Le prospettive per le previsioni meteo potrebbero essere in procinto di subire un significativo cambiamento grazie a un nuovo sistema basato sull’Intelligenza Artificiale sviluppato da Google DeepMind. Questo sistema, noto come GraphCast, ha affrontato le sfide delle previsioni a medio termine (entro 10 giorni) e ha dimostrato una precisione superiore rispetto ai modelli attualmente in uso nel 90% dei casi. Ha anche ottenuto risultati sorprendenti nelle previsioni di eventi meteo estremi, nonostante non fosse stato specificamente addestrato per tali scenari. I risultati di questo avanzato sistema sono stati pubblicati sulla rivista Science.
I ricercatori sottolineano, tuttavia, che GraphCast non è destinato a sostituire i metodi tradizionali, bensì a integrarli. Attualmente, la “previsione meteorologica numerica” rappresenta lo standard per le previsioni meteorologiche. Questo approccio si basa su modelli matematici dell’atmosfera terrestre, partendo dalle condizioni meteorologiche note al momento della previsione. Sebbene l’accuratezza di questo metodo sia notevolmente migliorata nel corso degli anni, rimane un processo complesso che richiede l’impiego di supercalcolatori a causa della vasta quantità di dati da analizzare.
Un’alternativa innovativa alle previsioni numeriche è rappresentata dalle metodologie basate sull’apprendimento automatico, come quella sviluppata dal team di ricerca guidato da Remi Lam. Il sistema GraphCast sfrutta i dati più recenti sulle condizioni meteo registrate nell’ora esatta e nelle 6 ore precedenti per generare previsioni a breve termine con un’alta risoluzione spaziale per le successive 6 ore. Successivamente, i dati ottenuti vengono nuovamente elaborati dall’IA per estendere la previsione fino a 10 giorni, il tutto in meno di 1 minuto.
Nel confronto con il sistema attualmente più avanzato per le previsioni a medio termine, GraphCast si è dimostrato superiore nel 90% dei casi, generando previsioni più precise anche per eventi meteorologici estremi, come cicloni tropicali e variazioni anomale di temperatura, nonostante il fatto che il sistema non fosse stato specificamente addestrato per gestire tali situazioni.
