Un modello di machine learning supera i sistemi tradizionali, migliorando le previsioni di eventi estremi e la pianificazione climatica.
Un nuovo modello di intelligenza artificiale, chiamato GenCast, è stato sviluppato per produrre previsioni meteo probabilistiche più affidabili e dettagliate rispetto ai metodi tradizionali. Pubblicato sulla prestigiosa rivista Nature, lo studio dimostra come GenCast superi i migliori sistemi attuali nella previsione del meteo a medio termine, con risultati particolarmente significativi per eventi meteorologici estremi, percorsi di cicloni tropicali e produzione di energia eolica.
Una nuova frontiera per le previsioni meteorologiche
Le previsioni meteo sono fondamentali per una vasta gamma di decisioni quotidiane, dalla scelta di portare un ombrello, alla pianificazione delle operazioni governative, fino all’ottimizzazione della produzione di energia eolica. I metodi tradizionali, basati su modelli numerici deterministici, stimano lo stato attuale del tempo e lo proiettano nel futuro, generando scenari che vengono combinati per formulare una previsione. Tuttavia, questi approcci presentano limiti nella gestione di eventi complessi o estremi.
GenCast: apprendimento dai dati meteorologici storici
GenCast, ideato da Ilan Price e colleghi, sfrutta l’apprendimento automatico per generare previsioni probabilistiche. Addestrato su 40 anni di dati meteorologici (dal 1979 al 2018), il modello analizza oltre 80 variabili atmosferiche e di superficie per produrre previsioni globali a 15 giorni, con intervalli di 12 ore, in soli 8 minuti.
Questo approccio consente a GenCast di calcolare non solo gli scenari più probabili, ma anche la probabilità di condizioni estreme, migliorando la capacità di pianificazione in situazioni critiche.
Risultati straordinari rispetto ai modelli tradizionali
I ricercatori hanno confrontato GenCast con il modello ENS (Ensemble Forecast System) del Centro Europeo per le Previsioni a Medio Termine, considerato il miglior sistema tradizionale di previsioni meteo a medio termine. I risultati sono impressionanti: GenCast ha superato ENS nel 97,2% dei 1.320 parametri valutati, dimostrandosi particolarmente efficace nelle previsioni di eventi estremi, come cicloni tropicali, e nella stima della produzione di energia eolica.
Implicazioni pratiche e prospettive future
Grazie alla sua capacità di fornire previsioni più rapide e precise, GenCast potrebbe rivoluzionare il modo in cui governi, organizzazioni e singoli individui pianificano e affrontano le sfide meteorologiche. La possibilità di prevedere con maggiore affidabilità eventi estremi e di ottimizzare risorse come l’energia eolica rappresenta un vantaggio strategico in un mondo sempre più dipendente da dati meteorologici accurati.
In conclusione, l’introduzione di GenCast segna un passo avanti significativo per la meteorologia, aprendo la strada a previsioni più affidabili e a un migliore utilizzo delle risorse tecnologiche per affrontare le sfide ambientali e climatiche.
Articolo Nature: Probabilistic weather forecasting with machine learning. DOI 10.1038/s41586-024-08252-9
