In un nostro blog di gennaio avevamo parlato dei promettenti sviluppi dei metodi basati sull’intelligenza artificiale nella previsione numerica. Recentemente alcuni ricercatori tedeschi hanno annunciato un ulteriore passo in questa direzione.
La previsione numerica si compone di due parti: l’assimilazione dei dati osservati e la previsione vera e propria. L’assimilazione ha il compito di fornire la migliore stima possibile delle condizioni iniziali dei vari parametri atmosferici (temperatura, pressione, vento, umidità, …), combinando i dati misurati con la previsione precedente; la fase successiva di previsione applica alle condizioni inziali le equazioni matematiche che descrivono l’evoluzione nel tempo dello stato dell’atmosfera (dinamica dei fluidi, conservazione dell’energia ecc.). Maggiori dettagli si possono trovare ad esempio qui per il modello COSMO.
In un blog dello scorso gennaio vi avevamo parlato del modello AIFS (AI Forecast System) sviluppato dal Centro Europeo per la Previsione a Media Scadenza ECMWF. Grazie all’impiego di metodi di Machine Learning, questo nuovo approccio permette di raggiungere e in parte superare i risultati del modello tradizionale IFS, impiegando molto meno tempo e risorse computazionali. Le condizioni iniziali per AIFS, tuttavia, sono ancora stimate con metodi tradizionali, molto costosi in termini di potenza di calcolo necessaria.
Per evitare questo collo di bottiglia nella catena di calcolo, in una recente pubblicazione due ricercatori del servizio meteorologico nazionale tedesco DWD hanno presentato un approccio basato sull’AI anche per la fase di assimilazione. Anche se la ricerca è ancora in una fase iniziale, i risultati sono molto promettenti.
Combinando questo approccio all’assimilazione con quanto già dimostrato da AIFS per la previsione, sarebbe così possibile produrre una previsione completa a partire dai dati osservati, utilizzando unicamente metodi di Machine Learning e usando molte meno risorse di calcolo.