Modelli numerici basati sulla fisica
I modelli atmosferici tradizionali si basano sulle leggi della fisica: il punto di partenza è una stima il più possibile precisa delle condizioni iniziali di pressione, temperatura, umidità, vento e altri parametri. A partire da questi parametri iniziali, si applicano le leggi della fisica per prevedere l’evoluzione nel futuro dei parametri stessi.
Modelli basati sull’IA
I modelli basati sull’IA seguono un metodo totalmente diverso: vengono “addestrati” con il tempo del passato, supponendo che da condizioni iniziali simili derivi un’evoluzione simile per i giorni successivi.
Per far funzionare un modello basato sull’IA sono perciò indispensabili due cose:
-
Per l’addestramento: una banca dati delle condizioni atmosferiche iniziali che copra un periodo sufficientemente lungo, in modo che il modello possa “imparare” da condizioni di partenza il più possibili diversificate.
-
Per la previsione: un’analisi il più possibile precisa delle condizioni attuali dell’atmosfera.
Questi modelli stanno dimostrando una qualità eccellente e hanno il vantaggio di richiedere molte meno risorse computazionali.
ECMWF
Il Centro Europeo per la Previsione a Media Scadenza (ECMWF, European Centre for Medium-range Weather Forecast) gestisce dal 1979 uno o più modelli atmosferici tradizionali. Negli scorsi mesi è stato introdotto, sebbene in fase sperimentale, il modello AIFS (Artificial Intelligence/Integrated Forecast System) basato sull’IA.
Incertezza
Le previsioni del tempo devono fare i conti con diverse fonti di incertezza: la stima iniziale non rappresenta mai lo stato esatto dell’atmosfera, in quanto le misure a disposizione (stazioni automatiche, satelliti, radiosondaggi ecc.) coprono solo una parte dell’atmosfera e non sono per forza precise. In secondo luogo, il modello stesso introduce delle incertezze: ad esempio, le equazioni fisiche non ammettono soluzioni analitiche (esatte), ma solo approssimate e calcolate con una risoluzione spaziale di alcuni chilometri.
Ensemble
Il metodo tradizionale e affidabile per stimare l’incertezza di una previsione numerica consiste nel ricalcolare il modello molte volte con i dati iniziali leggermente modificati. Si possono usare versioni leggermente diverse del modello. In questo modo si otterranno non una, ma molte previsioni (di solito alcune decine) che formano un “ensemble”. L’idea è di stimare quanto una previsione sia sensibile ai piccoli cambiamenti: in alcuni casi, le previsioni saranno quasi identiche, in altri casi (soprattutto a scadenza più lontana nel futuro) le diverse previsioni divergeranno. Il risultato finale è di avere una distribuzione statistica dei vari parametri previsti. Ne potete trovare un esempio nelle previsioni di temperatura o di precipitazione nell’App MeteoSwiss.
Con il modello AIFS il procedimento è simile per metà: si usa un insieme di condizioni iniziali leggermente perturbate. Non è però possibile perturbare il modello basato sulla fisica, visto che non c’è!
Sono attualmente allo studio alcuni metodi per introdurre un disturbo appropriato nel modello IA. Quello attualmente in uso nel modello AIFS consiste nell’aggiungere un “rumore” casuale ad ogni condizione iniziale. I primi risultati sono promettenti, ma si sta ancora lavorando per produrre un “ensemble” affidabile.