Pronóstico del tiempo: foco en lo esencial exprés
La atmósfera es un sistema caótico, y un pronóstico detallado para todo el planeta requiere una potencia de cálculo colosal. StretchCast esquiva este problema funcionando como el ojo humano: crea una «visión nítida» sobre la región elegida con una cuadrícula finísima, mientras ve al resto del mundo borroso, pero lo suficiente para captar las conexiones globales.
El modelo se entrenó con un archivo de observaciones de 25 años, donde el sol calienta los océanos, la humedad se evapora y nacen los vientos. Una cuadrícula de solo 8.000 celdas (cientos de veces menos que en los modelos habituales) cubre el planeta y reproduce con precisión los tifones, uniendo suavemente los pronósticos en los límites de las zonas. El caos atmosférico es entropía, una medida del desorden, y la resolución variable evita que la basura computacional ahogue el cálculo.
El enfoque no es nuevo: ya en los años 40, John von Neumann soñaba con la predicción numérica del tiempo. Hoy, StretchCast demuestra que los pronósticos regionales detallados son factibles incluso sin supercomputadoras: es un ojo atento para cada rincón de la Tierra.
Resumen original
tal como lo escribieron los autores, en inglés arXiv:2603.27288
Global AI weather forecasting still relies mainly on uniform-resolution models, making it hard to combine regional refinement, two-way regional-global coupling, and affordable training cost. We introduce StretchCast, a global-regional AI forecasting framework built on a variable-resolution stretched cubed-sphere (SCS) mesh that preserves a closed global domain while concentrating resolution over a target region. Within this framework, we develop a one-step predictor, SCS_Base Model, and a rollout-oriented multistep predictor, SCS_FCST4 Model, to test the feasibility of SCS-based forecasting and the benefit of joint multistep training. Experiments use ERA5 with 69 variables over 1998-2022. Because training compute remains limited, this study uses a coarse-resolution proof-of-concept configuration rather than a final high-resolution system. Even with only about 7,776 effective global grid cells and roughly 0.875 degree resolution over the center-refined face, the 23M-parameter SCS_Base Model yields stable multivariate forecasts. With 83M parameters and training cost on the order of hours, SCS_FCST4 Model delivers competitive medium-range anomaly-correlation evolution over the target region after unified reprojection, especially for geopotential height, specific humidity, and part of the lower-tropospheric winds, while maintaining smooth cross-face continuity and realistic multiscale structure in typhoon and spectral analyses. These results support StretchCast as a practical lightweight foundation for global-regional AI weather forecasting.
Para cubrir la Tierra sin distorsión en los polos, StretchCast usa una cuadrícula similar a la de un balón de fútbol: paneles de distintos tamaños.