La meteorologia operativa sta attraversando la più profonda trasformazione tecnologica dall’avvento dei primi calcolatori elettronici negli anni ’50 del ‘900. Per oltre sette decenni, l’elaborazione delle previsioni del tempo si è basata esclusivamente sulla risoluzione numerica delle complesse equazioni della fluidodinamica e della termodinamica atmosferica attraverso imponenti supercomputer, un approccio noto come previsione numerica del tempo (NWP) che richiede enormi risorse energetiche e tempi di calcolo significativi. Negli ultimi due anni, tuttavia, l’irruzione dei modelli basati sull’intelligenza artificiale e sul machine learning ha scardinato questo paradigma consolidato, dimostrando la capacità di apprendere la dinamica dell’atmosfera direttamente da decenni di dati storici di rianalisi e di produrre scenari meteorologici su scala globale in una frazione di secondo.
In prima linea in questa sfida scientifica si trova il Centro Europeo per le Previsioni Meteorologiche a Medio Termine (ECMWF), che ha affiancato al suo celebre modello fisico IFS (Integrated Forecasting System) il nuovo sistema operativo AIFS (Artificial Intelligence Forecasting System), riuscendo non solo a eguagliare ma in molti parametri a superare l’accuratezza delle previsioni tradizionali nel medio termine.
Per comprendere a fondo come funziona questa nuova generazione di modelli, quali garanzie fisiche offrono di fronte agli eventi meteorologici estremi aggravati dal cambiamento climatico e quale sarà il destino delle equazioni classiche nel prossimo decennio, abbiamo intervistato in esclusiva Peter Dueben, Head of Earth System Modelling presso l’ECMWF e tra i massimi esperti mondiali nell’applicazione dell’intelligenza artificiale alle scienze del sistema Terra.
L’intervista a Peter Dueben (ECMWF)
La genesi e l’ascesa di AIFS: negli ultimi due anni la comunità meteorologica ha assistito a un cambio di paradigma, con i modelli basati sui dati che sfidano la tradizionale previsione numerica del tempo (NWP) basata sulla fisica. Come ha gestito l’ECMWF questa transizione e quali sono state le scoperte fondamentali che hanno permesso ad AIFS di eguagliare e, sotto molti parametri, superare il sistema operativo IFS nel medio termine?
“Ci siamo mossi rapidamente per esplorare questa nuova tecnologia e renderla utile per le previsioni operative. All’inizio del 2023 abbiamo riunito una massa critica di competenze nel campo del machine learning all’interno dell’ECMWF e abbiamo avviato lo sviluppo di un sistema di previsione operativo basato sull’apprendimento automatico. Abbiamo lavorato intensamente per comprendere in che modo questi modelli differiscano da quelli basati sulla fisica e abbiamo costruito fiducia esaminando quotidianamente le loro previsioni e condividendo i risultati con l’intera comunità meteorologica. Anche la collaborazione è stata fondamentale. Abbiamo scambiato idee con i servizi meteorologici nazionali e lavorato insieme per sviluppare Anemoi, una libreria software condivisa per le previsioni meteorologiche basate sul machine learning. Durante tutto questo lavoro, la nostra priorità è stata portare nell’uso operativo sia la versione deterministica sia quella ensemble del nostro modello di previsione basato sull’apprendimento automatico: AIFS”.
Coerenza fisica e leggi di conservazione: una critica classica ai modelli di puro machine learning è che ottimizzano funzioni di perdita statistiche senza imporre rigorosamente le leggi di conservazione termodinamica e dinamica (come massa, energia e umidità). In che modo l’ECMWF garantisce la coerenza fisica e profili verticali realistici in AIFS, evitando derive non fisiche durante le simulazioni su più giorni?
“Può essere più difficile fidarsi di un modello di machine learning rispetto a un modello basato sulla fisica, costruito attorno a equazioni note. I modelli di apprendimento automatico vengono spesso descritti come una “scatola nera” (black box): possiamo vederne le previsioni, ma non è sempre chiaro come ci siano arrivati. La nostra fiducia è cresciuta attraverso test approfonditi e la valutazione quotidiana delle loro previsioni. Abbiamo inoltre condiviso apertamente dati e risultati affinché l’intera comunità meteorologica potesse esaminarli. Ciò che ci ha sorpreso è quanto sia stato realistico il comportamento dei modelli dal punto di vista fisico su base giornaliera, senza che emergessero comportamenti realmente non fisici nelle previsioni. Abbiamo condotto numerosi studi sugli eventi estremi, che spesso risultano difficili per i modelli statistici, e i risultati sono stati molto incoraggianti. Questa esperienza ci ha aiutato a costruire fiducia nel tempo. Tuttavia, abbiamo anche modificato l’architettura del modello e la funzione di perdita (loss function) in alcuni punti per renderlo più aderente alla fisica. Questa “guida” aiuta generalmente il modello ad apprendere meglio la dinamica dell’atmosfera. È fondamentale progettare modelli di machine learning integrando una solida conoscenza specialistica della dinamica meteorologica”.
