Il modello di intelligenza artificiale rompe la barriera della previsione meteorologica a due settimane

Andare oltre il deserto della predicibilità

I meteorologi si trovano da tempo di fronte a una frustrante lacuna. Le previsioni a breve raggio di pochi giorni sono affidabili e le previsioni climatiche a lungo termine possono seguire modelli lenti come El Niño. Ma il periodo tra due e sei settimane è noto come "deserto della predicibilità" — le previsioni in quel range sono state appena migliori di un'ipotesi ¹. Un team di ricercatori ha ora sviluppato una tecnica di machine learning che migliora significativamente le previsioni in quella lacuna, raddoppiando l'accuratezza rispetto ai metodi esistenti.

Il metodo è stato pubblicato su Nature ed è arrivato primo in una nota competizione internazionale di previsioni lo scorso anno ¹. Quando i ricercatori hanno applicato il loro metodo a un modello di previsione di riferimento, i miglioramenti sono stati così drastici da superare le medie climatologiche — superando essenzialmente semplicemente fare affidamento sulle norme storiche per quel periodo dell'anno.

Imparare dagli errori

L'idea si basa su lavori precedenti nella teoria del caos del professore del MIT Edward Lorenz, che negli anni '70 dimostrò che minuscole variazioni nelle condizioni iniziali del meteo possono portare a risultati estremamente diversi, creando un limite teorico su quanto avanti si può prevedere il meteo ¹. Il professor Judah Cohen, coautore del nuovo studio basato nel Dipartimento di Ingegneria Civile e Ambientale del MIT, ha contestato l'idea che non si potesse fare nulla oltre le due settimane .

"In teoria l'atmosfera può creare un numero infinito di modelli, ma tende a cadere in questi modelli preferiti ripetutamente," dice Cohen. "Una volta che succede una cosa, penso che si possa prevedere il domino che cadrà dopo, e il domino che cadrà dopo quello" ¹.

La soluzione del team è stata costruire uno strato di intelligenza artificiale sopra i modelli di previsione esistenti. Invece di provare a migliorare i modelli stessi, si sono concentrati sull'quantificare e correggere gli errori che quei modelli commettono. Il sistema impara dagli errori storici delle previsioni e regola in modo adattivo le nuove previsioni man mano che diventano disponibili altri dati ¹. Altri sistemi di previsione fanno correzioni degli errori più semplici, ma questo approccio usa l'IA addestrata su decenni di dati passati per riconoscere modelli sistematici negli errori.

Perché è importante ora

Previsioni migliori da due a sei settimane potrebbero salvare vite. Nel 2021, forti tempeste invernali hanno colpito il Texas causando il peggior guasto alle infrastrutture energetiche nella storia dello stato, uccidendo almeno 246 persone ¹. Se i funzionari avessero saputo che quelle tempeste stavano arrivando con settimane di anticipo, avrebbero potuto spostare più camion di gas naturale nelle aree colpite e potenzialmente ridurre i danni .

I miglioramenti si estendono anche agli eventi estremi. "È davvero importante prevedere sia [le condizioni medie che gli estremi], ma gli eventi estremi potrebbero essere la parte più impattante per la società," dice Cohen ¹. Inondazioni, ondate di freddo e altri modelli di maltempo severo potrebbero essere segnalati in anticipo, dando ad agricoltori, aziende energetiche e soccorritori più tempo per prepararsi.

Il modello è stato addestrato su MIT Engaging, un cluster di supercomputer, ma il sistema finale non richiede un supercomputer per essere eseguito ¹. La ricerca ha coinvolto scienziati del MIT, Microsoft, European Center for Medium-Range Weather Forecasts, DTN, Harvard e l'Università di Toronto.

Contesto più ampio

La previsione meteorologica numerica si affida a potenti supercomputer che eseguono complesse equazioni matematiche dagli anni '50, ma anche i migliori modelli odierni prevedono in modo affidabile solo circa sei giorni avanti ². Le tecniche di post-elaborazione hanno cercato di pulire gli errori in precedenza, ma questo nuovo metodo basato sull'IA rappresenta un notevole passo avanti per il range substagionale — un punto ideale che si inserisce in modo scomodo tra la previsione meteorologica quotidiana e la previsione climatica a lungo termine.

I fatti principali

Il modello di intelligenza artificiale raddoppia l'accuratezza delle previsioni per il range da due a sei settimane
È stato addestrato sugli errori storici delle previsioni e si adatta man mano che arrivano altri dati
Migliori previsioni substagionali avrebbero potuto avvisare delle tempeste invernali del Texas del 2021 con settimane di anticipo
Il modello migliora anche le previsioni degli eventi meteorologici estremi come inondazioni e ondate di freddo
Il team di ricerca include scienziati del MIT, Microsoft e European Center for Medium-Range Weather Forecasts

Fonti

Researchers improve weather forecasts looking two to six weeks out
Numerical weather prediction — en.wikipedia.org