IA e meteorologia: come AIFS dell'ECMWF sta superando la previsione fisica nel medio termine

Per più di settant'anni, fare una previsione del tempo ha voluto dire una cosa sola: far risolvere a un supercomputer le equazioni della fluidodinamica e della termodinamica atmosferica. È l'approccio della previsione numerica del tempo, la NWP, che consuma molta energia e richiede tempi di calcolo lunghi. Secondo MeteoWeb, negli ultimi due anni quel paradigma è stato scardinato dai modelli basati su intelligenza artificiale e machine learning, che imparano la dinamica dell'atmosfera da decenni di dati storici di rianalisi e producono scenari globali in una frazione di secondo.

In prima fila c'è il Centro Europeo per le Previsioni Meteorologiche a Medio Termine, l'ECMWF di Reading. Accanto al suo modello fisico IFS, l'Integrated Forecasting System, ha messo in produzione AIFS, l'Artificial Intelligence Forecasting System. Nel medio termine AIFS eguaglia l'accuratezza dei metodi tradizionali e, per molti parametri, la supera. MeteoWeb ne ha parlato con Peter Dueben, responsabile del Dipartimento Earth System Modelling dell'ECMWF.

Dueben ricorda che il lavoro è partito all'inizio del 2023, quando il centro ha riunito al proprio interno una massa critica di competenze di machine learning e ha avviato lo sviluppo di un sistema operativo. La fiducia è stata costruita esaminando le previsioni ogni giorno e condividendo i risultati con la comunità meteorologica. Con i servizi meteorologici nazionali l'ECMWF ha sviluppato Anemoi, una libreria software condivisa per le previsioni basate su machine learning. L'obiettivo era portare in uso operativo sia la versione deterministica sia quella ensemble di AIFS.

Il nodo più delicato è la coerenza fisica. Un modello di machine learning è spesso una scatola nera: se ne vedono le previsioni, ma non sempre il percorso che le ha prodotte. Dueben dice che a sorprendere è stato il realismo fisico del comportamento quotidiano dei modelli, senza derive davvero non fisiche. Gli studi sugli eventi estremi, difficili per i modelli statistici, hanno dato risultati molto incoraggianti. Il team ha comunque modificato in alcuni punti l'architettura e la funzione di perdita per avvicinare il modello alla fisica, e per lui servono solide conoscenze di dinamica meteorologica già nella progettazione.

Resta il rischio di usare un modello addestrato su pochi decenni di dati per eventi che accadono forse una volta ogni qualche secolo. Dueben osserva però che i modelli si sono mostrati sorprendentemente robusti anche davanti a estremi fuori dalla loro esperienza di addestramento, compresi eventi mai osservati. Una ragione è che imparano dalla meteorologia di tutto il globo: possono apprendere come funzionano le piogge intense ai tropici e applicarlo a regioni dove sono rare. Non per questo i test diventano superflui, soprattutto con il clima che cambia la dinamica del sistema Terra.

Sull'assimilazione dei dati, oggi quasi tutti i modelli di IA partono da analisi prodotte dai sistemi tradizionali 4D-Var. All'ECMWF si sta sviluppando un modello che genera previsioni direttamente dalle osservazioni, senza il passaggio con il modello fisico. Dueben dice che i risultati migliorano in fretta, ma che non si sa ancora se l'approccio supererà l'assimilazione convenzionale. Per una risposta più chiara, suggerisce di riporgli la domanda tra un anno.

Per l'incertezza, l'ensemble fisico dell'ECMWF conta 50 membri. Le previsioni basate su IA costano molto meno, quindi se ne potrebbero produrre molte di più, ma i guadagni diminuiscono: cento previsioni non sono due volte meglio di cinquanta. Dueben si dice molto soddisfatto dei risultati dell'ensemble di AIFS, ottenuti con metodi di addestramento specifici.

Sul futuro, i primi tentativi di usare il machine learning per riprodurre singoli componenti dei modelli fisici si sono rivelati complessi, e i modelli di machine learning puri hanno superato quelli ibridi. Tra gli approcci più promettenti c'è ora una previsione di machine learning che guida i grandi schemi su scala globale dentro un modello fisico, a cui resta il dettaglio sulle scale più piccole. L'ECMWF sta valutando questa modellistica ibrida per l'uso operativo nel prossimo futuro.