Prevedere gli estremi fuori distribuzione: i modelli di intelligenza artificiale sono addestrati in gran parte su decenni di dati di rianalisi (come ERA5). Quanto è resiliente AIFS di fronte a estremi meteorologici senza precedenti — come ondate di calore marine da record, ciclogenesi esplosive o piogge convettive storiche — che si collocano al di fuori o sulla coda estrema della distribuzione storica di addestramento?
“Esiste un rischio reale nell’utilizzare un modello di machine learning addestrato su pochi decenni di dati per prevedere eventi che potrebbero verificarsi solo una volta ogni qualche secolo. Ciononostante, i modelli di apprendimento automatico che utilizziamo si sono dimostrati sorprendentemente robusti di fronte a estremi al di fuori della loro esperienza di addestramento, inclusi eventi mai osservati prima.
Uno dei motivi è che apprendono dalla meteorologia dell’intero globo. Ad esempio, un modello può imparare come funzionano le piogge intense ai tropici, dove sono comuni, e applicare questa conoscenza a regioni in cui tali precipitazioni sono rare. È un aspetto incoraggiante, ma non elimina la necessità di test accurati. Continueremo a monitorare attentamente le prestazioni, in particolare per gli eventi estremi, per valutare quanto siano affidabili le previsioni, soprattutto alla luce dei cambiamenti nella dinamica del sistema Terra dovuti ai cambiamenti climatici”.
L’ultima frontiera: l’IA nell’assimilazione dei dati. La maggior parte degli attuali modelli di intelligenza artificiale, inclusi quelli commerciali, si basa sulle analisi operative generate dai tradizionali sistemi di assimilazione dati 4D-Var. Fino a che punto l’ECMWF sta lavorando all’integrazione diretta del machine learning nell’assimilazione di radianze satellitari grezze, radar e osservazioni in situ? Potremo vedere una pipeline di assimilazione e previsione interamente basata sui dati?
“È un’area di ricerca molto attiva. All’ECMWF stiamo sviluppando un modello che elabora previsioni meteorologiche direttamente a partire dalle osservazioni. Non avrebbe bisogno del passaggio convenzionale che utilizza un modello fisico per combinare le osservazioni in una stima dello stato attuale dell’atmosfera, il processo noto come assimilazione dei dati.
Finora è stato sorprendente quanto della dinamica del sistema Terra possa essere appreso esclusivamente dalle osservazioni e i risultati continuano a migliorare rapidamente nel tempo, ma non sappiamo ancora se questo approccio supererà in via definitiva l’assimilazione dati convenzionale e i modelli di machine learning che utilizzano l’analisi tradizionale come condizione iniziale. Rifammi questa domanda tra un anno e probabilmente avrò una risposta più chiara”.
Ensemble IA e affidabilità probabilistica: la straordinaria velocità computazionale dei modelli di IA consente di generare centinaia o migliaia di membri di ensemble a una frazione del costo energetico degli ensemble dinamici. Come sta progettando l’ECMWF il sistema AIFS Ensemble per garantire una dispersione (spread) dipendente dal flusso, un’affidabilità calibrata e distribuzioni di probabilità accurate per i fenomeni meteorologici ad alto impatto?
“Il machine learning offre opportunità entusiasmanti per comprendere l’incertezza delle previsioni. Quando prevediamo il tempo con diversi giorni di anticipo, dobbiamo conoscere non solo lo scenario più probabile, ma anche quanto siano probabili altri scenari, specialmente in caso di eventi estremi. Un ensemble ci fornisce un ventaglio di possibili evoluzioni eseguendo più volte versioni leggermente diverse di una previsione.
