Le sfide per migliorare l’accuratezza delle previsioni meteorologiche attraverso l’utilizzo dell’intelligenza artificiale (AI) continuano ad evolversi. Attualmente, le previsioni meteorologiche vengono realizzate combinando il giudizio umano con i risultati ottenuti dalla risoluzione di complesse equazioni che coinvolgono numerose variabili meteorologiche come temperatura, precipitazioni, pressione atmosferica, vento, umidità e radiazione solare. Questi calcoli vengono eseguiti utilizzando supercomputer.
Tuttavia, poiché i supercomputer analizzano le diverse variabili meteorologiche in successione, è necessario molto tempo e risulta difficile ottenere previsioni accurate. Ciò accade perché le nuove variabili emergono gradualmente a causa dei cambiamenti meteorologici estremi causati dal riscaldamento globale. Questa è la ragione principale per cui le previsioni del tempo spesso presentano errori.
A causa di questa complessità, il periodo di previsione attendibile si è esteso di circa un giorno ogni decennio. Ad esempio, mentre nel 1980 le previsioni accurate raggiungevano solo i 3 giorni, oggi siamo in grado di ottenere previsioni accurate per 7 giorni.
Recenti rapporti indicano che l’introduzione dell’intelligenza artificiale sta contribuendo ad aumentare l’accuratezza delle previsioni. Si afferma che l’AI sta riducendo significativamente il tempo necessario per calcolare le variabili complesse, migliorando così la precisione delle previsioni. In particolare, i modelli basati sull’apprendimento automatico (ML) stanno emergendo e attirando l’attenzione poiché sono in grado di effettuare previsioni senza l’utilizzo di dati preesistenti.
Secondo importanti fonti straniere come il Washington Post e il MIT Technology Review, aziende tecnologiche leader come Nvidia stanno introducendo l’intelligenza artificiale nei modelli di previsione meteorologica, ottenendo significativi miglioramenti nella velocità di analisi delle variabili e nell’accuratezza delle previsioni.
Uno dei modelli menzionati è “Forecastnet”, annunciato da Nvidia lo scorso anno, che risulta essere 50.000 volte più veloce rispetto ai modelli di previsione meteorologica attuali. Inoltre, l’efficienza energetica di questo modello è migliorata di 10.000 volte.
Un altro esempio è “Graphcast”, sviluppato da Google Mind, che è in grado di generare previsioni del tempo per un periodo di 10 giorni in soli 60 secondi. È stato dimostrato che questo modello è più preciso del 10-30% rispetto ai modelli di previsione del Centro europeo per le previsioni a medio termine (ECMWF).
Inoltre, a marzo, Microsoft ha rilasciato “ClimaX”, un modello di previsione meteorologica basato sul deep learning, che mira a migliorare l’accuratezza delle previsioni e che è disponibile come open source. Questo modello è caratterizzato dalla sua capacità di eseguire diverse attività di modellazione delle previsioni meteorologiche basate sui trasformatori di visione.
I modelli di intelligenza artificiale apprendono dai dati storici e dalle previsioni dei modelli meteorologici esistenti, trovando autonomamente relazioni causali tra le variabili e generando previsioni.
Recentemente, Huawei ha pubblicato un documento di ricerca su “Nature” che dimostra che il loro modello di previsione meteorologica basato sull’intelligenza artificiale, chiamato “Pangu-Weather”, è in grado di tracciare con precisione il percorso dei cicloni tropicali anche senza un addestramento specifico. Ciò rappresenta un esempio di come i modelli di apprendimento automatico siano in grado di comprendere i processi fisici del clima e di generalizzare in modi mai visti prima.
“Negli ultimi sei mesi, i modelli di apprendimento automatico hanno compiuto grandi progressi”, ha dichiarato Peter Duben, responsabile della modellazione meteorologica globale presso l’ECMWF, in un’intervista al Washington Post. Tuttavia, ha sottolineato l’importanza di acquisire maggiore esperienza nell’utilizzo di tali modelli.