Con l'introduzione delle previsioni postelaborate per le precipitazioni, tutti i parametri delle nostre previsioni locali sono ora calibrati utilizzando metodi statistici di apprendimento automatico (“machine learning”). L'obiettivo è quello di fornire agli utenti previsioni automatiche di qualità e senza discontinuità.
I modelli meteorologici numerici sono il cuore delle nostre previsioni, ma queste necessitano di alcuni ritocchi prima di poter raggiungere il pubblico tramite l’app e il sito web di MeteoSvizzera.
In pratica, si tratta di combinare le previsioni provenienti da diversi modelli meteorologici e nel correggerne gli errori sistematici. Ciò avviene confrontando le previsioni passate con le osservazioni delle stazioni di misura al suolo e i dati satellitari. Questo procedimento è noto come postelaborazione statistica o postprocessing.
In primo luogo, la postelaborazione cerca di ridurre gli errori sistematici residui nelle previsioni dei modelli meteorologici numerici. Una causa di tali errori è legata alla limitata risoluzione spaziale dei modelli meteorologici. Con la postelaborazione possiamo rappresentare in modo più completo gli effetti locali. Un esempio è la postelaborazione della velocità del vento (Figura 2), che ci permette di prendere in considerazione gli effetti locali come l’esposizione (se ci troviamo su una cresta in montagna o al riparo in una valle).
Per ogni previsione, i nostri modelli meteorologici calcolano più scenari del tempo futuro. Se questi scenari sono simili tra loro, la previsione è considerata affidabile, mentre se gli scenari si disperdono ampiamente, la previsione è da considerarsi più incerta. La nostra postelaborazione corregge sia l’accuratezza che la dispersione di questi scenari per fornire una previsione probabilistica più precisa.
Inoltre, la postelaborazione viene utilizzata anche per combinare in modo ottimale le previsioni calcolate dai diversi modelli meteorologici utilizzati da MeteoSvizzera. Questi modelli meteorologici si differenziano anche per la loro risoluzione, cioè per il livello di dettaglio con cui vengono rappresentate le specificità locali. I modelli COSMO ad alta risoluzione coprono le prime 30 ore con una risoluzione spaziale di 1 km e 5 giorni con una risoluzione di 2 km. Per le scadenze successive, le previsioni si basano sul modello IFS dell’ECMWF, con una risoluzione orizzontale di 9 km. I modelli ad alta risoluzione vengono aggiornati fino a 8 volte al giorno, mentre il modello ECMWF IFS viene aggiornato solo due volte al giorno. Per le previsioni postprocessate utilizziamo sempre le previsioni più recenti disponibili per ciascuno di questi modelli di base e le combiniamo in una previsione per tutte le scadenze. Grazie alla postelaborazione, le previsioni a breve e a lungo termine sono molto più coerenti e senza discontinuità.
Nella Figura 3 sono mostrate a sinistra le previsioni disponibili dei modelli meteorologici di base, a destra le previsioni postelaborate corrispondenti. L'area ombreggiata rappresenta l'intervallo di previsione del 90% (l'intervallo in cui ci si aspetta che si trovi il 90% dei valori futuri). In questo caso, i modelli meteorologici numerici hanno sottostimato la velocità del vento a Chasseral (una stazione di misura piuttosto esposta al vento). La previsione postelaborata si avvicina meglio alla velocità del vento osservata e solo poche osservazioni fuoriescono dall'intervallo di previsione del 90%. Pertanto, la postelaborazione ha fornito una previsione più accurata.
Avete mai notato improvvisi cambiamenti nelle previsioni del tempo? Questi salti tra una previsione e l’altra vengono smorzati in modo significativo grazie alla postelaborazione. Combinando le previsioni probabilistiche di diversi modelli meteorologici numerici, creiamo una previsione più regolare e affidabile, riducendo al minimo le sorprese.
Sebbene la postelaborazione porti con sé molti vantaggi, è importante sottolineare che non è affatto perfetta.
Non possiamo risolvere tutti i problemi di previsione. Le situazioni meteorologiche che non sono ben previste dai modelli meteorologici di base si tradurranno anche in una previsione postelaborata poco performante. Ciò è dovuto al fatto che la postelaborazione è in grado di correggere solamente gli errori sistematici nelle previsioni dei modelli meteorologici, che di solito sono comunque già piuttosto buone.
Per fornire previsioni postelaborate di qualità per tutta la Svizzera, siamo inevitabilmente dovuti scendere ad alcuni compromessi. Di conseguenza, alcuni effetti molto locali non sono ancora ben rappresentati nella postelaborazione, proprio perché troppo poco presenti nel set di dati utilizzato per allenare gli algoritmi di postprocessing. In alcuni casi, questo può persino portare a una previsione di qualità inferiore rispetto al prodotto precedente.
Le routine di postelaborazione utilizzate nella produzione delle nostre previsioni automatiche sono ottimizzate per le condizioni meteorologiche medie. Per applicazioni specifiche, in particolare per le allerte e gli eventi estremi, le previsioni postprocessate presentano ancora delle carenze. Per questo motivo non sono incluse nelle allerte ufficiali. Stiamo lavorando a ulteriori miglioramenti per ridurre le differenze tra le previsioni automatiche e le allerte ufficiali.
Rispetto ai modelli meteorologici numerici, i metodi statistici di postelaborazione sono molto meno complessi da sviluppare e relativamente economici da calcolare. Possiamo quindi aggiornare frequentemente la postelaborazione statistica per migliorare ulteriormente le previsioni. La postelaborazione ci permette inoltre di generare prodotti su misura per applicazioni specifiche. Pertanto, prevediamo che in futuro la postelaborazione sarà impiegata in modo più ampio nei nostri prodotti di previsione. Infine, anche i metodi di postelaborazione sono in continuo sviluppo. Utilizziamo già metodi di machine learning o AI e siamo certi che i rapidi sviluppi in questo settore contribuiranno a migliorare ulteriormente le previsioni per la vostra giornata.