Argav

L’intelligenza artificiale (AI) sta trasformando il modo in cui leggiamo, interpretiamo e prevediamo l’atmosfera. Negli ultimi anni, la ricerca sui modelli meteorologici basati su AI ha mostrato progressi significativi, soprattutto nella velocità di calcolo. Ma quando si tratta della variabile più complessa – la precipitazione – la fisica continua a mantenere un ruolo centrale.

È in questo spazio di transizione, tra innovazione algoritmica e solidità dei modelli numerici, che si colloca il nuovo lavoro del ricercatore di Fondazione CIMA, Luca Monaco: “Exploring the viability of a machine learning-based multimodel for quantitative precipitation forecast post-processing”. Uno studio che esplora il potenziale dell’AI nella fase di post-processing delle previsioni NWP (Numerical Weather Prediction)1, con l’obiettivo di aumentare l’accuratezza delle stime di pioggia. «L’AI in questo lavoro non sostituisce la fisica, ma ci permette di intervenire in segmenti della catena previsionale dove possiamo davvero fare la differenza», premette Monaco.

I modelli meteorologici basati su intelligenza artificiale mostrano già prestazioni elevate su variabili a bassa complessità, ma faticano con campi meteorologici caratterizzati da un’elevata variabilità spaziale e temporale, come la pioggia. La risoluzione spaziale è spesso insufficiente, i pattern precipitativi risultano appiattiti, e le stime non raggiungono ancora la qualità delle previsioni dei modelli numerici tradizionali. I modelli di previsione numerica, infatti, continuano a identificare meglio la struttura spaziale degli eventi precipitativi, soprattutto in aree complesse. «Se c’è un punto di forza dei modelli fisici, è la loro capacità di prevedere non solo la posizione della precipitazione, ma anche l’intensità», evidenzia Monaco. Da qui nasce l’idea alla base dello studio: non sostituire i modelli fisici, ma fondere le loro informazioni grazie al machine learning.

Il cuore dello studio è la costruzione di un multimodel basato su machine learning per combinare previsioni da diversi modelli fisici: COSMO-2I, COSMO-5M, IFS e BOLAM. L’obiettivo? Una previsione unica, più robusta e più accurata dei singoli input. La valutazione è stata condotta su 406 eventi di precipitazione tra il 2018 e il 2022 in Piemonte e Valle d’Aosta, selezionati per garantire la presenza di un segnale piovoso rilevante. Le osservazioni utilizzate provengono dai campi di Optimal Interpolation (OI)2 di ARPA Piemonte. Particolare attenzione è stata dedicata alla struttura del dataset: suddivisione ripetuta in training, validation e test per aumentarne la stabilità; classificazione degli eventi in estremi, stratiformi, convettivi e intermedi tramite clustering; uso di due architetture AI: Multilayer Perceptron e U-NET, confrontate con benchmark quali due regressioni lineari. I risultati mostrano chiari miglioramenti sulle soglie basse e intermedie di precipitazione, mentre la performance su soglie elevate è solo marginalmente migliore rispetto al benchmark in quanto fortemente condizionata dalla risoluzione delle osservazioni disponibili. 

«La qualità delle osservazioni è un punto cruciale: senza dati ad alta risoluzione e in formati adatti al machine learning, il potenziale dell’AI rimane limitato», sottolinea Monaco.

Uno degli aspetti più rilevanti emersi dal lavoro è il potenziale dei centri nazionali nella modellazione su area limitata. I grandi modelli AI globali avanzano rapidamente, ma il loro livello di dettaglio non è ancora sufficiente per molte applicazioni operative. In questo scenario, realtà come Fondazione CIMA possiedono due asset cruciali: dati ad alta risoluzione, spesso non disponibili ai grandi centri internazionali; competenze scientifiche maturate nella modellazione meteorologica locale. «Abbiamo un patrimonio di dati unico e la possibilità di costruire modelli AI interpretabili e affidabili. È uno spazio in cui possiamo davvero dare un contributo concreto alla meteorologia del futuro», afferma Monaco.

Questo lavoro, frutto del dottorato di Monaco al Politecnico di Torino e finanziato da ARPA Piemonte, rappresenta un passo importante nello sviluppo di strategie di post-processing AI-based. «Non dobbiamo avere paura delle grandi sfide: l’AI non è una scorciatoia, ma uno strumento che può ampliare ciò che già sappiamo fare», conclude il ricercatore.

Fonte: Garantitaly.it, da Cima Fondazione

Filed under: Uncategorized |