Le previsioni meteorologiche svolgono un ruolo cruciale nell’aiutare a salvare vite umane e a ridurre al minimo i danni alle proprietà. Attualmente il sistema di previsione più accurato è il metodo della previsione numerica, che si basa principalmente su equazioni fisiche, ma richiede molta potenza di calcolo ed è spesso lento, impiegando ore per una singola simulazione. Negli ultimi anni, alcuni metodi basati sull’intelligenza artificiale (AI) hanno mostrato il potenziale per accelerare in modo significativo le previsioni meteo, sebbene l’accuratezza sia generalmente inferiore a quella dei metodi di previsione numerica.
Ora, in due articoli pubblicati sulla rivista Nature questa settimana, viene presentato il potenziale dell’intelligenza artificiale per assistere nelle previsioni meteorologiche. Un metodo può prevedere i pattern meteorologici globali fino a una settimana di anticipo, mentre l’altro può effettuare previsioni meteo a breve termine, inclusi eventi di precipitazioni estreme. Gli approcci di previsioni meteo assistiti dall’intelligenza artificiale appena presentati sono accurati quanto i metodi esistenti o affrontano fenomeni meteorologici precedentemente intrattabili. È necessaria un’ulteriore valutazione e impegno con la tradizionale comunità dei meteorologi prima di considerare come o se i nuovi approcci potrebbero integrare o sostituire gli attuali sistemi di previsione.
Il sistema Pangu-Weather
Qi Tian e colleghi presentano un sistema di previsioni meteorologiche basato sull’intelligenza artificiale chiamato Pangu-Weather in grado di prevedere il meteo globale fino a una settimana in anticipo. Il modello è stato addestrato con 39 anni di dati meteorologici di rianalisi globale. Pangu-Weather ha prodotto risultati di previsione con un’accuratezza paragonabile al miglior sistema di previsione numerica al mondo, il sistema operativo di previsione integrato del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF), pur essendo oltre 10.000 volte più veloce alla stessa risoluzione spaziale. Pangu-Weather ha anche utilizzato un modello 3D per prevedere a vari livelli di altezza, fornendo risultati più completi e dettagliati rispetto ai suoi predecessori AI, come FourCastNet.
Il sistema NowcastNet
In uno studio separato, Michael Jordan, Jianmin Wang e colleghi presentano NowcastNet, un modello che combina leggi fisiche e deep learning per il nowcasting delle precipitazioni. Per nowcasting si intende una previsione meteorologica a brevissimo termine fino a sei ore in anticipo, che fornisce quindi informazioni dettagliate sul meteo attuale. Il nowcasting è fondamentale nella prevenzione dei rischi e nella gestione delle crisi dovute a precipitazioni estreme.
Nel presentare NowcastNet, gli autori sottolineano che le precipitazioni estreme contribuiscono in modo considerevole ai disastri meteorologici e c’è un grande bisogno di mitigarne gli effetti socioeconomici attraverso un nowcasting abile che abbia alta risoluzione, lead time lunghi e dettagli locali. I metodi attuali sono soggetti a errori di dissipazione, intensità o localizzazione, con i metodi numerici basati sulla fisica che faticano a catturare dinamiche caotiche fondamentali come l’iniziazione convettiva e i metodi di apprendimento basati sui dati che non riescono a obbedire a leggi fisiche intrinseche come la conservazione advettiva.
Sulla base delle osservazioni radar dagli Stati Uniti e dalla Cina, NowcastNet ha previsto le precipitazioni ad alta risoluzione su regioni di 2.048 × 2.048km con un massimo di tre ore di anticipo. L’abilità di previsione e il valore di diversi modelli per le precipitazioni estreme sono stati valutati da 62 meteorologi; NowcastNet si è classificato al primo posto in circa il 70% dei casi rispetto ad altri metodi leader. I risultati hanno dimostrato la sua forza nella previsione dei tassi di pioggia, in particolare eventi di precipitazione estremi che in precedenza erano considerati difficili.
“Gran parte della difficoltà intrinseca del nowcasting deriva dai problemi multiscala e multifisici che sorgono nell’atmosfera e dalla necessità di combinare i principi fisici con metodi di apprendimento statistico in modo rigoroso. Il nostro lavoro affronta questa sfida utilizzando un framework di ottimizzazione end-to-end che combina schemi di evoluzione fisica e metodi di apprendimento condizionale. Il modello risultante, NowcastNet, fornisce nowcast fisicamente plausibili con alta risoluzione, lead time lunghi e dettagli locali per eventi di precipitazioni estreme, per i quali i metodi esistenti fanno fatica”, concludono gli autori dello studio. “È necessario molto lavoro in futuro per migliorare l’abilità di nowcasting delle precipitazioni. Una direzione è l’integrazione di più principi fisici come la conservazione della quantità di moto. Un’altra direzione è lo sfruttamento di più dati meteorologici, come le osservazioni satellitari. Speriamo che questo lavoro possa ispirare la ricerca futura in queste direzioni”.
