Le previsioni meteorologiche stanno per vivere una vera e propria rivoluzione grazie all’intelligenza artificiale. Due studi scientifici pubblicati oggi su Nature hanno evidenziato l’importanza dei nuovi sistemi NowcastNet e Pangu-Weather che “sono impressionanti e insieme forniscono un’opportunità tempestiva per esaminare i benefici ei rischi di questi nuovi sviluppi” dell’intelligenza artificiale. Il commento arriva da Imme Ebert-Uphoff e Kyle Hilburn (Cooperative Institute for Research in the Atmosphere, Colorado State University) in un articolo di accompagnamento alla pubblicazione delle due ricerche. Per Ebert-Uphoff e Hilburn, “i due modelli dimostrano l’enorme potenziale dell’intelligenza artificiale per le previsioni meteo. Ma i rischi coinvolti richiedono che i meteorologi imparino a progettare, valutare e interpretare tali sistemi”.
“I modelli di previsione meteorologica convenzionali si basano su equazioni fisiche implementate utilizzando modelli numerici, un approccio noto come previsione meteorologica numerica. I modelli meteorologici di intelligenza artificiale generativa funzionano in modo diverso: invece di fare previsioni sulla base di una comprensione della fisica, prevedono pattern meteorologici che sono statisticamente plausibili date misurazioni storiche. Questo approccio si è rivelato così promettente che ha sollevato la possibilità di un cambio di paradigma, in cui i modelli basati sull’intelligenza artificiale potrebbero sostituire completamente le previsioni meteorologiche numeriche. Al centro di un modello numerico di previsione meteorologica c’è il nucleo dinamico o “dycore”, in cui le equazioni numeriche codificano i vincoli fisici sottostanti: conservazione della quantità di moto, massa ed energia. Tuttavia, queste equazioni richiedono molto tempo per essere risolte, anche con i computer più veloci, e danno luogo a previsioni con una risoluzione di soli 28 chilometri circa tra i punti della griglia, che è troppo grossolana per modellare processi fisici su piccola scala, come nuvole, radiazione e turbolenza. Questo problema può essere aggirato esprimendo lo stato del sistema fisico come parametro, o insieme di parametri, ma questa sostituzione introduce una fonte di errore di previsione. Un approccio alternativo, proposto quasi due decenni fa, è mantenere il dycore, ma sostituire le parametrizzazioni con modelli di intelligenza artificiale molto più veloci. Sia Bi et al. che Zhang et al. hanno adottato un approccio ancora più radicale, sostituendo l’intero sistema numerico di previsione meteorologica con un modello di intelligenza artificiale”, scrivono i due esperti.
Pangu-Weateher e NowcastNet
“Pangu-Weather prevede la temperatura, la velocità e la pressione del vento, oltre ad altre variabili. Il modello produce previsioni circa 10.000 volte più veloci dei modelli di previsione numerica alla stessa risoluzione spaziale e con precisione comparabile. Pangu-Weather fornisce previsioni per un numero maggiore di livelli discreti di altezza sopra la superficie terrestre rispetto ai suoi predecessori AI, come FourCastNet. Utilizza anche un modello 3D per garantire che le previsioni siano coerenti tra questi livelli e per catturare in modo affidabile gli stati atmosferici a diverse pressioni, migliorando così la precisione. Pangu-Weather è abile nel generare previsioni a medio termine, ma il modello non tenta di prevedere le precipitazioni, che è la variabile meteorologica più difficile da prevedere. Questa sfida è stata raccolta da Zhang e colleghi, con il loro modello di previsione a breve termine per prevedere la pioggia su una scala temporale di ore. Il modello, noto come NowcastNet, si concentra esclusivamente su questo compito e riesce a produrre caratteristiche meteorologiche più nitide e realistiche di quanto sia possibile con i suoi predecessori basati sull’intelligenza artificiale, come PredRNN6”, affermano Ebert-Uphoff e Hilburn.
