Intelligenza artificiale: Come i programmi di intelligenza artificiale influenzano le previsioni del tempo

L'intelligenza artificiale (AI) è attualmente sulla bocca di tutti, che si tratti di immagini, video, musica o altro. In ogni cosa si cerca di addestrare i computer a ottenere risultati migliori di quelli raggiunti finora e a semplificare la nostra vita in generale o almeno a rendere più efficienti i processi di lavoro.

L'esempio più evidente è Chat GPT. Giunto alla sua quarta versione, questo software non solo emette testi, ma può anche tenere vere e proprie conversazioni. L'IA viene utilizzata anche in meteorologia. I miei colleghi del reparto IT la utilizzano regolarmente per analizzare, generare e migliorare i codici di programmazione. E funziona a meraviglia!

I computer vengono quindi addestrati utilizzando le conoscenze esistenti. Se c'è una domanda specifica che potrebbe già conoscere, la macchina stima quale sia la risposta più probabile. I risultati spesso si adattano abbastanza bene o migliorano di query in query.

Interessante anche questo:

• Intelligenza artificiale: un nuovo strumento permette di prevedere onde mostruose e mortali
• Applicazioni per la vela: I 10 migliori programmi meteo e di rotta
• Meteorologia: quali parametri influenzano il tempo per i naviganti

Quando si tratta di stimare le probabilità, si finisce quasi inevitabilmente nelle previsioni del tempo. Per molto tempo, sono stati utilizzati vari modelli e molte corse individuali per stimare come sarà il tempo nei giorni a venire. Un sistema molto caotico che a volte è in grado di fornire previsioni accurate per dieci giorni, ma a volte per non più di 24 ore.

La meteorologia si offre come campo di prova per l'IA

I modelli meteorologici si ripetono fondamentalmente da soli e seguono principalmente le regole atmosferiche della termodinamica. Quindi il quadro di base è pronto. Questo è ciò che pensano Google e il Centro europeo per le previsioni meteorologiche a medio raggio (ECMWF), tra gli altri.

Google dispone dell'infrastruttura necessaria per i calcoli dell'intelligenza artificiale sotto forma di computer mainframe, mentre l'ECMWF dispone di grandi quantità di dati meteorologici. In combinazione, è stato creato il modello meteorologico GraphCast. Questo modello, ancora sperimentale, è stato alimentato con i cosiddetti dati di rianalisi. In altre parole, i valori misurati sono stati mescolati con i dati del modello per ottenere i modelli meteorologici globali degli ultimi decenni. Fino a circa 30 anni fa, la rete di misurazione non era così fitta come oggi.

In questo modo, la situazione meteorologica è stata ricalcolata a ritroso. Il modello GraphCast è stato quindi alimentato con il meteo globale dal 1979 al 2017. Ha imparato come si comportano i modelli meteorologici e quali sono le condizioni meteorologiche che ne derivano per i giorni successivi in vari luoghi del mondo.

Per iniziare il calcolo di una previsione meteorologica, tutto ciò che serve è l'andamento delle distribuzioni globali di pressione delle sei ore precedenti e la situazione attuale. Insieme a quanto appreso, questo è sufficiente per ottenere una previsione per le ore successive.

Tuttavia, un comunicato stampa di Google ha poi elettrizzato gli esperti. Innanzitutto perché il modello generato dall'intelligenza artificiale ha un tasso di successo superiore al 90%. Noi meteorologi siamo rimasti ancora più sbalorditi, perché ci vuole meno di un minuto di tempo di calcolo per produrre una previsione così affidabile per i prossimi dieci giorni! In confronto, i precedenti modelli meteorologici operativi impiegano dalle quattro alle sei ore per produrre il risultato.

Superiorità nella previsione di condizioni meteorologiche estreme

Come funziona? Nel modello ECMWF vengono avviate simultaneamente 52 corse individuali, ognuna delle quali prevede piccole modifiche delle condizioni iniziali. Una stima viene fatta dopo un massimo di sei ore. Le linee più vicine mostrano anche il percorso più probabile dei sistemi meteorologici nei prossimi giorni. Ciò che si vede su Windy, ad esempio, come modello ECMWF, non è altro che il risultato più probabile di 52 calcoli di singoli modelli.

È anche possibile visualizzare tutte le 52 previsioni individuali, soprattutto per le previsioni locali. In questo modo, ad esempio, una gara ad Amburgo può avere una temperatura di 30 gradi, mentre un'altra prevede solo 15 gradi per lo stesso giorno. Tutte le altre gare si trovano nel mezzo, quindi c'è un'alta probabilità che la temperatura si aggiri intorno ai 20 gradi.

