Nel 2021, il Texas ha subito il peggior guasto alle infrastrutture energetiche nella storia dello stato, a seguito di tre gravi tempeste invernali a febbraio. Almeno 246 persone sono morte a causa delle interruzioni, che hanno portato a carenze di cibo, acqua, riscaldamento ed elettricità. Se i funzionari del settore energetico avessero avuto più tempo per prepararsi alle tempeste, ad esempio inviando più camion di gas naturale nelle aree colpite, i danni dell’evento avrebbero potuto essere mitigati. Sfortunatamente, le previsioni meteorologiche oltre le due settimane sono notoriamente inaffidabili, riducendo i tempi di intervento per gli operatori del settore energetico, gli agricoltori e i funzionari addetti alla gestione delle emergenze in tutto il mondo.
Un nuovo modello
Una nuova tecnica sviluppata da un team di ricercatori, tra cui alcuni del MIT, migliora significativamente le previsioni meteorologiche oltre le due settimane. I ricercatori hanno sviluppato un modello di apprendimento automatico che impara a correggere gli errori nei modelli di previsione esistenti per migliorarne i risultati nell’arco temporale di due-sei settimane. Applicato a un modello di previsione di riferimento, ha raddoppiato la precisione delle previsioni in tale arco temporale, classificandosi al primo posto in un’importante competizione internazionale di previsioni. In un nuovo articolo pubblicato sulla rivista Nature, i ricercatori descrivono il loro approccio e dimostrano come esso permetta di ottenere previsioni che, per la prima volta, superano le medie climatologiche nell’arco di due-sei settimane.
“Non solo questo metodo offre risultati migliori rispetto alle previsioni basate sulla media temporale per questo intervallo, il che è già molto utile per gli agricoltori e gli operatori del settore energetico che cercano di bilanciare domanda e offerta, ma migliora anche le previsioni di eventi meteorologici estremi, che si tratti di inondazioni, ondate di freddo o altro”, afferma Judah Cohen, coautore e ricercatore del MIT. “È fondamentale prevedere entrambi, ma gli eventi estremi potrebbero essere l’aspetto di maggiore impatto per la società”.
Previsioni a lungo termine
Negli anni ’70, Edward Lorenz, professore di lunga data al MIT, ha elaborato la teoria del caos per descrivere come piccole variazioni nelle condizioni meteorologiche iniziali portino a risultati completamente diversi. “Ha proposto questo limite teorico di due settimane, oltre il quale non è più possibile prevedere il tempo perché il rumore nel sistema cresce a tal punto da sovrastare qualsiasi segnale di partenza”, afferma Cohen. “Questo ha avuto una forte influenza sul settore, che potrebbe aver impedito di esplorare le previsioni a lungo termine, anche oltre le due settimane. Non ci ho mai creduto completamente. In teoria, l’atmosfera può creare un numero infinito di pattern, ma tende a ripetersi sempre negli stessi pattern preferiti. Una volta che accade un evento, credo che si possa prevedere la reazione a catena che seguirà, e poi ancora quella successiva”.
Oggi, le migliori previsioni meteorologiche provengono da modelli dinamici, che simulano numericamente l’evoluzione dell’atmosfera e degli oceani nel tempo, oppure da modelli di intelligenza artificiale, che imparano a fare previsioni dai dati meteorologici storici. I modelli di IA hanno mostrato miglioramenti nella previsione del tempo a breve termine, ma sono persino peggiori dei modelli dinamici su orizzonti temporali più lunghi.
Le previsioni sub-stagionali
Cohen, che lavora presso il Dipartimento di Ingegneria Civile e Ambientale del MIT, si concentra sulla previsione del tempo con un anticipo da due a sei settimane, nota come previsione sub-stagionale. “Questo intervallo temporale è definito il ‘deserto della prevedibilità’, perché a breve termine si possono sfruttare le condizioni iniziali del sistema climatico e dell’atmosfera, mentre a lungo termine si hanno queste forze di confine lente e variabili, come il super El Niño su cui tutti si sono concentrati quest’inverno“, afferma Cohen. “L’intervallo sub-stagionale non può sfruttare nessuno di questi fattori. Nella maggior parte dei casi, le previsioni su scala sub-stagionale non sono diverse dall’andare in un casinò e tirare i dadi”.
Il ruolo dell’intelligenza artificiale
Cohen attribuisce al suo coautore Lester Mackey, con cui collabora da oltre un decennio, l’idea iniziale di utilizzare l’apprendimento automatico per ridurre gli errori nei modelli di previsione. “Abbiamo creato questo involucro – Lester lo chiama post-elaborazione“, afferma Cohen. “Sappiamo che i modelli di intelligenza artificiale presentano molti errori, quindi abbiamo pensato che forse avremmo potuto quantificarli ed eliminarli”.
