Il campo delle previsioni meteorologiche ha raggiunto un traguardo significativo: i ricercatori hanno introdotto GenCast, un sistema di previsione meteorologica basato sull’intelligenza artificiale sviluppato da Google DeepMind. Questo sistema dimostra previsioni più rapide e accurate rispetto al modello ENS dell’European Centre for Medium-Range Weather Forecasts (ECMWF), che è da tempo considerato il leader mondiale nelle previsioni meteorologiche.
Quali sono i vantaggi di GenCast?
Precisione migliorata
GenCast ha superato ENS fino al 20% nelle previsioni meteorologiche a breve termine e ha mostrato una precisione notevole nel prevedere i percorsi di eventi meteorologici estremi, come uragani e cicloni, compresi i loro punti di approdo.
Efficienza eccezionale
A differenza dei tradizionali modelli basati sulla fisica che richiedono ore di elaborazione su supercomputer, GenCast fornisce risultati in soli 8 minuti utilizzando un singolo Google Cloud TPU, un processore ottimizzato per l’apprendimento automatico.
Formazione innovativa
Il modello è stato addestrato su 40 anni di dati meteorologici storici (1979-2018), che comprendono un’ampia gamma di variabili atmosferiche come velocità del vento, temperatura, pressione e umidità. GenCast si basa sul suo predecessore, GraphCast, producendo insiemi probabilistici di 50 o più previsioni, offrendo una maggiore affidabilità per la previsione di eventi meteorologici incerti.
Ruolo di supporto
Per ora, GenCast è progettato per integrare piuttosto che sostituire i tradizionali metodi basati sulla fisica, fornendo ulteriore chiarezza per eventi come ondate di calore, periodi di freddo e forti venti. Le sue applicazioni potrebbero estendersi a settori come l’energia rinnovabile, dove previsioni accurate aiutano a ottimizzare la produzione di energia.
Implicazioni per le previsioni meteorologiche
Previsioni di ensemble migliorate: la capacità di GenCast di generare ensemble più grandi e affidabili fornisce livelli di affidabilità migliorati per le previsioni meteorologiche estreme.
Costi computazionali ridotti: l’efficienza di GenCast rende le previsioni ad alta risoluzione più accessibili e riduce la dipendenza da costose risorse computazionali.
Potenziale trasformativo: esperti, come Sarah Dance dell’Università di Reading, hanno notato che questa tecnologia rappresenta un cambiamento di paradigma nella metodologia di previsione, aprendo la strada a un’adozione più ampia di approcci basati sull’intelligenza artificiale.
Sfide e domande
Sebbene le prestazioni di GenCast siano promettenti, permangono alcune sfide. Gli autori non hanno risposto se il loro sistema ha il realismo fisico per catturare l'”effetto farfalla”, la cascata di incertezze in rapida crescita, che è fondamentale per una previsione d’insieme efficace.
I dati su cui è stato addestrato GenCast combinano osservazioni passate con “hindcast” basati sulla fisica che necessitano di matematica sofisticata per colmare le lacune nei dati storici.
C’è ancora molta strada da fare prima che gli approcci di apprendimento automatico possano sostituire completamente le previsioni basate sulla fisica. Resta da vedere se l’apprendimento automatico generativo può sostituire questo passaggio e passare direttamente dalle osservazioni non elaborate più recenti a una previsione a 15 giorni.
La strada da percorrere
È improbabile che GenCast sostituisca i sistemi di previsione tradizionali nel prossimo futuro. Invece, si prevede che fungerà da potente strumento di assistenza, aumentando i modelli attuali e contribuendo a previsioni più accurate. I servizi meteorologici nazionali e le industrie che dipendono da informazioni meteorologiche precise, come l’energia e la gestione dei disastri, sono pronti a trarne notevoli vantaggi.