Stiamo ottenendo ottimi risultati dalle nostre previsioni ensemble. Metodi di addestramento specifici aiutano i modelli di machine learning a produrre una gamma di scenari che riflette l’incertezza di una determinata situazione meteorologica, e siamo molto soddisfatti dei risultati dell’ensemble di AIFS. C’è anche margine per eseguire ensemble molto più ampi. Il nostro ensemble basato sulla fisica conta 50 membri. Poiché le previsioni basate sull’IA sono molto più economiche da elaborare, potremmo produrne molti di più. Tuttavia, i guadagni diminuiscono man mano che aggiungiamo membri: un ensemble di 100 previsioni non è semplicemente due volte migliore di uno da 50”.
Futuro ibrido contro IA pura: guardando al prossimo decennio, prevedi che i nuclei dinamici basati sulla fisica verranno infine sostituiti, oppure ci stiamo dirigendo verso un’architettura ibrida del sistema Terra strettamente accoppiata, in cui le reti neurali gestiscono parametrizzazioni, assimilazione dati e post-processing accanto ai risolutori fondamentali di Navier-Stokes? Quali sono le implicazioni per la sostenibilità computazionale e il settore meteorologico globale?
“Anche questa è un’area di ricerca molto attiva, con molti modi possibili per combinare modelli basati sulla fisica e modelli di machine learning. I nostri primi lavori hanno esplorato l’uso del machine learning per riprodurre il comportamento dei singoli componenti di un modello fisico, con l’obiettivo di rendere le previsioni meno costose da eseguire. Tuttavia, questo approccio si è rivelato piuttosto complesso e i modelli di machine learning puri hanno superato i risultati dei modelli ibridi.
Oggi, uno degli approcci più promettenti consiste nell’utilizzare una previsione di machine learning per guidare i grandi schemi meteorologici a scala globale all’interno di un modello fisico, lasciando poi al modello fisico il compito di elaborare i dettagli su scala più piccola. Questo permette di unire i punti di forza di entrambi gli approcci. Stiamo valutando l’utilizzo di questo tipo di modellistica ibrida per le previsioni operative all’ECMWF nel prossimo futuro”.
La sintesi di una svolta storica: i punti chiave della rivoluzione AIFS
Il quadro delineato da Peter Dueben restituisce la fotografia più autorevole e lucida dello stato dell’arte nella meteorologia computazionale contemporanea. Sotto la sua guida all’interno del Dipartimento Earth System Modelling dell’ECMWF, la transizione verso l’intelligenza artificiale non è stata affrontata come una scorciatoia statistica fine a sé stessa, bensì come un rigoroso percorso scientifico ancorato alla fisica dell’atmosfera e alla trasparenza verso l’intera comunità internazionale.
Dalle parole dello scienziato emergono quattro pilastri fondamentali che definiranno la meteorologia dei prossimi anni:
- L’integrazione tra fisica e machine learning: I modelli basati sui dati non sostituiscono la conoscenza meteorologica, ma la richiedono in fase di progettazione per guidare le architetture neurali verso comportamenti fisicamente coerenti e affidabili anche nella previsione probabilistica ensemble.
- La trasferibilità globale contro gli eventi estremi: Grazie all’apprendimento su scala planetaria, sistemi come AIFS riescono a proiettare dinamiche fisiche osservate in regioni ad alta frequenza di fenomeni intensi (come i tropici) anche alle medie latitudini, offrendo una sorprendente resilienza di fronte agli estremi inediti legati al cambiamento climatico.
- Verso la previsione diretta dalle osservazioni: La frontiera più avanzata riguarda l’eliminazione del tradizionale passaggio intermedio dell’assimilazione dati basata su modelli fisici, puntando a reti neurali capaci di elaborare scenari meteorologici direttamente dalle osservazioni satellitari e al suolo grezze.
- La sinergia ibrida del futuro:
La strada più promettente per l’operatività imminente non prevede l’abbandono dei risolutori fisici, ma un’alleanza strategica in cui l’intelligenza artificiale governa la circolazione atmosferica a grande scala mentre i modelli fisici risolvono con precisione i fenomeni locali su piccola scala.
Il lavoro pionieristico condotto da Peter Dueben e dai team di ricerca dell’ECMWF dimostra come l’innovazione algoritmica, quando viene governata dal rigore del metodo scientifico e dalla cooperazione aperta tra servizi meteorologici, possa trasformarsi in uno strumento straordinario per migliorare l’allertamento precoce e la sicurezza delle popolazioni di fronte a un’atmosfera sempre più dinamica ed estrema.
Vuoi ricevere le notifiche sulle nostre notizie più importanti?