I modelli meteorologici numerici sono alla base di tutte le nostre previsioni. Questi complessi programmi computerizzati sono in costante miglioramento, così come le nostre previsioni. I modelli meteorologici sono estremamente utili, ma non sono perfetti.

Anche i nostri modelli ad alta risoluzione non possono rappresentare completamente il complesso terreno delle Alpi. Si deve invece ricorrere a una rappresentazione semplificata della topografia. Di conseguenza, i processi a piccola scala rilevanti per il nostro tempo non possono essere completamente risolti dal modello. Questo porta a errori sistematici.

Inoltre, i modelli meteorologici forniscono una grande quantità di informazioni sul tempo futuro, compresi molteplici risultati plausibili per stimare l'incertezza delle previsioni. Per gestire questa marea di informazioni, è necessario combinare e armonizzare le previsioni di diversi modelli meteorologici.

Per combinare automaticamente diversi modelli meteorologici in un'unica previsione di consenso affidabile e di alta qualità, utilizziamo metodi statistici e di apprendimento automatico. Questa operazione è nota come post-elaborazione statistica.

Come si elaborano le previsioni?

La post-elaborazione corregge e combina le previsioni dei modelli meteorologici confrontando le previsioni passate con le osservazioni. Per i diversi parametri meteorologici come vento, nuvolosità e precipitazioni, utilizziamo diversi modelli statistici e di apprendimento automatico. Questi si differenziano per la selezione degli input dai modelli meteorologici e per le ipotesi di distribuzione dei valori di previsione. I modelli variano anche in termini di complessità, passando da metodi lineari (i consolidati metodi statistici di output dei modelli ensemble) a nuovi approcci di apprendimento profondo che utilizzano reti neurali (attualmente utilizzati per la post-elaborazione del vento).

Il comune denominatore di tutte le nostre post-elaborazioni è che cerchiamo non solo di minimizzare gli errori sistematici, ma anche di aggiustare la variabilità dei risultati plausibili delle previsioni in modo che riflettano meglio l'incertezza reale della previsione, come mostrato nella Figura 2. Il risultato è che le previsioni probabilistiche sono più affidabili e quindi più utili. In questo modo si ottengono previsioni probabilistiche più affidabili e quindi più utili.

Infine, la post-elaborazione viene utilizzata anche per combinare le informazioni provenienti da diversi modelli meteorologici. Questo viene fatto in modo automatico e oggettivo, in modo che il contributo relativo di ciascun modello meteorologico cambi a seconda del lead time della previsione (quanto lontano nel futuro stiamo prevedendo), della località, della stagione e di molti altri aspetti. In generale, tuttavia, ai nostri modelli ad alta risoluzione viene attribuito un peso maggiore nelle prime fasi della previsione, mentre il modello globale a bassa risoluzione è l'unico input utilizzato per le previsioni con più di 5 giorni di anticipo.

Questo approccio multi-modello si traduce in previsioni post-processate meno nervose. In altre parole, i cambiamenti radicali nelle previsioni di un singolo modello meteorologico da un'inizializzazione alla successiva influenzano meno le previsioni postelaborate. Inoltre, gli errori sistematici variano in modo più uniforme nel tempo rispetto al sistema preesistente, dove gli errori di previsione dipendevano fortemente dal singolo modello meteorologico utilizzato (vedi Figura 2).

In che modo le previsioni post-elaborate sono diverse dai modelli meteorologici?

Innanzitutto, la post-elaborazione utilizza metodi statistici per correggere le previsioni dei modelli meteorologici. In quanto tali, le previsioni non sono radicalmente diverse da quelle dei modelli meteorologici utilizzati come input per la postelaborazione. In particolare, la postelaborazione non inventa nuove previsioni e non può evitare che le previsioni siano significativamente sbagliate in singoli casi. Ciò che il postprocessing fa, tuttavia, è ridurre l'errore sistematico in media.

Parte di questa riduzione dell'errore di previsione può essere attribuita alla maggiore risoluzione apparente delle previsioni postelaborate. Utilizzando informazioni aggiuntive come i dati altimetrici ad alta risoluzione, le previsioni possono essere regolate in base all'altitudine, all'esposizione e ad altri effetti che influenzano le condizioni locali. In questo modo le previsioni post-elaborate sono più localizzate (Figura 3). Occorre fare attenzione a trovare un equilibrio tra la produzione di previsioni specifiche ottimali in un punto, ma rappresentative solo dell'area immediata, e previsioni rappresentative di aree più ampie, meno rappresentative delle specificità locali ma più facili da interpretare.

Le previsioni post-elaborate sono generalmente più incerte rispetto alle previsioni dei singoli modelli meteorologici (vedi Figura 2). La post-elaborazione tiene conto di diverse fonti di incertezza aggiuntive che non si riflettono nelle previsioni di ensemble dei modelli meteorologici. Le previsioni di un singolo sistema di ensemble sono molto più simili tra loro che non alla realizzazione di un altro modello meteorologico. Combinando più modelli nella post-elaborazione, questa ulteriore fonte di incertezza si riflette nelle previsioni post-elaborate. La post-elaborazione tiene conto anche di ulteriori fonti di variabilità presenti nelle osservazioni che non sono rappresentate nei modelli meteorologici. Questa variabilità aggiuntiva è spesso dovuta a effetti locali e può aggiungere ulteriore incertezza alle previsioni.