Le previsioni del tempo sono una faccenda complicata. Facciamo affidamento su di esso per pianificare le nostre attività quotidiane, prepararci ai disastri naturali e persino per decidere cosa indossare ogni giorno. Tuttavia, nonostante i progressi tecnologici, riceviamo previsioni solo per circa 10 giorni nel futuro.
Perché così? Piccoli cambiamenti nelle condizioni atmosferiche e superficiali possono innescare cambiamenti più grandi e imprevedibili nei modelli meteorologici.
Consideriamo, ad esempio, la devastante ondata di caldo del Pacifico nordoccidentale nel giugno 2021. Le linee elettriche si sono sciolte, i raccolti sono stati distrutti e centinaia di persone hanno perso la vita. Un tempo di previsione più lungo avrebbe potuto aiutare le comunità a prepararsi meglio al caldo estremo.
Modelli aggiuntivi nelle previsioni del tempo
Gli scienziati meteorologici comunemente si rivolgono a modelli aggiunti per valutare quanto una previsione sia suscettibile agli errori nelle condizioni iniziali. Ti sei mai chiesto come una leggera variazione della temperatura o del vapore acqueo atmosferico possa alterare i risultati delle previsioni?
Questi modelli aiutano a rispondere a questa domanda. Chiariscono il collegamento tra condizioni iniziali ed errori previsti. Pertanto, gli scienziati possono apportare modifiche fino a quando non scoprono l’insieme di condizioni iniziali che producono la previsione più accurata.
Tuttavia, c’è un intoppo. L’esecuzione di questi modelli richiede notevoli risorse finanziarie e informatiche. E possono misurare la sensibilità solo fino a cinque giorni prima.
Deep learning nelle previsioni del tempo
I ricercatori del Dipartimento di Scienze dell’Atmosfera dell’Università di Washington hanno esplorato se il deep learning potesse offrire un metodo efficiente e più preciso per determinare l’insieme ottimale di condizioni iniziali per una previsione a 10 giorni.
Per testare la loro ipotesi, gli esperti hanno modellato le previsioni della disastrosa ondata di caldo del Pacifico nordoccidentale del giugno 2021. Hanno utilizzato due diversi modelli di previsione: il modello GraphCast di Google DeepMind e il modello Pangu-Weather di Huawei Cloud.
Gli scienziati volevano verificare se i modelli funzionassero in modo simile e come si confrontassero con gli eventi reali dell’ondata di caldo. Per garantire risultati imparziali, hanno escluso i dati delle ondate di caldo dal set di dati utilizzato per addestrare i modelli.
Valutazione di modelli avanzati
I ricercatori hanno effettuato un confronto rigoroso tra i risultati dei modelli GraphCast e Pangu-Weather e i dati meteorologici effettivi del periodo dell’ondata di caldo del giugno 2021.
Si sono concentrati sull’accuratezza delle previsioni della temperatura, sulla capacità dei modelli di anticipare condizioni estreme e sulla loro efficienza computazionale.
I risultati preliminari hanno rivelato che entrambi i modelli hanno mostrato un alto grado di precisione, con Pangu-Weather che ha mostrato un leggero vantaggio nella previsione della temperatura a lungo termine.
I modelli avanzati hanno mostrato un potenziale promettente nel migliorare l’accuratezza delle previsioni e nel riprogrammarne la consegna, offrendo preziose informazioni per situazioni emergenti come le ondate di caldo.
Il futuro delle previsioni meteorologiche
L’implementazione di modelli di deep learning come GraphCast e Pangu-Weather segna un cambiamento fondamentale nel campo della meteorologia, promettendo previsioni più accurate e tempestive.
Tuttavia, le sfide persistono, in particolare nel garantire che questi modelli possano elaborare vasti set di dati in scenari in tempo reale e integrarsi perfettamente nei quadri di previsione esistenti.
Inoltre, vi è una crescente necessità di collaborazione tra meteorologi, data scientist e responsabili politici per massimizzare l’utilità di questi progressi tecnologici.
Mentre la ricerca continua a svilupparsi, questi nuovi approcci hanno il potenziale per rivoluzionare le previsioni meteorologiche, con conseguente migliore preparazione e resilienza della comunità contro le anomalie climatiche.
Scalare il deep learning
La scalabilità degli approcci di deep learning per le previsioni meteorologiche globali richiede una strategia completa per gestire l’eterogeneità dei dati, l’intensità computazionale e il consumo energetico.
Le vaste e varie fonti di dati – dalle immagini satellitari alle letture dei sensori oceanici – richiedono che i modelli armonizzino input con risoluzioni e formati diversi.
La potenza computazionale necessaria per gestire set di dati così voluminosi e diversificati è notevole, sollevando preoccupazioni sull’impatto ambientale dovuto ai processi ad alta intensità energetica.
Di conseguenza, i ricercatori stanno esplorando algoritmi efficienti dal punto di vista energetico e soluzioni hardware innovative per mitigare queste sfide. Inoltre, esiste un bisogno fondamentale di solidi quadri di validazione per garantire la generalizzabilità di questi modelli in diverse regioni e condizioni climatiche.
Previsioni meteorologiche basate sull’intelligenza artificiale
L’integrazione dell’intelligenza artificiale nelle previsioni meteorologiche introduce diverse considerazioni etiche che meritano un attento esame.
Emerge prevalentemente la questione della privacy dei dati, poiché set di dati complessi spesso includono informazioni sensibili sulla geolocalizzazione. Inoltre, esiste un rischio intrinseco di distorsione algoritmica, in cui le disparità nella raccolta dei dati possono distorcere le previsioni, influenzando in modo sproporzionato determinate popolazioni o regioni.
La trasparenza e la responsabilità nei processi decisionali dell’IA sono fondamentali per garantire un accesso equo alle tecnologie di previsione avanzate.
Riduzione degli errori di previsione
I risultati furono a dir poco sorprendenti. L’utilizzo del deep learning per individuare le condizioni iniziali ottimali ha portato a una massiccia riduzione del 94% degli errori di previsione a 10 giorni nel modello GraphCast.
Un calo simile negli errori è stato notato quando il metodo è stato applicato al modello Pangu-Weather. Sorprendentemente, la nuova tecnica ha migliorato le previsioni fino a 23 giorni in anticipo.
Siamo quindi alle soglie di una nuova era nelle previsioni meteorologiche? Possiamo aspettarci previsioni che non solo siano più precise, ma offrano anche tempi di consegna più lunghi? Se i risultati sono indicativi, questo potrebbe non essere troppo lontano.
Lo studio è pubblicato sulla rivista Lettere di ricerca geofisica.
—–
Ti piace quello che leggi? Iscriviti alla nostra newsletter per articoli coinvolgenti, contenuti esclusivi e gli ultimi aggiornamenti.
Scoprici su EarthSnap, un’app gratuita offerta da Eric Ralls e Earth.com.
—–
