I ricercatori dell’Istituto di Scienze Industriali dell’Università di Tokyo e del College of Science della George Mason University hanno sviluppato un nuovo metodo che migliora le previsioni della temperatura dell’aria con un anticipo da una a cinque settimane, senza richiedere ulteriori simulazioni modellistiche. La metodologia, descritta in dettaglio nella rivista Proceedings of the National Academy of Sciences, offre un duplice vantaggio: non richiede un aumento significativo dei costi computazionali e al contempo migliora le previsioni.
L’approccio seleziona e conserva solo i membri dell’ensemble che hanno dimostrato un’elevata capacità predittiva, offrendo una soluzione pratica per migliorare le previsioni sub-stagionali e stagionali (S2S) entro i limiti delle risorse disponibili. L’approccio può essere esteso anche ai sistemi di previsione basati sull’apprendimento automatico, alle previsioni idrologiche e ai modelli climatici.
Perché le previsioni sub-stagionali sono complesse
Le previsioni S2S collegano le previsioni meteorologiche a breve termine con le prospettive stagionali, ma la loro accuratezza spesso diminuisce rapidamente oltre le due settimane a causa delle dinamiche atmosferiche caotiche. Aumentare la dimensione dell’ensemble può essere d’aiuto, ma i limiti computazionali ne limitano l’applicabilità. Il team di ricerca ha introdotto un semplice metodo di post-elaborazione chiamato LEAS (Lagged Ensemble Analog Sub-Selection). Invece di raggruppare tutte le previsioni passate nell’ensemble più recente, LEAS riutilizza selettivamente solo i membri dell’ensemble precedente che hanno riprodotto con maggiore precisione le condizioni osservate all’ultimo momento di inizializzazione.
“Le previsioni precedenti non sono obsolete”, ha affermato Paul Dirmeyer, Distinguished University Professor presso il Dipartimento di Scienze dell’Atmosfera, dell’Oceano e della Terra (AOES). “L’atmosfera e la superficie terrestre forniscono una preziosa memoria che può influenzare il tempo per settimane. Mantenendo e raggruppando i membri con le migliori prestazioni di una serie di previsioni, possiamo migliorare le prestazioni delle previsioni senza dover rieseguire il modello”, ha spiegato Dirmeyer, che è anche ricercatore senior presso il Center for Ocean-Land-Atmosphere Studies (COLA) della George Mason University.
Come si è comportato LEAS nei test
LEAS è stato valutato utilizzando le previsioni retrospettive della temperatura massima giornaliera sul Nord America provenienti da quattro modelli S2S operativi in tutto il mondo. Considerando diversi orizzonti temporali, dalla settimana 1 alla settimana 5, il metodo ha migliorato sia le capacità di previsione deterministiche che quelle probabilistiche. In alcune regioni, l’errore di previsione della temperatura è stato ridotto fino al 10% circa, e anche la capacità di prevedere eventi di caldo estremo è migliorata.
“Ciò che ci ha sorpreso di più è stato che una strategia così semplice abbia funzionato in modo coerente in tutti e quattro i sistemi di previsione indipendenti”, ha affermato il Dott. Daisuke Tokuda, docente del progetto presso l’Istituto di Scienze Industriali dell’Università di Tokyo.
Un equilibrio tra scienza, ingegneria ed efficienza
Gli approcci convenzionali alle previsioni meteorologiche tentano di gestire la natura caotica dell’atmosfera eseguendo più simulazioni a partire da condizioni iniziali leggermente diverse, una strategia nota come previsione d’insieme. Questo aiuta a tenere conto dell’incertezza, ma aumentare la dimensione dell’insieme richiede un costo computazionale significativo. La semplice aggiunta di previsioni da inizializzazioni precedenti non migliora necessariamente la previsione più recente.
“Il nostro metodo ci permette di combinare i migliori aspetti di entrambi gli approcci“, ha aggiunto Tokuda. “Selezioniamo e manteniamo solo i membri dell’ensemble che hanno dimostrato un’elevata capacità predittiva, evitando il degrado che può verificarsi quando vengono incluse previsioni più vecchie e di qualità inferiore“.
Poiché LEAS non richiede calcoli aggiuntivi, offre una soluzione pratica per migliorare le previsioni operative S2S entro i limiti delle risorse esistenti. L’approccio potrebbe inoltre avere un impatto più ampio, con possibili applicazioni nei sistemi di previsione basati sull’apprendimento automatico, nelle previsioni idrologiche e nei modelli climatici.
“Prima di entrare all’AOES della George Mason University, ho studiato ingegneria“, ha ricordato Tokuda. “Ricordo vividamente una conversazione con il Professor Dirmeyer: ‘in ingegneria, ci si aspetta che tu trovi un’unica risposta a un dato problema. Nella scienza, non devi avere fretta di trovarne una. Se il tuo metodo è valido, è accettabile, persino prezioso, che non ci sia una risposta immediata’“. Quel momento, ha affermato Tokuda, ha ridefinito la sua visione della ricerca. “Le previsioni meteorologiche si trovano all’incrocio tra scienza e ingegneria, e sono davvero entusiasta che questo lavoro unisca queste due prospettive”, ha osservato Tokuda.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?