Este artículo aborda la cuestión de la estabilidad de los pronósticos a largo plazo utilizando modelos meteorológicos a gran escala (LWM). Los modelos existentes, como SFNO y DLWP-HPX, logran pronósticos estables a largo plazo transformando los datos de entrada en dominios espaciales no estándar, como funciones armónicas esféricas o mallas HEALPix. Esto se ha considerado esencial para la consistencia física y la estabilidad a largo plazo. En este artículo, cuestionamos esta suposición e investigamos si se puede lograr un rendimiento similar en los pronósticos a largo plazo en una malla estándar de latitud y longitud. Para ello, proponemos AtmosMJ, una red neuronal convolucional profunda que procesa directamente los datos de ERA5. AtmosMJ utiliza un novedoso mecanismo de Fusión Residual Controlada (GRF) para evitar la acumulación de errores y garantizar la estabilidad en simulaciones recursivas a largo plazo. Los resultados experimentales demuestran que AtmosMJ genera pronósticos estables y físicamente plausibles para aproximadamente 500 días, y es competitivo con modelos como Pangu-Weather y GraphCast en cuanto a precisión de pronóstico a 10 días. Cabe destacar que estos resultados se obtuvieron en un breve tiempo de entrenamiento de 5,7 días con una GPU V100. En conclusión, este artículo sugiere que un diseño de arquitectura eficiente, en lugar de representaciones de datos no estándar, es clave para garantizar la estabilidad y la eficiencia computacional de la predicción meteorológica a largo plazo.
