Roma – Un nuovo modello di previsione meteorologica basato sull’apprendimento automatico di Google DeepMind porta a previsioni meteorologiche a 10 giorni migliori, più veloci e più accessibili rispetto agli approcci esistenti. Questo è quanto emerge da uno studio appena pubblicato su “Science”. Il modello, soprannominato “GraphCast”, ha sovraperformato i sistemi tradizionali nel 90 per cento dei casi testati. Ha ottenuto buoni risultati anche nelle previsioni relative ad eventi estremi, per i quali non era stato addestrato direttamente. “Crediamo che questo segni un punto di svolta nelle previsioni meteorologiche”, scrivono gli autori dello studio. L’approccio standard per le previsioni meteorologiche oggi è la “previsione meteorologica numerica (NWP)”. Sebbene l’accuratezza dei modelli NWP sia migliorata drasticamente nel corso dei diversi decenni, essi rimangono costosi, complessi e impegnativi dal punto di vista computazionale e richiedono maggiori risorse di calcolo per migliorare l’accuratezza delle previsioni. Le previsioni meteorologiche basate sull’apprendimento automatico (MLWP), che possono essere addestrate da dati storici, offrono da questo punto di vista un’alternativa promettente. Inoltre, le MLWP possono sfruttare il moderno hardware di deep learning per aumentare l’efficienza. Per lo studio appena pubblicato, i ricercatori di DeepMind guidati da Remi Lam hanno realizzato un metodo basato sull’apprendimento automatico per le previsioni meteorologiche a medio termine addestrato direttamente dai dati di rianalisi delle condizioni atmosferiche passate. Implementato come rete neurale, può è stato in grado di produrre previsioni accurate a 10 giorni in meno di un minuto su un singolo chip TPU. Per valutare la capacità di previsione di GraphCast, il team di Lam ha confrontato la precisione di GraphCast con quella di HRES – il modello deterministico di previsione meteorologica a medio termine più accurato attualmente utilizzato – su un gran numero di variabili meteorologiche e tempi di consegna. Hanno scoperto che GraphCast è stato in grado di superare significativamente l’HRES nel 90 per cento dei 1380 target di verifica. Inoltre, la piattaforma era migliore nel prevedere eventi gravi, tra cui cicloni tropicali, i fiumi atmosferici (regioni ristrette dell’atmosfera responsabili di un significativo trasporto di vapore acqueo verso i poli) e anomalie estreme delle temperature, nonostante non fosse specificamente addestrato su di essi. “Il nostro approccio non dovrebbe essere considerato un sostituto dei tradizionali metodi di previsione meteorologica”, affermano gli autori. “Piuttosto, il nostro lavoro dovrebbe essere interpretato come la prova che le MLWP sono in grado di affrontare le sfide poste dai problemi di previsione del mondo reale e hanno il potenziale per integrare e migliorare i migliori metodi attuali.” (30science.com)
