“Le previsioni meteorologiche sono importanti per la scienza e la società. Al momento, il sistema di previsione più accurato è il metodo di previsione numerica (NWP), che rappresenta gli stati atmosferici come griglie discretizzate e risolve numericamente equazioni alle derivate parziali che descrivono la transizione tra questi stati. Tuttavia, questa procedura è costosa dal punto di vista computazionale. Recentemente, i metodi basati sull’intelligenza artificiale hanno mostrato il potenziale nell’accelerare le previsioni meteorologiche di ordini di grandezza, ma l’accuratezza delle previsioni è ancora significativamente inferiore a quella dei metodi di previsione numerica”. È quanto si legge in uno studio pubblicato sulla rivista Nature, in cui Qi Tian e colleghi presentano “un metodo basato sull’intelligenza artificiale per accurate previsioni meteorologiche globali a medio raggio”.
Nel loro studio, gli autori dimostrano che “le reti profonde tridimensionali dotate di prior specifici della Terra sono efficaci nel trattare schemi complessi nei dati meteorologici e che una strategia di aggregazione temporale gerarchica riduce gli errori di accumulo nelle previsioni a medio raggio”. “Addestrato su 39 anni di dati globali, il nostro programma, Pangu-Weather, ottiene risultati di previsione deterministici più forti sui dati di rianalisi in tutte le variabili testate rispetto al miglior sistema di previsione numerica del mondo, il sistema operativo di previsione integrato del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF). Il nostro metodo funziona bene anche con previsioni meteorologiche estreme e previsioni ensemble. Se inizializzato con dati di rianalisi, anche l’accuratezza del tracciamento dei cicloni tropicali è superiore a quella di ECMWF-HRES”, sostengono gli autori dello studio.
Come funziona Pangu-Weather
“Pangu-Weather è un potente sistema di previsioni meteorologiche basato sull’intelligenza artificiale che produce risultati di previsione deterministici più forti rispetto al sistema operativo di previsione integrato (IFS) di ECMWF su tutte le variabili meteorologiche testate rispetto ai dati di rianalisi. I nostri contributi tecnici sono duplici. Innanzitutto, abbiamo integrato le informazioni sull’altezza in una nuova dimensione in modo che l’input e l’output delle nostre reti neurali profonde possano essere concettualizzati in tre dimensioni. Abbiamo inoltre progettato un’architettura tridimensionale (3D) del trasformatore specifico della Terra (3DEST) per immettere prior specifici della Terra nelle reti profonde. I nostri esperimenti mostrano che i modelli 3D, formulando l’altezza in una singola dimensione, hanno la capacità di catturare la relazione tra gli stati atmosferici a diversi livelli di pressione e quindi ottenere significativi guadagni di precisione, rispetto ai modelli bidimensionali. In secondo luogo, abbiamo applicato un algoritmo di aggregazione temporale gerarchica che prevede l’addestramento di una serie di modelli con lead time di previsione crescenti. Pertanto, nella fase di test, il numero di iterazioni necessarie per le previsioni meteorologiche a medio termine è stato ampiamente ridotto e gli errori di previsione cumulativi sono stati alleviati. Esperimenti sulla quinta generazione di dati di rianalisi ECMWF (ERA5) hanno convalidato che Pangu-Weather fornisce buone prestazioni nelle previsioni deterministiche e nelle previsioni meteorologiche estreme, pur essendo oltre 10.000 volte più veloce dell’IFS operativo”, si legge nello studio.
