Prevedere il tempo il giorno dopo non è facile. Ancora meno quando affrontiamo le previsioni che vanno oltre la settimana o il mese. Ma i meteorologi potrebbero presto ricevere aiuto da un nuovo alleato: l’intelligenza artificiale. Florence Rabier, amministratore delegato del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF), spiega come l’apprendimento automatico potrebbe rivoluzionare le previsioni.

Vi sarà capitato di ritrovarsi sotto un acquazzone quando è stato annunciato bel tempo. Tuttavia, la meteorologia è davvero una scienza. Quella dedicata allo studio dei fenomeni che avvengono nella nostra atmosfera e più precisamente, nel suo strato più basso, la troposfera. Allora come si spiegano questi errori?

Il Centro europeo per le previsioni meteorologiche a medio termine (ECMWF) è un’organizzazione intergovernativa creata nel 1975, in un momento in cui la validità delle previsioni meteorologiche difficilmente superava uno o due giorni. È ora supportato da 34 Stati membri e cooperanti. Il suo obiettivo: rendere le previsioni valide e utili fino a dieci giorni. E secondo i punteggi della World Meteorological Organization (WMO), il modello ECMWF è il miglior modello al mondo oggi.

Primo, dal fatto che la scienza può sbagliarsi. È anche in questo modo che progredisce. “Quando è stato istituito il Centro europeo per le previsioni meteorologiche a medio termine (ECMWF), – spiega Florence Rabier, meteorologa e CEO di ECMWF – le nostre previsioni erano basate su un modello atmosferico. Poi ci siamo resi conto che per fare buone previsioni non potevamo accontentarci dei dati atmosferici. Abbiamo dovuto guardare al sistema Terra nel suo insieme, integrando altri elementi come gli oceani, la terra o la criosfera. Ciò complica ulteriormente l’oggetto di studio. Tanto più che “anche se i nostri utenti sono prevalentemente europei, dobbiamo essere interessati al sistema su scala globale, perché in termini di previsioni meteorologiche, tutto è collegato. I modelli utilizzati dall’ECMWF sono ora sempre più simili ai modelli climatici. Con tutta la complessità che comporta. E i rischi intrinseci di errore.

Il lavoro di ECMWF è fornire previsioni sempre più precise nel medio termine. “Per i meteorologi, questo corrisponde a un periodo compreso tra 3 e 10 giorni”, precisa Florence Rabier. Dagli anni ’60, gli esperti stimano di aver migliorato le loro previsioni di un giorno per decennio. “Su scala globale, ora disponiamo di previsioni affidabili per sette giorni. E l’ECMWF spera di vincere un altro giorno nel prossimo decennio, grazie al progresso dei supercomputer e soprattutto al machine learning.

Il potere dell’intelligenza artificiale al servizio del tempo

“Utilizziamo il nostro modello più volte al giorno fino a 15 giorni di scadenza, più volte alla settimana fino a un mese e mezzo di scadenza e anche più volte al mese alla scadenza stagionale. Per questo, ci affidiamo alle prestazioni di un supercomputer, l’HPC. In futuro, lavoreremo duramente per adattare i nostri codici alle architetture ibride e quindi diventare ancora più efficienti.

Per quanto riguarda l’apprendimento automatico, l’ambizione è integrarlo lungo l’intera catena di elaborazione delle informazioni. A partire dalla fase di preelaborazione dell’osservazione. “Ogni giorno dobbiamo elaborare centinaia di milioni di osservazioni e selezionare le più rilevanti, quelle che alimenteranno il nostro modello, cioè da 60 a 80 milioni. Con l’apprendimento automatico, speriamo di migliorare l’ordinamento e la coerenza di queste osservazioni. “Soprattutto perché presto saranno arricchiti dai dati di una miriade di oggetti connessi. “Dai pluviometri installati nei giardini ai tergicristalli delle auto di domani che ci diranno quando partiranno. Dati non calibrati, provenienti da fonti non convenzionali che il machine learning dovrebbe essere in grado di aiutarci a gestire.”

Poi arriva la fase che i meteorologi chiamano assimilazione dei dati. Una fase durante la quale, come accennato in precedenza, la scienza integra i suoi errori per progredire. “Il nostro modello fornisce previsioni eccellenti in poche ore. Ricombinando quasi continuamente queste previsioni con le nuove osservazioni che ci giungono, possiamo riformulare la traiettoria del modello mentre avanza nel tempo. Tradizionalmente, parliamo dell’approccio di stima bayesiano. Ma questo è anche ciò che fa l’apprendimento automatico. Questo ci permette di correggere gli errori casuali del sistema, ma anche i bias del nostro modello. “

Un altro settore in cui i meteorologi sperano di beneficiare del potere dell’apprendimento automatico è la parametrizzazione delle equazioni, ovvero l’aggiunta di parametri, oltre ai semplici aggiustamenti. “Il nostro modello si basa su molte equazioni che raccontano come viaggia il vento, come la radiazione solare entra nell’atmosfera, come le particelle salgono nell’aria. Dietro ci sono complesse leggi della fisica. Tutto ciò è molto costoso in termini di tempo di calcolo, perché richiede la gestione di molte informazioni fisiche. La parametrizzazione delle nostre equazioni, utilizzando un modulo di apprendimento automatico, potrebbe accelerare il processo fino a dieci volte. “Un modo per aumentare la risoluzione del modello e quindi la sua qualità. “Perché allora potremmo, senza impiegare più tempo di oggi, prendere in considerazione più processi, più osservazioni e puntare a una risoluzione più precisa”.

Insomma, siamo di fronte a un nuovo mondo di possibilità che sembra aprirsi alla meteorologia. Tuttavia, la cautela è d’obbligo, perché l’attuale riscaldamento globale potrebbe arrivare e rimescolare le carte. “Ha cambiato il mondo e le dinamiche meteorologiche che abbiamo osservato in passato potrebbero non essere più valide in futuro”, avverte Florence Rabier.