Negli scorsi mesi, il Centro Europeo per le Previsioni a Media Scadenza (ECMWF) ha annunciato una nuova applicazione dell’intelligenza artificiale alla previsione del tempo, combinandone i vantaggi a quelli dei modelli tradizionali basati sulla fisica.
Il Machine Learning (ML) sta diventando sempre più importante nelle previsioni meteorologiche. Gli approcci principali sono due: utilizzare l’ML per creare interamente la previsione a partire dalle osservazioni, oppure per migliorare le condizioni iniziali e la previsione tradizionale basata sulla fisica.
Il modello AIFS, annunciato lo scorso mese di gennaio, è un esempio del primo approccio. La fase di addestramento del modello, che analizza i dati del passato, richiede una potenza di calcolo importante; il grande vantaggio è che, una volta terminato l’addestramento, la previsione a partire dalle nuove osservazioni è molto più efficiente rispetto ai modelli basati sulla fisica.
Il secondo approccio consiste invece nell’uso dell’ML per correggere le condizioni iniziali e le traiettorie della previsione di un modello tradizionale.
L’ECMWF utilizza una tecnica chiamata 4D-Var per assimilare i dati osservativi nei modelli meteorologici, applicando piccole correzioni alla previsione iniziale (“first guess”) e stabilendo così le condizioni iniziali (analisi) delle previsioni a scadenza più lunga.
Il machine learning sarà utilizzato dal prossimo anno per applicare correzioni variabili (e non più fisse come nel 4D-Var) non solo nella stratosfera, ma anche nella troposfera, dove gli errori del modello sono più piccoli ma comunque significativi.
La tecnica descritta sopra può essere applicata anche alla previsione. Grazie ad una rete neurale, è possibile stimare l’errore sistematico del modello a dipendenza della situazione sinottica attuale.
Il vantaggio è che la previsione principale è sempre calcolata applicando le equazioni della fisica atmosferica, e in seguito aggiustata con la stima dell’errore fornita dall’ML. I campi generati sono perciò sempre consistenti con le equazioni fisiche, mantenendo il realismo e l’interpretabilità delle previsioni.
I primi test sull’impatto di questo approccio sull’affidabilità delle previsioni mostra un miglioramento in quasi tutti i parametri di previsione, soprattutto nelle regioni extra-tropicali.
Questi cambiamenti saranno implementati nel prossimo futuro.