È ora possibile visualizzare i risultati delle singole corse non solo per una località specifica, ma anche per vaste regioni. Ciò significa che con un solo modello meteorologico, avrete a disposizione 52 mappe meteorologiche diverse, tra le quali dovrete scegliere solo quella più probabile.

Certo, tutto questo sembra un po' complicato, ed è per questo che è necessario un lungo tempo di calcolo. GraphCast è stato quindi testato con questo modello ECMWF, e quindi con quello più affidabile fino ad oggi. In termini di precisione per i parametri vento, temperatura e pressione atmosferica, è risultato immediatamente superiore. Ma a quanto pare era anche migliore nelle previsioni di condizioni meteorologiche estreme, anche se non era ancora stato addestrato per questo!

Tuttavia, sono stati confrontati due modelli meteorologici relativamente grossolani. GraphCast è stato utilizzato con una griglia di 28 per 28 chilometri e anche il modello ECMWF è stato utilizzato esattamente con questa dimensione. Ciò significa che ci sono solo punti che producono risultati ogni 28 chilometri in longitudine e ogni 28 chilometri in latitudine. Questo va bene per prevedere i percorsi e l'evoluzione delle massime e delle minime, ma non, ad esempio, i fenomeni locali come i venti marini.

I modelli per le previsioni a lungo termine saranno più stabili e affidabili.

Oggi, tuttavia, è possibile raggiungere una scala molto più piccola. Il modello ICOND2 del Servizio meteorologico tedesco ha una risoluzione di 2,1 chilometri. Per ora è ancora molto più avanti dell'IA. Tuttavia, se anche GraphCast o altri modelli di IA si spingeranno in queste sfere di risoluzione o diventeranno ancora più piccoli, sarà certamente possibile prevedere meglio di oggi eventi più regionali come i temporali e forse i tornado.

Come se non bastasse, Google ha anche co-sviluppato estensioni di GraphCast, come NeuralGCM. Si tratta di un modello che combina l'intelligenza artificiale e il tradizionale metodo di previsione meteorologica basato sulla fisica: I fenomeni atmosferici su larga scala vengono simulati e, allo stesso tempo, le caratteristiche più piccole come le nuvole e le precipitazioni vengono stimate con precisione grazie alle reti neurali. Questo dovrebbe portare a modelli più stabili e affidabili per le previsioni a lungo termine.

Il gigante del software ha collegato all'IA anche un altro strumento: Scalable Ensemble Envelope Diffusion Sampler (SEEDS) è il nome del metodo che, come già detto, consente di calcolare diverse previsioni per stimare lo scenario più probabile. Questo metodo viene utilizzato principalmente per riconoscere gli eventi meteorologici estremi in una fase più precoce.

Sebbene non si tratti di un metodo nuovo in linea di principio, queste numerose varianti di previsione vengono generate in una frazione del tempo di calcolo precedente, soprattutto grazie all'intelligenza artificiale. Chiunque voglia farsi un'idea dell'accuratezza già raggiunta dal modello GraphCast può farlo facilmente. Le mappe meteorologiche giornaliere del progetto sono disponibili sul sito web dell'ECMWF e possono essere confrontate con quelle del modello operativo.

Vedere cosa dovrebbe accadere ogni 15 minuti grazie all'IA

Se le applicazioni di intelligenza artificiale dovessero penetrare ulteriormente nella scena meteorologica e sostituire i modelli numerici esistenti - e lo faranno! -questo avrebbe enormi conseguenze. In particolare, la capacità di calcolo risparmiata sarebbe disponibile per altre applicazioni. Ad esempio, il servizio meteorologico francese ha lanciato un nuovo modello, Arome PI, che non solo calcola la situazione meteo attuale ogni ora, ma anche ogni 15 minuti. Ciò significa che dovrebbe diventare sempre più preciso e raffinato per vedere, ad esempio, dove si stanno dirigendo i rovesci di pioggia e se e, soprattutto, dove se ne stanno formando di nuovi.

Finora lo sviluppo di celle di pioggia e quindi eventualmente anche di forti piogge con inondazioni è stato come una lotteria: paragono sempre la previsione di dove si verificherà il prossimo acquazzone all'acqua che bolle in una pentola. Anche in questo caso, nessuno può dire dove sorgeranno le prossime bolle.

