Fino ad oggi parlare di previsione meteo affidabili oltre i 14 giorni (e spesso anche meno) sembrava fantascienza, i modelli numerici tradizionali, per quanto sofisticati, andavano letteralmente in crisi non appena si superava il fatidico limite delle due settimane. Tuttavia, un nuovo studio condotto da un team di ricercatori dell’università di Washington, in collaborazione con DeepMind (azienda controllata da Alphabet) promette di cambiare radicalmente questo scenario.
Graphcast, il modello di intelligenza artificiale sviluppato da DeepMind, si è infatti dimostrato capace di prevedere le condizioni meteo con precisione fino a 33 giorni, un traguardo che se confermato in ambito operativo potrebbe rivoluzionare l’intero settore meteorologico.
L’intelligenza artificiale potrebbe rivoluzionare le previsioni meteo
Per chi non lo sapesse, le previsioni meteo sono affette da un limite teorico ben definito, quello del caos; già negli anni ’60 il matematico Edward Lorenz dimostrò che i modelli atmosferici, per loro natura, sono caotici e altamente sensibili alle condizioni iniziali. In altre parole, anche la minima imprecisione nei dati di partenza rende le previsioni inutilizzabili dopo un certo lasso di tempo, è il celebre effetto farfalla, che limita l’affidabilità a circa due settimane.
È proprio qui che entra in gioco Graphcast, invece di risolvere complicate equazioni fisiche su una griglia tridimensionale (come fanno i modelli numerici classici), il sistema di DeepMind impara dai dati e riesce a identificare pattern meteorologici su larga scala, anticipando l’evoluzione del tempo anche a lungo termine.
La vera innovazione, come spiegano i ricercatori guidati dal professor Trent Vonich, non sta solo nell’architettura dell’IA, ma nell’aver utilizzato un metodo intelligente per affinare i dati di partenza; confrontando le previsioni con i dati di rianalisi (ovvero ricostruzioni del tempo passato basate su osservazioni reali) il team ha migliorato sensibilmente l’accuratezza delle condizioni iniziali fornite da Graphcast.
Il risultato è stato un incremento medio dell’86% nella precisione delle previsioni a 10 giorni e, soprattutto, la possibilità concreta di ottenere previsioni coerenti e affidabili anche a 30 giorni di distanza, almeno in condizioni atmosferiche non troppo anomale rispetto ai dati con cui l’IA è stata addestrata.
Va sottolineato ovviamente che i modelli IA e quelli fisici non sono alternativi, ma complementari, i modelli numerici si basano su equazioni fisiche e descrivono con grande dettaglio l’evoluzione della pressione, della temperatura e dell’umidità; tuttavia hanno bisogno di enormi risorse computazionali e restano limitati nella scala temporale. L’intelligenza artificiale invece, richiede meno potenza di calcolo, ma tende a produrre risultati “non fisici” se non opportunamente vincolata; per ovviare a ciò, DeepMind ha utilizzato tecniche avanzate di coerenza verticale e modellazione tridimensionale, capaci di mantenere il sistema in equilibrio.
L’interesse della comunità scientifica nei confronti dello studio è evidente, il passaggio da 14 a 30 giorni di previsione affidabile cambierebbe completamente il modo in cui pianifichiamo viaggi, coltivazioni, logistica e interventi di protezione civile; tuttavia, come sottolineato dagli stessi autori, la sfida è ora testare questi modelli in scenari dinamici e reali, dove le condizioni atmosferiche possono discostarsi dai dati storici. Solo allora si potrà capire se l’IA potrà sostituire, o almeno affiancare in modo efficace, i metodi tradizionali.