Accurate, veloci: le previsioni le fa l'IA

Il futuro delle previsioni del tempo potrebbe somigliare più a un singolo ricercatore che in pochi secondi elabora scenari accurati con un semplice PC, che a un lavoro di squadra di ore, complesso e basato sull'utilizzo di supercomputer. Un nuovo sistema di machine learning promette di usare l'Intelligenza Artificiale per rimpiazzare ogni fase, e non solo alcune, dell'intero processo richiesto dai modelli di previsione meteo tradizionali. Arrivando così a elaborazioni più rapide, accurate e personalizzabili. Il modello, chiamato Aardvark Weather ed elaborato dagli scienziati dell'Università di Cambridge, dell'Alan Turing Institute, di Microsoft Research e dell'European Centre for Medium-Range Weather Forecasts (ECMWF), è descritto in un articolo sulla rivista Nature.  . Cucite su misura. Per Richard Turner, Professore di machine learning dell'Università di Cambridge e primo autore dello studio, il nuovo approccio potrebbe servire a fornire previsioni del tempo rapide e adattabili a esigenze (e luoghi) specifici: per esempio, a prevedere le temperature dei prossimi giorni per ottimizzare i raccolti in Africa, o a capire quali saranno le velocità dei venti per efficentare il lavoro di una compagnia di energie rinnovabili in Europa. Secondo i suoi creatori, il modello dovrebbe essere in grado di consegnare previsioni meteo accurate fino a 8 giorni di distanza anziché fino a 5, come fanno quelli attuali.. Dov'è la novità? Le previsioni meteo moderne si basano sulla previsione numerica del tempo (numerical weather prediction, NWP), che cerca di ottenere una visione dello stato futuro di un sistema atmosferico a partire dai dati che si hanno sul suo stato iniziale. Questi calcoli sono estremamente complessi e richiedono l'energia e le prestazioni di supercomputer per poter essere effettuati. Negli ultimi anni, l'IA ha visto gradualmente espandere il suo ruolo nelle previsioni del tempo rimpiazzando alcune fasi dei modelli tradizionali. Ma il suo apporto si era finora limitato alla parte di previsione: non aveva mai riguardato un passaggio chiamato inizializzazione, in cui i dati raccolti da satelliti, palloni meteo e stazioni meterologiche sparsi in tutto il mondo vengono raccolti, filtrati e fatti interagire in una griglia organizzata sulla quale poi si basa la previsione. Tutta questa prima parte, spiega Turner, consuma metà delle risorse computazionali richieste.. Un passo in più. Aardvark Weather per la prima volta utilizza il machine learning anche per la fase di inizializzazione. Parte dai dati grezzi raccolti da stazioni meteorologiche, satelliti, palloni meteo, navi e aerei e, usando solo il 10% dei dati di input usati dai sistemi esistenti, raggiunge risultati comparabili ai più avanzati sistemi tradizionali, nel tempo di un secondo e usando una potenza di calcolo migliaia di volte inferiore, accessibile a un normale pc.. Perplessità. Per gli autori dello studio, la scoperta getta le basi per previsioni più raffinate di disastri naturali come gli uragani, gli incendi e i tornado, per previsioni più accurate della qualità dell'aria, dell'estensione del ghiaccio marino e delle correnti oceaniche. Tuttavia, altri scienziati fanno notare che la griglia della superficie terrestre usata dal modello usa celle di 1,5 gradi per lato, più larghe di quelle dei più avanzati sistemi di previsione tradizionali come ERA5, dell'ECMWF (che sono di 0,3 gradi). Il timore di alcuni è, quindi, che il modello possa essere troppo grossolano per captare l'arrivo di fenomeni meteo complessi e inaspettati..