È quindi già possibile cliccare sulle mappe meteorologiche e vedere cosa dovrebbe accadere ogni 15 minuti, nella speranza di avvicinarsi ancora di più alla realtà. Questo sarà uno strumento estremamente importante, soprattutto per gli avvisi di maltempo.

Anche la Cina non è inattiva quando si tratta di AI e meteo. L'azienda Huawei Cloud sta cercando di addestrare il proprio modello chiamato Pangu-Weather per le previsioni a sette giorni. L'università di Pechino, invece, si sta concentrando sulle previsioni delle precipitazioni su piccola scala, con un anticipo di sole tre ore, utilizzando il modello AI FourCastNet. Anche in questo caso, i modelli beneficiano delle statistiche degli ultimi anni.

Ma anche questo ha le sue insidie. Soprattutto in situazioni meteorologiche estreme, che si verificano sempre più spesso in tutto il mondo. Tali eventi non sono ancora inclusi nelle statistiche. Anche gli uragani e i tifoni di categoria da 3 a 5, noti come uragani maggiori o tifoni mostruosi, sono ancora troppo raramente rappresentati nei dati per poterli prevedere in modo affidabile. Inoltre, le equazioni fisiche utilizzate dai modelli finora impiegati sono reciprocamente dipendenti. Alcuni processi come le nubi, la radiazione e la turbolenza sono quindi interdipendenti e difficili da modellare. Tenerne conto non è facile, soprattutto con una risoluzione del modello di 28 x 28 chilometri.

I meteorologi saranno ancora necessari per la valutazione in futuro

Gli approcci sono quindi molto diversi. Pangu-Weather utilizzava solo dati osservativi come base. FourCastNet, invece, che lavora su una scala molto più piccola, utilizza sia l'intelligenza artificiale che le equazioni fisiche e le combina. Si dice che Pangu-Weather calcoli 10.000 volte più velocemente di modelli numerici analoghi. È quindi adatto per le previsioni a medio termine, ma non fa dichiarazioni sulle precipitazioni. È qui che entra in gioco l'altro modello che, più ci si avvicina all'evento meteorologico, consente una previsione più accurata della quantità di precipitazioni.

Il fatto che stiamo già parlando di due modelli utilizzati per applicazioni diverse indica che i meteorologi saranno ancora essenziali per una corretta valutazione della situazione in futuro. L'intelligenza artificiale non è di per sé una novità e i naviganti la utilizzano in una certa misura già da diversi anni. Soprattutto per quanto riguarda l'elaborazione di rotte in combinazione con le previsioni meteorologiche.

Si tratta di lavorare con strumenti software come "Expedition" o "Adrena" sulla base dei diagrammi polari della propria barca. Alla fine, i programmi indicano la rotta migliore o più veloce, tenendo conto del vento e delle condizioni meteorologiche.

Si sposta la nave virtuale in avanti, ora per ora, e si osserva il vento prevalente nella posizione raggiunta in quel momento. Il diagramma polare mostra la direzione e l'intensità del vento con cui l'imbarcazione sta navigando più velocemente. Le cosiddette isocrone vengono prodotte passo dopo passo, con la rotta suggerita corrispondente.

I velisti professionisti non fanno altro che ripetere più volte al giorno l'arrivo di nuovi dati meteo. È possibile includere anche i dati attuali. Questo permette al software di stimare la migliore rotta possibile. Tuttavia, questi calcoli richiedono tempo. Soprattutto se si inseriscono molti dati sulla propria nave.

L'intero sistema è stato utilizzato per qualche tempo anche nel settore del trasporto marittimo commerciale. L'intelligenza artificiale dovrebbe indicare la rotta ottimale e più sicura per le navi da carico o le navi cisterna nel più breve tempo possibile e senza la necessità di ricorrere a operatori meteorologici umani. In questo modo si risparmia carburante e quindi costi, anche grazie all'aiuto di vento, onde e correnti. Allo stesso tempo, si evita di rimanere intrappolati nelle tempeste e di perdere un prezioso carico di container.

Non da ultimo, grazie a Starlink Internet a bordo, questi calcoli non vengono più eseguiti sul computer di bordo, ma vengono esternalizzati su server esterni. I dati meteorologici attuali e storici sono già memorizzati lì, il che significa che i calcoli individuali per una specifica nave possono essere eseguiti ancora più rapidamente.

Questo è il futuro che si prospetta. Ma non possiamo fare a meno delle persone e delle loro competenze. Nonostante tutte le possibilità tecniche già esistenti, io e i miei colleghi siamo ancora il primo punto di contatto per i capitani quando vogliono valutare correttamente le condizioni meteorologiche ed elaborare la rotta migliore per il prossimo porto di destinazione.