Mentre altri sistemi di previsione effettuano correzioni degli errori più semplici, il livello di post-elaborazione del team di ricerca utilizza l’intelligenza artificiale per apprendere dagli errori di un sistema di previsione basandosi sui dati storici e modifica le sue previsioni. In questo intervallo temporale, i previsori utilizzano le cosiddette previsioni probabilistiche, in cui viene data la probabilità di una serie di possibilità. “Man mano che diventano disponibili ulteriori previsioni e dati, il nostro modello affina la propria correzione in modo adattivo”, afferma Cohen. Per sviluppare il modello, i ricercatori hanno utilizzato “MIT Engaging”, un cluster di supercalcolo gestito dall’Office of Research Computing and Data del MIT; tuttavia, il modello finale non richiede un supercomputer per essere eseguito.
Le prestazioni del sistema
Per mettere alla prova il proprio sistema, l’anno scorso il team di ricerca ha presentato tre modelli – dotati del loro strato di post-elaborazione – all’European Centre for Medium-Range Weather Forecasts (ECMWF), considerato il miglior centro di previsioni meteorologiche al mondo. L’ECMWF organizza periodicamente competizioni tra diversi modelli di previsione. La proposta che ha ottenuto il primo posto combinava il modello di previsione dell’ECMWF con un altro modello, applicando poi la correzione di post-elaborazione. Questo approccio ha permesso di raddoppiare la capacità predittiva del modello originale nell’orizzonte temporale “sub-stagionale” (ovvero su scale temporali comprese tra poche settimane e alcuni mesi). Per la prima volta, il modello ha dimostrato di offrire un miglioramento concreto rispetto al semplice ricorso alle medie climatologiche.
“Fino ad ora, nessuno era riuscito a dimostrare che un modello potesse prevedere il meteo meglio delle medie a lungo termine per questo tipo di previsioni sub-stagionali”, spiega Cohen. “Quasi tutti i modelli precedenti offrivano risultati peggiori: tanto varrebbe lanciare una moneta per ottenere un esito migliore. Molti si sono chiesti se valga davvero la pena investire in modelli per questo arco temporale. I nostri modelli, invece, superano costantemente le medie climatologiche”.
Il modello ha inoltre mostrato un miglioramento statisticamente significativo nella capacità di prevedere eventi meteorologici estremi. “Si tratta di uno dei risultati più rilevanti, poiché è un obiettivo estremamente difficile da raggiungere”, sottolinea Cohen. “Quando l’ECMWF ha sviluppato un proprio sistema di correzione degli errori – non basato sull’intelligenza artificiale – la capacità di prevedere eventi estremi è peggiorata. Credo che ciò accada perché la correzione tradizionale degli errori, o dei “bias”, tende sempre a riportare i valori verso la media, mentre gli eventi meteorologici estremi si collocano agli estremi della distribuzione di probabilità”.
Prepararsi ai disastri
Nello studio, il team ha dimostrato che la propria tecnica può essere impiegata per migliorare le previsioni meteorologiche sulla terraferma in gran parte del globo. I ricercatori hanno inoltre applicato la tecnica di correzione dei bias ad altri modelli, riscontrando miglioramenti anche in questi casi; ciò ha permesso persino a modelli meno avanzati di raggiungere un livello paragonabile a quello delle previsioni dell’ECMWF. “L’aspetto interessante del nostro modello è che funge da componente aggiuntiva”, spiega Cohen. “Lo abbiamo utilizzato con il modello dinamico dell’ECMWF, poiché era considerato il migliore, ma è compatibile con qualsiasi altro modello. È in grado di migliorare persino sistemi che hanno già subito una correzione dei bias tramite altri algoritmi di intelligenza artificiale; dimostra dunque un miglioramento solido. Inoltre, è open source ed economico”.
Cohen riferisce che l’ufficio meteorologico della Repubblica del Kenya ha già preso contatti per implementare il modello, con l’obiettivo di perfezionare le previsioni sulla stagione dei monsoni e, di conseguenza, migliorare i rendimenti agricoli durante l’inverno. L’auspicio è che anche altri gruppi decidano di adottarlo. “Può aiutare a decidere, ad esempio, quando concimare in base alle precipitazioni, come proteggere le colture durante i raccolti invernali in previsione di gelate, o ancora come prevenire gli effetti della siccità”, afferma Cohen. “Potrebbe rivelarsi utile anche per il settore energetico e la gestione delle emergenze. Ho parlato con alcuni responsabili del comparto energetico, i quali mi hanno spiegato: “se vengo avvisato dell’arrivo di una tempesta di ghiaccio con soli due giorni di anticipo, non ho tempo sufficiente per intervenire; ma se avessi due settimane, potrei prepararmi adeguatamente””.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?