Roma – Alcuni modelli per le previsioni del tempo sono stati surclassati da un modello predittivo basato sul machine learning. I risultati sono stati riportati su “Nature” da ricercatori guidati da Google Research. Il modello, denominato NeuralGCM, supera alcuni modelli esistenti di previsione meteorologica e climatica e ha il potenziale per realizzare grandi risparmi in termini di potenza di calcolo rispetto ai modelli convenzionali. I modelli di circolazione generale (GCM), che rappresentano i processi fisici dell’atmosfera, dell’oceano e della terra, costituiscono la base per le previsioni meteorologiche e climatiche. Ridurre l’incertezza sulle previsioni a lungo termine e sulla stima degli eventi meteorologici estremi è fondamentale per aiutare a comprendere la mitigazione e l’adattamento climatico.
NeuralGCM può simulare l’atmosfera più velocemente dei modelli fisici all’avanguardia, generando al contempo previsioni a un livello di accuratezza comparabile. Questo grafico confronta i giorni di simulazione atmosferica generati da NeuralGCM e due modelli fisici in 30 secondi di tempo di calcolo. I tre modelli sono stati eseguiti a diverse risoluzioni, con X-SHiELD alla massima (0,03°), NCAR CAM6 a 1,0° e NeuralGCM alla minima (1,4°). NOAA X-SHiELD è un modello fisico ad alta risoluzione che deve essere eseguito su un supercomputer. NCAR CAM6 (AMIP) è un modello fisico a bassa risoluzione, solo per l’atmosfera, che i ricercatori usano più comunemente perché è meno costoso dal punto di vista computazionale. Sebbene NeuralGCM funzioni a bassa risoluzione, la sua accuratezza è comparabile a quella dei modelli a risoluzione più elevata. Credito: Google Research
I modelli di apprendimento automatico sono stati suggeriti come approccio alternativo alla previsione meteorologica con il vantaggio di costi computazionali ridotti, ma spesso non funzionano altrettanto bene quanto i GCM quando si tratta di previsioni a lungo termine. Gli autori dello studio hanno progettato NeuralGCM, un modello che combina l’apprendimento automatico e metodi basati sulla fisica, in grado di effettuare previsioni meteorologiche a breve e medio termine, nonché di simulare il clima per diversi decenni. Il modello può competere con l’accuratezza delle previsioni del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF, uno dei migliori modelli meteorologici convenzionali basati sulla fisica) per previsioni da 1 a 15 giorni. Per previsioni fino a 10 giorni in anticipo, NeuralGCM compete e talvolta supera la precisione degli approcci di machine learning esistenti. NeuralGCM produce simulazioni climatiche con lo stesso livello di accuratezza dei migliori metodi di machine learning e basati sulla fisica. Quando gli autori hanno incluso le temperature della superficie del mare nelle previsioni climatiche di 40 anni utilizzando NeuralGCM, hanno scoperto che i risultati prodotti dal modello corrispondevano alle tendenze del riscaldamento globale osservate nei dati dell’ECMWF. NeuralGCM ha inoltre sovraperformato i modelli climatici preesistenti nella previsione dei cicloni e delle loro traiettorie. Insieme, questi risultati suggeriscono che l’apprendimento automatico è un approccio praticabile per migliorare i GCM, concludono gli autori. (30Science.com)
