L’uragano Florence visto dalla Stazione Spaziale Internazionale
Le grandi aziende hanno introdotto una nuova generazione di modelli meteorologici basati sull’apprendimento automatico.
Questi modelli sfidano i metodi di previsione fisici consolidati, perfezionati nel corso di decenni.
Ma quanto sono efficaci questi modelli di apprendimento automatico?
Il tempo è un aspetto significativo della vita britannica, dati i frequenti e drammatici cambiamenti nelle condizioni atmosferiche.
Previsioni meteorologiche precise sono cruciali per la pianificazione quotidiana, ma previsioni accurate di eventi meteorologici gravi sono ancora più importanti per gli aggiustamenti comportamentali, le misure di salvataggio e la mitigazione dei danni alle proprietà.
Il valore economico globale di previsioni meteorologiche accurate è incommensurabile, ma innegabilmente sostanziale.
Secondo la NOAA (National Oceanic and Atmospheric Administration), solo negli Stati Uniti, concentrandosi sui disastri meteorologici che superano i $ 1 miliardi (£ 740 milioni) di danni, l’impatto del 2024 ha raggiunto i $ 182 miliardi, con 568 vittime.
Dal 1980, il danno totale supera quasi i 3 trilioni di dollari.
Nel Regno Unito, le ondate di calore del 2024 hanno provocato 1.311 decessi in eccesso.
Uno studio di London Economics, esterno ha stimato che il Met Office genera 56 miliardi di sterline di benefici economici per il Regno Unito in un decennio attraverso i servizi meteorologici.
Estrapolando questo a livello globale, con una popolazione in crescita che deve affrontare condizioni meteorologiche sempre più estreme a causa dei cambiamenti climatici, le previsioni meteorologiche rappresentano un settore importante.
Gestione delle ondate di calore
Le previsioni tradizionali si basano su alcuni dei supercomputer più potenti al mondo; il contratto di supercalcolo del Met Office è valutato 1,2 miliardi di sterline.
Questo investimento fornisce una macchina in grado di effettuare 60 quadrilioni (60.000.000.000.000.000) di calcoli al secondo, eseguendo un modello basato sulla fisica con oltre un milione di righe di codice e utilizzando 215 miliardi di osservazioni meteorologiche.
I modelli globali elaborano i dati in una griglia di caselle in tutto il pianeta. La risoluzione varia, da circa 10 km² a 28 km² (da 3,86 miglia quadrate a 10,81 miglia quadrate).
Questa risoluzione limita la precisione della previsione delle precipitazioni e le montagne appaiono meno pronunciate rispetto alla realtà.
Il modello a più alta risoluzione del Met Office, UKV (utilizzato per le previsioni a 48 ore della BBC TV), prevede le precipitazioni con una risoluzione di 1,5 km (0,9 miglia). Tuttavia, le sue esigenze computazionali ne limitano l’utilizzo al Regno Unito e all’Europa.
I modelli di apprendimento automatico sono relativamente recenti, ma il loro sviluppo è rapido e promettente.
I modelli tradizionali richiedono ore su costosi supercomputer, mentre questi nuovi modelli possono essere eseguiti in meno di un minuto su laptop standard. Essi aggirano la fisica dettagliata, imparando invece da 40 anni di dati storici.
Le loro prestazioni?
I dati sulla pressione atmosferica invernale 2024/2025 dell’ECMWF (European Centre for Medium-Range Weather Forecasts) mostrano, esterno che GraphCast (Google), AIFS (ECMWF) e Aurora (Microsoft) superano il benchmark tradizionale IFS (ECMWF), mentre FourCastNet (Nvidia) e Pangu-Weather (Huawei) sono rimasti indietro.
Le prestazioni variano a seconda della variabile e i progressi sono rapidi.
L’accuratezza diminuisce con il tempo di previsione, riflettendo la natura caotica dell’atmosfera. Le previsioni a dieci giorni, indipendentemente dal tipo di modello, mancano di accuratezza sufficiente.
Dovremmo abbandonare i modelli basati sulla fisica?
Non ancora.
I modelli di apprendimento automatico si basano sui dati dei modelli tradizionali e utilizzano i loro punti di partenza atmosferici. Senza modelli tradizionali, i modelli di apprendimento automatico sarebbero significativamente meno efficaci.
Sebbene eccellenti nella previsione di caratteristiche su larga scala come alta e bassa pressione, hanno prestazioni inferiori rispetto ai modelli tradizionali su scale inferiori a 1000 km.
Ciò significa che caratteristiche cruciali come avvallamenti e creste potrebbero essere perse, alterando le previsioni da pioggia secca a pioggia intensa.
Conseguenze delle inondazioni di Boscastle, Cornovaglia, agosto 2004
La maggior parte dei modelli di apprendimento automatico ha una risoluzione di 28 km², in linea con i dati di addestramento. Ciò significa che le caratteristiche su piccola scala, come le precipitazioni, potrebbero essere perse, ostacolando la previsione di eventi come le inondazioni di Boscastle con giorni di anticipo.
I titoli suggeriscono una migliore previsione degli uragani.
Sebbene alcuni modelli abbiano mostrato previsioni di arrivo a terra leggermente migliorate, le previsioni della forza del vento e quindi dei potenziali danni sono state più deboli. Ciò potrebbe derivare da effetti di levigatura nell’analisi di 40 anni di dati sugli uragani.
L’eruzione del Monte Pinatubo del 1991 nelle Filippine è stata la seconda più grande del XX secolo
I modelli di intelligenza artificiale potrebbero avere difficoltà con eventi rari sottorappresentati nel dataset di addestramento di 40 anni. L’eruzione del Monte Pinatubo del 1991, che, esterno ha causato un calo della temperatura globale fino a 0,5 °C per due anni, ne è un esempio.
Ci sono anche preoccupazioni sulle loro prestazioni in un mondo in riscaldamento. I dati climatici passati su cui sono addestrati differiranno significativamente dal clima futuro all’aumentare dei livelli di gas serra, esterno.
Il futuro tra cinque anni?
La professoressa Kirstine Dale, responsabile dell’IA del Met Office, immagina “modelli tradizionali e di intelligenza artificiale che lavorano insieme per fornire previsioni iperlocalizzate, accurate e rapide”.
Nonostante la loro breve storia, i modelli di apprendimento automatico mostrano un immenso potenziale data la loro velocità, efficienza e rapido sviluppo.
L’IA potrebbe sostituire i meteorologi umani?