Recentemente, Google DeepMind ha presentato un modello di Intelligenza Artificiale (IA) chiamato GraphCast, capace di rivoluzionare le previsioni meteorologiche. Questo modello ha dimostrato di poter prevedere le condizioni meteorologiche con un’accuratezza e una rapidità notevolmente superiori rispetto al sistema attuale, l’High Resolution Forecast prodotto dall’European Centre for Medium-Range Weather Forecasts (ECMWF).
Come funziona il sistema tradizionale
L’High Resolution Forecast (HRES) prodotto dall’European Centre for Medium-Range Weather Forecasts (ECMWF) è un modello di previsione meteorologica avanzato che sfrutta complesse simulazioni numeriche per fornire previsioni a breve e medio termine. Ecco come generalmente funziona:
Raccolta dei dati: Il processo inizia con la raccolta di una vasta quantità di dati meteorologici provenienti da diverse fonti. Questi dati includono osservazioni satellitari, informazioni provenienti da stazioni meteo terrestri, e dati raccolti da boe oceaniche.
Ingresso nei modelli computazionali: I dati raccolti vengono quindi inseriti nei modelli computazionali del sistema di previsione meteorologica. Questi modelli suddividono l’atmosfera terrestre in una griglia tridimensionale e utilizzano equazioni matematiche che descrivono il comportamento della atmosfera, comprese le leggi della fisica e della dinamica dei fluidi.
Simulazioni numeriche: Attraverso simulazioni numeriche avanzate, il modello HRES cerca di predire come si evolveranno le condizioni atmosferiche in ogni punto della griglia nel corso del tempo. Questo processo richiede l’uso di supercomputer potenti e paralleli, che possono eseguire calcoli complessi su milioni di punti simultaneamente.
Iterazioni e aggiornamenti: Man mano che nuovi dati osservativi diventano disponibili, il modello viene costantemente aggiornato e ricalibrato. Questo processo di assimilazione dati aiuta a migliorare la precisione delle previsioni, consentendo al modello di adattarsi alle condizioni meteorologiche attuali.
Generazione delle previsioni: Una volta completate le simulazioni, il modello produce le previsioni meteorologiche per un periodo di tempo specificato. Queste previsioni possono coprire un intervallo di giorni o settimane, a seconda del raggio d’azione del modello.
Verifica delle previsioni: Le previsioni generate dal modello vengono poi confrontate con le osservazioni meteorologiche reali per valutarne l’accuratezza. Questo processo di verifica è cruciale per comprendere la qualità delle previsioni e apportare eventuali miglioramenti al modello.
L’ECMWF è noto per la qualità delle sue previsioni a medio termine e il modello HRES è uno dei componenti chiave di questo sistema. Tuttavia, è importante notare che, nonostante la sua precisione, nessun modello meteorologico è immune da limitazioni e incertezze, specialmente quando si tratta di previsioni a lungo termine.
Come funziona GraphCast?
A differenza dei modelli tradizionali, GraphCast sfrutta il deep learning, un’applicazione di IA basata su algoritmi progettati per imitare il cervello umano. Invece di risolvere complesse equazioni matematiche, GraphCast apprende dai dati meteorologici degli ultimi 40 anni forniti dall’ECMWF. Gli schemi ricorrenti nel modo in cui evolve l’atmosfera vengono utilizzati per prevedere come le rilevazioni meteo reali si evolveranno, senza la necessità di comprendere completamente tali schemi.
Come spiegato in un post da DeepMind, GraphCast richiede soltanto due set di dati come input: lo stato del meteo 6 ore fa e quello attuale. Il modello predice quindi il meteo tra 6 ore, ripetendo il processo di sei ore in sei ore fino a fornire previsioni del tempo tra 10 giorni. Lavorando in questo modo, GraphCast ha superato l’High Resolution Forecast in oltre il 90% delle variabili testate. Nella troposfera, la regione di atmosfera più vicina alla superficie terrestre, l’accuratezza è salita addirittura al 99,7%. Secondo uno studio pubblicato sulla rivista Science e riportato dal Washington Post, l’intelligenza artificiale di GraphCast si è dimostrata particolarmente accurata nelle previsioni a breve termine entro le 24 ore, nonché nelle anticipazioni di eventi meteorologici estremi come uragani e ondate di calore o gelo.
Nonostante il processo di addestramento abbia richiesto 33 computer e un mese di lavoro, l’algoritmo attuale è abbastanza leggero da restituire previsioni accurate in meno di un minuto su un normale PC. Questo innovativo modello, è infatti in grado di generare previsioni a 10 giorni con intervalli di sei ore per località sparse in tutto il mondo in meno di un minuto, utilizzando un computer delle dimensioni di una piccola scatola. Un modello convenzionale, operando su un supercomputer delle dimensioni di uno pulmino, richiederebbe un’ora o più per ottenere gli stessi risultati.
Gli scienziati di DeepMind suggeriscono che GraphCast potrebbe offrire allarmi più precoci su eventi meteo estremi, prevedere il percorso dei cicloni con maggiore precisione, individuare fiumi atmosferici associati al rischio di inondazioni e anticipare la comparsa di temperature estreme, avendo il potenziale di salvare vite.
Limiti e lavori futuri
Sebbene l’IA possa integrare i procedimenti delle previsioni meteo rendendoli più agili e precisi, è improbabile che sostituirà completamente il metodo tradizionale. I punti deboli includono l’incapacità di integrare continuamente i dati più aggiornati nel modello (noto come data assimilation) e la difficoltà di comprensione da parte degli esperti e delle stesse IA su come sono giunte a determinate conclusioni. Questi fattori potrebbero rendere difficile correggere gli errori in caso di previsioni inaccurate, erodendo la fiducia del pubblico nelle previsioni del tempo.
L’adozione su larga scala di modelli basati sull’intelligenza artificiale potrebbe aprire nuove frontiere nella ricerca meteorologica e nell’offerta di servizi più avanzati al pubblico. La continua evoluzione di tali tecnologie promette di migliorare ulteriormente la nostra capacità di comprendere e prevedere il clima, con impatti positivi sulla sicurezza e la pianificazione a livello globale.
Può interessarti anche: “YouTube introduce due novità che sfruttano l’Intelligenza Artificiale”