E cosa fa l'intelligenza artificiale per noi marinai?

È molto probabile che in futuro sempre più applicazioni saranno in grado di creare percorsi automatizzati. L'utente deve semplicemente inserire la partenza e la destinazione, ad esempio da Kiel a Rostock, e aggiungere l'orario di partenza desiderato. L'applicazione calcola quindi il percorso migliore per le condizioni meteorologiche più probabili.

Quali sono le conseguenze? La navigazione autonoma, controllata e monitorata dall'intelligenza artificiale, arriverà inevitabilmente a breve? Sarà interessante vederlo. Tuttavia, affidarsi completamente alla tecnologia comporta dei rischi. Soprattutto perché il sistema meteorologico è così complesso e caotico che non sarà mai possibile modellare con precisione tutto ciò che lo compone. Le incertezze rimangono. Soprattutto quando si tratta di condizioni meteorologiche difficili, in cui è necessario consultare diversi modelli per ottenere una previsione affidabile.

Ancora una volta, occorre menzionare le condizioni meteorologiche estreme. Senza le conoscenze e l'esperienza pluriennale degli esperti di meteorologia non sarà certamente possibile classificarle con precisione per un certo periodo di tempo.

In particolare con gli strumenti di routing, su cui molti fanno già affidamento, la maggior parte delle persone non si rende conto che spesso tengono conto solo del vento medio. Le raffiche o altri parametri di maltempo non vengono presi in considerazione. Se poi si scaricano i dati meteo, che hanno una risoluzione temporale di sole tre ore, ad esempio, si rischia di non vedere nemmeno l'avvicinarsi di una situazione di maltempo.

La conoscenza della formazione e dello sviluppo del tempo di base è quindi ancora essenziale, così come lo è lavorare con esso in modo corretto. Ma bisogna anche saper usare tutti questi nuovi e affascinanti strumenti. Dopo tutto, il rapido ritmo dello sviluppo tecnologico non può essere ignorato. Con l'intento di migliorare le previsioni meteorologiche, cambierà il mondo in meglio, almeno in questo settore.

Io stesso sono entusiasta di vedere dove ci porterà il viaggio nei prossimi anni e voglio assolutamente farne parte.

Previsioni convenzionali e generate dall'IA a confronto

Sotto grafici.ecmwf.int Tutti i dati prodotti dal Centro meteorologico europeo ECMWF possono essere consultati su Internet. Non si trovano solo le previsioni del modello operativo e numerico convenzionale, che viene utilizzato anche, ad esempio, in Windy.com o altre app meteo private e commerciali. Al contrario, in fondo alla pagina molto completa, si trovano anche i nuovi modelli AI e i risultati che producono: Mentre non ci sono quasi deviazioni significative in una previsione relativamente a breve termine, intorno alle 24 ore, le differenze sono significative in un periodo di previsione più lungo.

Qui sopra un esempio di mappe meteorologiche basate su una previsione a dieci giorni per la distribuzione della pressione sull'Europa dal 31 luglio al 10 agosto 2024: mentre il modello numerico vede già un minimo molto forte al largo dell'Irlanda, anche i due modelli AI prevedono la formazione di questo minimo, ma con un notevole ritardo e, soprattutto, molto più a ovest, con il nucleo tra Terranova e la Groenlandia.

Quanto sono affidabili i vecchi e i nuovi modelli di previsione meteorologica?

I nuovi modelli di IA vengono costantemente confrontati con quelli precedenti. Anche il loro comportamento. Ad esempio, viene monitorata l'attività del modello. Se i grafici hanno un andamento regolare, si possono prevedere poche sorprese nelle previsioni su un periodo di dieci giorni. Solo il FuXI (un altro modello AI) nell'esempio mostra un comportamento molto caotico a partire dal quinto giorno. Al contrario, tutti gli altri modelli, sia quelli consolidati che i nuovi modelli AI, mostrano un calo rilassato dell'affidabilità delle previsioni. Per inciso, i valori a 500 hPa, misurati a un'altitudine di circa 5,5 chilometri, sono particolarmente importanti in questo caso. Essi forniscono la migliore indicazione di come si comporteranno le massime e le minime al suolo nei prossimi giorni.

Il fatto che la maggior parte dei modelli AI, come in questo esempio, mostri un comportamento simile a quello dei modelli AIFS e IFS dell'ECMWF, e che alcuni di essi siano già più accurati e meno soggetti a errori, è semplicemente sorprendente.