Le prestazioni di Pangu-Weather
Gli autori hanno “valutato Pangu-Weather sui dati ERA5, che è considerata la stima più nota per la maggior parte delle variabili atmosferiche”. “Per confrontare equamente Pangu-Weather con FourCastNet, abbiamo addestrato le nostre reti profonde 3D su 39 anni di dati (dal 1979 al 2017), le abbiamo convalidate sui dati del 2019 e le abbiamo testate sui dati del 2018. Abbiamo studiato 69 fattori, incluse 5 variabili dell’aria superiore a 13 livelli di pressione (50 hPa, 100 hPa, 150 hPa, 200 hPa, 250 hPa, 300 hPa, 400 hPa, 500 hPa, 600 hPa, 700 hPa, 85 0 hPa, 925 hPa e 1.000 hPa) e 4 variabili di superficie. Quando testato rispetto ai dati di rianalisi, per ciascuna variabile testata, Pangu-Weather produce un errore quadratico medio (RMSE) inferiore e un coefficiente di correlazione delle anomalie (ACC) più elevato rispetto all’IFS operativo e a FourCastNet, rispettivamente i migliori metodi basati su NWP e AI. In particolare, Pangu-Weather riporta un RMSE di 296,7 per una previsione Z500 a 5 giorni, che è inferiore a quello dell’IFS operativo e diFourCastNet, che hanno riportato rispettivamente 333,7 e 462,5. Inoltre, il costo di inferenza di Pangu-Weather è di 1,4 s su una singola GPU, che è oltre 10.000 volte più veloce dell’IFS operativo e alla pari con FourCastNet. Pangu-Weather non solo produce solidi risultati quantitativi, ma conserva anche dettagli sufficienti per indagare su determinati eventi meteorologici estremi. Per dimostrare questa capacità, abbiamo studiato l’importante applicazione del tracciamento dei cicloni tropicali. Trovando il minimo locale della pressione media a livello del mare (MSLP), una delle variabili di superficie, il nostro algoritmo ha raggiunto un’elevata precisione nel tracciare 88 cicloni tropicali denominati nel 2018, inclusi alcuni (ad esempio, il tifone Kong-rey e il tifone Yutu) che rimangono una sfida per i migliori sistemi di tracciamento del mondo, come ECMWF-HRES (dove HRES sta per alta risoluzione). La nostra ricerca fa luce sui sistemi di previsione meteorologica a medio raggio basati sull’intelligenza artificiale e fa progredire il percorso verso l’istituzione dell’IA come complemento o surrogato della NWP, un risultato che in precedenza si pensava fosse lontano nel futuro”, sostengono gli autori dello studio.
Potenziale e limitazioni di Pangu-Weather
“Pangu-Weather rivela il potenziale dell’utilizzo di grandi modelli pre-addestrati per varie applicazioni, mostrando la stessa tendenza di altri ambiti di intelligenza artificiale, come la visione artificiale, l’elaborazione del linguaggio naturale, la comprensione intermodale e oltre”, scrivono gli autori, che sottolineano anche alcune limitazioni del sistema. “Nonostante la promettente accuratezza delle previsioni sui dati di rianalisi, il nostro algoritmo presenta alcune limitazioni. Innanzitutto, in tutto questo studio, Pangu-Weather è stato addestrato e testato su dati di rianalisi, ma i sistemi di previsione del mondo reale funzionano su dati osservativi. Esistono differenze tra queste fonti di dati; pertanto, le prestazioni di Pangu-Weather tra le applicazioni necessitano di ulteriori indagini. In secondo luogo, alcune variabili meteorologiche, come le precipitazioni, non sono state studiate in questo studio. L’omissione di questi fattori può far sì che il modello attuale manchi di alcune capacità, ad esempio l’utilizzo dei dati sulle precipitazioni per la previsione accurata di eventi meteorologici estremi su piccola scala, come gli outbreak di tornado. In terzo luogo, i metodi basati sull’intelligenza artificiale producono risultati di previsione più fluidi, aumentando il rischio di sottovalutare l’entità degli eventi meteorologici estremi. Abbiamo studiato un caso speciale, il monitoraggio dei cicloni, ma c’è ancora molto lavoro da fare. In quarto luogo, l’incoerenza temporale può essere introdotta utilizzando modelli con diversi lead time. Questo è un argomento impegnativo che merita ulteriori approfondimenti”, sottolineano gli autori dello studio.
“Guardando al futuro, c’è spazio per miglioramenti sia per i metodi basati sull’IA che per i metodi NWP. Dal lato dell’intelligenza artificiale, è possibile ottenere ulteriori vantaggi incorporando più livelli verticali e/o variabili atmosferiche, integrando la dimensione temporale e addestrando reti profonde quadridimensionali, utilizzando reti più profonde e/o più ampie o semplicemente aumentando il numero di epoche di addestramento. Prevediamo che i metodi basati sull’intelligenza artificiale e NWP saranno combinati in futuro per ottenere performance ancora più forti”, concludono gli autori dello studio.
