L'intelligenza artificiale nelle previsioni meteorologiche
I modelli meteorologici basati sull’intelligenza artificiale apprendono i modelli atmosferici direttamente da decenni di osservazioni passate, producendo previsioni di 10 giorni in pochi secondi che competono o battono i modelli di supercomputer basati sulla fisica che impiegavano ore per essere eseguiti.
Panoramica
This is reshaping how meteorologists predict storms, heatwaves, and hurricanes.
Immersione profonda
Per 70 anni, le previsioni meteorologiche hanno significato risolvere le equazioni della fisica dei fluidi su giganteschi supercomputer, un processo chiamato previsione meteorologica numerica (NWP). L'intelligenza artificiale ribalta questo approccio: modelli come Google GraphCast di DeepMind, Pangu-Weather di Huawei e FourCastNet di NVIDIA sono addestrati sul set di dati di rianalisi ERA5, circa 40 anni di condizioni meteorologiche globali orarie. Imparano le relazioni statistiche tra l'atmosfera di oggi e quella di domani, quindi le prevedono confrontando i modelli piuttosto che simulando la fisica. GraphCast produce una previsione globale a 10 giorni con una risoluzione di 0,25 gradi in meno di un minuto su un singolo TPU, rispetto alle ore su un cluster di supercomputer. Nel 2023, GraphCast ha sovraperformato il modello ECMWF gold standard sulla maggior parte delle variabili. Il Centro europeo ora gestisce il proprio modello operativo di intelligenza artificiale, AIFS.
Approfondimento tecnico
GraphCast rappresenta il globo come un grafico: una rete multipla di nodi collegati su più scale, che consente alle informazioni di propagarsi sia localmente che su lunghe distanze in pochi passaggi. Una rete neurale grafica acquisisce lo stato atmosferico attuale e precedente, quindi prevede lo stato con 6 ore di anticipo. Per prevedere 10 giorni, reimmette il proprio output in modo autoregressivo, 40 volte. L'allenamento ottimizza un errore ponderato tra livelli di pressione e variabili come temperatura, vento e umidità.
Impatto strategico
Contesto e regole
Il contesto del settore determina se le idee dell’intelligenza artificiale sopravvivono al contatto con la realtà.
Controllo di qualità
I vincoli di dominio influenzano i tassi di errore accettabili e i modelli di supervisione.
Scelte di build
Le implementazioni di successo allineano le capacità tecniche con i flussi di lavoro in prima linea.
Il futuro dell’intelligenza artificiale nelle previsioni meteorologiche
Le previsioni basate sull’intelligenza artificiale si stanno spostando dalla ricerca alle operazioni quotidiane: l’ECMWF, il Met Office del Regno Unito e altri ora utilizzano modelli di intelligenza artificiale insieme alla fisica. Le prossime frontiere includono insiemi basati sulla diffusione (GenCast) che quantificano l’incertezza, modelli locali su scala chilometrica e “modelli di base” per la Terra che gestiscono insieme il tempo, il clima e la qualità dell’aria. Sono probabili sistemi ibridi che abbinano la velocità dell’intelligenza artificiale all’affidabilità della fisica per estremi rari, poiché i modelli puri basati sui dati possono sottostimare eventi senza precedenti assenti dai dati di addestramento.
Implementazione nel mondo reale
Google GraphCast di DeepMind che genera previsioni globali a 10 giorni in meno di un minuto, utilizzato per segnalare il percorso dei cicloni con giorni di anticipo
L’ECMWF esegue il suo modello operativo AIFS per integrare le sue tradizionali previsioni basate sulla fisica per i servizi meteorologici europei
FourCastNet di NVIDIA produce rapidamente grandi gruppi per stimare la probabilità di eventi estremi di vento e precipitazione
GenCast produce previsioni probabilistiche d'insieme che superano l'ENS dell'ECMWF sul 97% degli obiettivi meteorologici testati, migliorando la guida del percorso dei cicloni tropicali
Rischi e guardrail
I requisiti normativi possono invalidare prototipi altrimenti robusti.
I dati storici possono codificare pregiudizi che danneggiano comunità specifiche.
I sistemi legacy possono creare colli di bottiglia nell’integrazione e costi nascosti.
Tabella di marcia per l'implementazione
Coinvolgere esperti del settore dall'inquadramento del problema alla valutazione.
Progettare audit trail e documentazione prima del lancio.
Convalidare tempestivamente la conformità e gli obblighi di sicurezza.
Implementazione in fasi con chiari criteri di stop e rollback.
Continua a esplorare
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the AI in Weather Forecasting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Prossima guida
L’intelligenza artificiale nella previsione delle inondazioni
Domande frequenti
What is AI in Weather Forecasting?
I modelli meteorologici basati sull’intelligenza artificiale apprendono i modelli atmosferici direttamente da decenni di osservazioni passate, producendo previsioni di 10 giorni in pochi secondi che competono o battono i modelli di supercomputer basati sulla fisica che impiegavano ore per essere eseguiti. Ciò sta rimodellando il modo in cui i meteorologi prevedono tempeste, ondate di caldo e uragani.
Su quale set di dati si addestrano principalmente i principali modelli meteorologici AI come GraphCast?
GraphCast e modelli simili vengono addestrati sulla rianalisi ERA5 dell'ECMWF, che fornisce decenni di dati atmosferici globali orari coerenti.
In che modo un modello AI come GraphCast differisce fondamentalmente dalle tradizionali previsioni meteorologiche numeriche?
NWP risolve numericamente le equazioni della fluidodinamica, mentre i modelli di intelligenza artificiale abbinano le relazioni apprese dai dati storici.
In che modo GraphCast produce una previsione a 10 giorni da un passaggio di previsione di 6 ore?
GraphCast prevede 6 ore in anticipo, quindi restituisce tale previsione come input, ripetendola circa 40 volte per raggiungere 10 giorni.
All'incirca quanto tempo impiega GraphCast per generare una previsione globale di 10 giorni su un singolo TPU?
Uno dei principali vantaggi delle previsioni basate sull'intelligenza artificiale è la velocità: GraphCast viene eseguito in meno di un minuto rispetto alle ore del supercomputer NWP.
Qual è un limite fondamentale dei modelli meteorologici basati sull’intelligenza artificiale puramente basati sui dati?
Poiché apprendono dai dati storici, i modelli di intelligenza artificiale possono trovarsi in difficoltà con eventi da record che non hanno precedenti nel loro set di addestramento.