Nello studio, l’abilità di previsione di NowcastNet è stata valutata rispetto a modelli di nowcasting delle precipitazioni d’avanguardia. pySTEPS, un metodo basato sull’avvezione, è stato ampiamente adottato dai centri meteorologici di tutto il mondo per il nowcasting operativo. PredRNN, una rete neurale basata sui dati, è stata implementata presso la China Meteorological Administration. DGMR, un metodo di nowcasting di ensemble basato su modelli generativi profondi con conoscenza del dominio integrata, ha mostrato la migliore abilità e valore di previsione in una valutazione esperta tenuta dal Met Office del Regno Unito.
L’area dello studio di NowcastNet
Lo studio ha indagato su un evento di precipitazione a partire dalle 09:30 UTC dell’11 dicembre 2021, che faceva parte di un outbreak di tornado negli Stati Uniti orientali. Prima, diverse linee di intense tempeste si sono sviluppate attraverso la valle del Mississippi e si sono spostate verso est; successivamente, convergevano in una fine line convettiva (ossia un’eco radar ristretta che indica un confine attraverso il quale esiste una discontinuità di densità o umidità) che si estendeva lungo il fronte freddo associato e si estendeva dal Kentucky orientale all’Alabama. Questo evento di precipitazione ha portato a decine di tornado, tempeste di pioggia diffuse e venti che hanno raggiunto velocità di 125km/h. È noto che la previsione della fine line è molto impegnativa, sottolineano gli autori dello studio. “Durante l’evento di 3 ore, NowcastNet è l’unico metodo in grado di prevedere con precisione il movimento della fine line. La line echo copre precipitazioni intense (>32 mm h-1), per le quali NowcastNet raggiunge un CSI (Critical Success Index) notevolmente migliore. NowcastNet raggiunge anche la densità spettrale di potenza (PSD) più alta a tutte le lunghezze d’onda (ovvero scale spaziali), producendo nowcast nitidi, coerenti e multiscala”, si legge nello studio.
Gli autori hanno indagato anche su un altro evento di precipitazione a partire dalle 23:40 UTC del 14 maggio 2021 nell’area cinese di Jianghuai, per il quale diverse città hanno emesso allerte rosse per temporali. Tre celle convettive si sono evolute in modo diverso. La prima cella si è spostata dal centro a nord-est, sviluppandosi in bow echo. La seconda cella era una squall line che si spostava da sud-ovest verso il centro, con la coda che si spostava verso est. La terza cella era nel mezzo e mostrava una crescita costante. In questo caso, “NowcastNet produce nowcast plausibili per le evoluzioni delle tre celle con un lead time di 3 ore. Sebbene i nowcast della squall line e della cella in crescita non siano ancora perfetti, sono utili per i meteorologi. I risultati quantitativi di NowcastNet in termini di CSI e PSD sono notevolmente migliorati rispetto ai metodi principali”, riportano gli autori dello studio.
“Nella valutazione a posteriori, NowcastNet si è classificata come prima scelta per il 75,8% degli eventi USA e per il 67,2% degli eventi della Cina. Nella valutazione preliminare, NowcastNet è stata classificata come la prima scelta per il 71,9% degli eventi negli Stati Uniti e il 64,4% degli eventi in Cina. NowcastNet detiene la più alta preferenza fornendo abili nowcast che mostrano plausibilità fisica e caratteristiche multiscala, mentre altri modelli hanno difficoltà”, si legge nello studio.
Secondo le conclusioni dello studio, “NowcastNet è abile per il nowcasting di precipitazioni estreme, è in grado di meglio prevedere i modelli di precipitazione sia alla mesoscala che alla scala convettiva, pur mantenendo un’elevata precisione della previsione dell’evoluzione per un periodo di tempo più lungo”.
L’enorme potenziale e i rischi dell’intelligenza artificiale
In un articolo accompagnamento ai due studi, Imme Ebert-Uphoff e Kyle Hilburn notano che l’intelligenza artificiale detiene “un enorme potenziale” per le attività di previsione meteorologica. Tuttavia, avvertono, “i rischi coinvolti richiedono che i meteorologi imparino a progettare, valutare e interpretare tali sistemi”.
