Per decenni, le previsioni meteorologiche a medio termine – che prevedono le condizioni con un anticipo da 1 a 5 giorni – si sono basate in larga misura sui modelli numerici tradizionali. Tuttavia, questo approccio spesso incontra difficoltà quando applicato a regioni specifiche con dati storici limitati. Ora, i ricercatori della Northwestern Polytechnical University in Cina hanno proposto un nuovo framework basato sul deep learning che migliora notevolmente l’accuratezza delle previsioni, anche in caso di dati limitati.
Per affrontare le principali sfide nelle previsioni regionali, il team ha introdotto un nuovo metodo che integra tre importanti innovazioni: l’uso di modelli di segmentazione semantica originariamente progettati per l’analisi di immagini mediche; un meccanismo di rumore gaussiano apprendibile che migliora la robustezza del modello; e una strategia di previsione a cascata che suddivide l’attività di previsione in fasi gestibili. Lo studio è stato pubblicato di recente su Atmospheric and Oceanic Science Letters.
“Il nostro obiettivo era rendere le previsioni regionali più intelligenti, veloci e affidabili, anche in scenari con dati limitati“, afferma il Professore Associato Congqi Cao, autore corrispondente dello studio. “Questo è particolarmente prezioso per le aree in cui non è disponibile una fitta rete di osservazioni meteorologiche”.
Il metodo è stato testato sul dataset dell’East China Regional AI Medium Range Weather Forecasting Competition, che include 10 anni di dati di rianalisi provenienti da ERA5. L’attività prevedeva l’utilizzo di variabili atmosferiche passate per prevedere cinque indicatori meteorologici chiave di superficie, tra cui temperatura, vento e precipitazioni, ogni 6 ore per i successivi 5 giorni.
I risultati
I risultati parlano da soli: il modello ha ottenuto miglioramenti significativi nelle prestazioni di previsione, superando molti modelli di previsione di intelligenza artificiale globali tradizionali. Nello specifico, il metodo ha ridotto gli errori di previsione della temperatura del 9,3%, ha migliorato il punteggio F1 delle precipitazioni del 6,8% e ha ridotto gli errori della velocità del vento del 12,5%.
“Questa è la prima volta che la segmentazione semantica e i meccanismi di rumore apprendibili vengono utilizzati insieme per le previsioni meteorologiche regionali”, spiega il Prof. Cao. “Apre nuove possibilità per previsioni accurate in altre regioni con dati scarsi”.
Studi futuri
Guardando al futuro, il team prevede di estendere il metodo ai sistemi in tempo reale e di applicarlo ad altre regioni della Cina. I ricercatori sperano che il loro lavoro possa in futuro rispondere alle esigenze di sicurezza pubblica, agricoltura e prevenzione dei disastri, fornendo previsioni più intelligenti, rapide e locali quando servono di più.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?