Earth-2: predecir el clima con Inteligencia Artificial
Introducción a NVIDIA Earth-2 y a cómo la IA puede analizar variables atmosféricas para simular la evolución del tiempo y generar predicciones meteorológicas.
VÍDEO
Cómo aprende una IA: entrenamiento vs. inferencia
Explicación sencilla de cómo un modelo de Machine Learning aprende a partir de datos, ajusta sus pesos mediante el error y después utiliza ese conocimiento para realizar nuevas predicciones.
English subtitles: https://youtu.be/xmS5x2MNyGY
VÍDEO
CorrDiff: IA para crear predicciones meteorológicas con más detalle
Cómo NVIDIA utiliza CorrDiff para transformar predicciones de baja resolución en estimaciones mucho más detalladas de variables como viento, temperatura y precipitaciones.
English subtitles: https://youtu.be/OybC4fWpzzk
VISUAL
VÍDEO
StormCast: cómo la IA predice la evolución del tiempo
Explicación visual de cómo StormCast de NVIDIA utiliza variables atmosféricas como temperatura, humedad, presión y viento para estimar cómo evolucionará el tiempo hora a hora.
English subtitles: https://youtu.be/P9bl76eBFxk
DIAGRAMA
flowchart TB
A["Fuentes de datos<br/>Históricos · Simulaciones · Observaciones"]
B["Variables atmosféricas<br/>Temperatura · Viento · Humedad · Presión"]
subgraph T["Entrenamiento"]
T1["El modelo aprende patrones"]
T2["Compara con datos de referencia"]
T3["Calcula el error"]
T4["Ajusta sus pesos"]
end
C["Modelo entrenado"]
subgraph I["Inferencia"]
I1["Nuevo estado atmosférico"]
I2["CorrDiff<br/>Más detalle espacial"]
I3["StormCast<br/>Evolución temporal"]
end
D["Predicciones y escenarios<br/>Tiempo · Clima · Contaminación · Energía"]
subgraph V["Validación"]
V1["Comparación con observaciones reales"]
V2["Error e incertidumbre"]
V3["Mejora del modelo"]
end
A --> B
B --> T1
T1 --> T2
T2 --> T3
T3 --> T4
T4 --> C
C --> I1
I1 --> I2
I1 --> I3
I2 --> D
I3 --> D
D --> V1
V1 --> V2
V2 --> V3
V3 -. Reentrenamiento .-> T1
classDef source fill:#eef6ff,stroke:#5b9bd5,stroke-width:2px,color:#111;
classDef train fill:#eef9ee,stroke:#70ad47,stroke-width:2px,color:#111;
classDef model fill:#111111,stroke:#76b900,stroke-width:2px,color:#ffffff;
classDef infer fill:#f4f0ff,stroke:#8e63ce,stroke-width:2px,color:#111;
classDef output fill:#fff7e8,stroke:#d6a23c,stroke-width:2px,color:#111;
classDef valid fill:#fff0f0,stroke:#d66a6a,stroke-width:2px,color:#111;
class A,B source;
class T1,T2,T3,T4 train;
class C model;
class I1,I2,I3 infer;
class D output;
class V1,V2,V3 valid;PUNTOS CLAVE
- ◆Entrenamiento ≠ inferencia.
- ◆CorrDiff aporta detalle espacial.
- ◆StormCast añade evolución temporal.
- ◆Una predicción debe contrastarse con datos reales.
INFORMACIÓN
¿Por qué utilizar IA?
Las simulaciones físicas tradicionales siguen siendo fundamentales. Los modelos de IA ofrecen otra herramienta para acelerar determinados cálculos, generar escenarios y trabajar con grandes cantidades de información atmosférica.
VISUAL
VÍDEO
El caso de Manchester: IA para predecir la contaminación del aire
Descubre cómo investigadores de la Universidad de Manchester utilizan NVIDIA Earth-2, CorrDiff y StormCast para generar mapas de contaminación, estudiar su evolución en el tiempo y explorar posibles escenarios futuros.
ENGLISH: https://youtu.be/h1k56OsZqfs
VÍDEO