I benefici dell’intelligenza artificiale per le previsioni meteo
“In linea di principio, gli aumenti della velocità computazionale potrebbero produrre immensi benefici. Le agenzie responsabili delle previsioni meteorologiche numeriche dispongono di budget limitati per le risorse informatiche. Essere in grado di fare di più con meno consentirà a queste agenzie di affrontare priorità di previsione che sono attualmente fuori portata, come la propagazione degli incendi, la chimica atmosferica e i pattern del fumo e i cambiamenti della vegetazione. L’aumento della velocità potrebbe anche portare a modelli a risoluzione più elevata e ad un’espansione dell’uso dei modelli globali al posto di quelli regionali per ridurre l’impatto degli errori numerici che si verificano ai confini tra le regioni. Potrebbero consentire ai meteorologi di generare grandi ensemble di previsioni che rappresentano una gamma di possibilità meteorologiche future e di integrare processi fisici (come la propagazione degli incendi) che hanno effetti pronunciati sulla qualità dell’aria e sulla salute umana, ma richiedono molto tempo per essere eseguiti su computer standard”, evidenziano i due esperti.
I rischi dell’intelligenza artificiale per le previsioni meteo
“Tuttavia, l’intelligenza artificiale presenta anche potenziali rischi sia per il nowcasting che per le previsioni meteorologiche globali”, sottolineano Ebert-Uphoff e Hilburn. “Tre di questi rischi riguardano eventi estremi, che è più probabile che si verifichino in un clima che cambia. In primo luogo, a seconda della durata dei registri di dati utilizzati per addestrare il modello AI, gli eventi estremi, come le “tempeste monster” che attualmente si verificano solo poche volte in un secolo, potrebbero essere sottocampionati. In secondo luogo, i modelli AI per le previsioni meteorologiche sono in genere ottimizzati prendendo misurazioni degli errori accurate a livello locale e calcolandone la media su grandi regioni. Ciò potrebbe portare a problemi nella previsione delle caratteristiche meteorologiche, come forti tempeste, fronti o cicloni tropicali. E terzo, il comportamento di un sistema di intelligenza artificiale è spesso imprevedibile quando il programma opera in condizioni che non ha mai incontrato prima. Un evento meteorologico estremo potrebbe quindi innescare previsioni altamente irregolari”.
“Altre questioni sono di natura più tecnica”, viene spiegato. “Nella costruzione di modelli che prevedono diverse variabili, come Pangu-Weather, i ricercatori devono prendere ulteriori precauzioni per considerare le dipendenze tra tali variabili. I modelli di previsione numerica hanno queste dipendenze integrate, ma i modelli AI no. Inoltre, molti modelli di intelligenza artificiale sono ancora solo proof-of-concept e non includono tutte le variabili che un previsore vorrebbe vedere, come il tipo di precipitazione, ad esempio pioggia, grandine o neve, o i fattori fisici coinvolti nelle precipitazioni. Infine, i modelli complessi, come Pangu-Weather, richiedono notevoli risorse computazionali e solo le grandi aziende possono attualmente permettersi di svilupparli”.
Un invito all’azione
“Dati sia i potenziali benefici che i rischi associati ai modelli di intelligenza artificiale per le previsioni meteorologiche, vorremmo lanciare un invito all’azione”, scrivono Ebert-Uphoff e Hilburn. “Ora è il momento per i meteorologi di essere coinvolti per garantire che i modelli di previsione meteorologica basati sull’intelligenza artificiale siano adatti ai loro compiti e per imparare a interpretare le loro previsioni. Questo punto è cruciale, perché i modelli di intelligenza artificiale si comportano in modo diverso dai modelli basati sulla fisica, quindi comprendere le loro previsioni richiede una formazione specializzata. E sebbene tali modelli complessi non siano banali da sviluppare, possono essere eseguiti facilmente su computer standard. Ad esempio, stiamo utilizzando il codice che è stato messo a disposizione dagli sviluppatori di FourCastNet per generare previsioni in tempo reale che possono essere confrontate con previsioni meteorologiche numeriche e osservazioni satellitari per fornire feedback agli sviluppatori. Un requisito fondamentale di tali iniziative è che le pubblicazioni siano accompagnate da un codice di facile esecuzione. Su questa base, pensiamo che gli editori di riviste dovrebbero imporre la disponibilità di tale codice. Ci auguriamo che i ricercatori trarranno vantaggio dall’accesso al codice Pangu-Weather e NowcastNet per valutare ulteriormente i modelli, fornire feedback e aiutare i meteorologi a decidere sull’uso appropriato di questi modelli tenendo presente la sicurezza pubblica”, concludono Ebert-Uphoff e Hilburn.
