Perché le previsioni meteorologiche accurate rimangono difficili: il ruolo cruciale dei dati in tempo reale

Quando si apre un'app per le previsioni del tempo, il procedimento sembra semplice: si sceglie una località, si imposta l'ora e poi si legge il risultato.

Ma dietro questo schermo si cela uno dei problemi di previsione più complessi che la scienza si trova ad affrontare.

L'atmosfera è un sistema tridimensionale in costante cambiamento.

Prima che qualsiasi modello possa prevedere cosa accadrà in futuro, deve innanzitutto rispondere a una domanda sorprendentemente complessa: cosa sta facendo esattamente l'atmosfera in questo preciso istante?

Non vediamo mai l'atmosfera nella sua interezza.

Nessuno strumento da solo fornisce un quadro completo delle condizioni meteorologiche. I radar meteorologici rilevano le particelle di precipitazione. I satelliti monitorano nuvole, umidità e temperature dallo spazio. Le stazioni di terra misurano le condizioni in singole località. Palloni meteorologici e aerei forniscono informazioni da diverse altitudini.

Ciascuna di queste fonti ha una propria accuratezza, frequenza di aggiornamento, lacune di copertura ed errori di misurazione. Pertanto, ricostruire l'immagine attuale dell'atmosfera è come ricostruire il flusso del traffico di un'intera città utilizzando telecamere puntate in direzioni diverse, che aggiornano i dati in momenti diversi e lasciano molte strade completamente invisibili.

I meteorologi chiamano "assimilazione dei dati" il processo di combinazione delle osservazioni con le previsioni precedenti. Questo processo produce una stima delle condizioni meteorologiche attuali, nota come analisi, che serve come punto di partenza per la previsione successiva.

Come spiega il Centro europeo per le previsioni meteorologiche a medio termine (ECMWF), la qualità delle previsioni dipende in modo cruciale dall'accuratezza di questa analisi. Anche il miglior modello avrà difficoltà se il suo quadro iniziale è incompleto, impreciso o obsoleto.

Perché le app meteo potrebbero essere fuorvianti?

Una tecnica comune per le previsioni a breve termine è il flusso ottico. Questa tecnica analizza immagini radar successive, stima il movimento delle precipitazioni e poi estrapola tale movimento nel futuro. Questo metodo può funzionare bene quando una fascia di pioggia si muove in modo costante. Tuttavia, il problema è che i temporali non sono semplicemente forme statiche che scorrono su una mappa; si formano, si intensificano, si indeboliscono, si dividono e si fondono. Una nuova cella convettiva potrebbe apparire in un'area dove non pioveva 20 minuti prima.

Immaginate una tempesta che si avvicina a una montagna. Una semplice estrapolazione potrebbe prevedere che continuerà a muoversi alla stessa velocità. Ma in realtà, il terreno può alterare il flusso d'aria, rallentare il sistema e contribuire a forti piogge o grandinate. Quindi, la sfida non è solo prevedere dove si sposteranno le precipitazioni attuali; un modello efficace deve anche prevedere come cambierà il sistema meteorologico stesso.

Un altro problema è che i modelli su larga scala sono bravi a descrivere i fronti meteorologici, i sistemi di pressione e la circolazione atmosferica su paesi e continenti. Ma molti eventi che colpiscono persone e aziende si verificano su una scala molto più piccola. Un temporale, ad esempio, potrebbe interessare una parte di una città lasciandone un'altra quasi all'asciutto.

Un fronte nuvoloso può ridurre drasticamente la produzione di un impianto solare, superando al contempo quella di un altro situato a 20 chilometri di distanza. Anche le condizioni del vento possono variare significativamente tra il livello del suolo, i tetti degli edifici e l'altitudine a cui opera un drone. Queste sottili variazioni sono difficili da prevedere.

Le condizioni meteorologiche sono estremamente sensibili al loro stato iniziale. Anche piccole incertezze relative a temperatura, umidità o vento possono aggravarsi con il passare del tempo. Questo è il vero significato dell'"effetto farfalla". Non significa che un singolo sensore difettoso comprometta automaticamente una previsione globale, ma piuttosto che non possiamo mai misurare l'atmosfera in modo perfetto e che l'incertezza sul suo stato iniziale aumenta nel tempo.

Per questo motivo, i moderni sistemi di previsione producono sempre più spesso "ensemble": molteplici previsioni possibili anziché una singola risposta, presumibilmente certa. Per molte decisioni, sapere che c'è una probabilità del 30% di una tempesta violenta è più utile che ricevere una previsione affidabile che in seguito si rivela errata.

L'importanza della tempistica cruciale

La latenza è una delle fonti di errore nelle previsioni meno discusse. Immaginate un modello che fornisce una previsione eccellente basata sulle condizioni meteorologiche misurate due ore prima. Se un temporale si sviluppa appena 20 minuti prima, quella previsione potrebbe diventare praticamente inutile, a prescindere da quanto sofisticato sia il modello.

L'Organizzazione Meteorologica Mondiale definisce il "nowcasting" come una previsione locale dettagliata che si estende dal momento presente alle prossime sei ore. Tuttavia, per le applicazioni nel mondo reale, il nowcasting va oltre la semplice previsione a lungo termine. Richiede un flusso di lavoro continuo che raccolga nuove osservazioni, ne verifichi la qualità, le sincronizzi, esegua il modello e fornisca un risultato aggiornato in pochi minuti.

Allo stesso tempo, le previsioni meteorologiche in tempo reale non significano che non ci sia letteralmente alcun ritardo. Significa piuttosto che il sistema monitora costantemente l'atmosfera e aggiorna i dati con sufficiente rapidità da influenzare le decisioni prese.

Questo aspetto è di grande importanza per alcuni settori. Un consumatore che deve decidere se portare con sé un ombrello potrebbe tollerare una previsione di consegna imprecisa. Ma molti sistemi operativi non possono. I droni per le consegne devono sapere se forti piogge, ghiaccio o venti pericolosi ostacoleranno la loro traiettoria di volo prima di raggiungere la zona. Un aeroporto potrebbe dover modificare le operazioni in pista a causa di un temporale in arrivo nelle vicinanze.

Gli operatori del settore dell'energia solare devono prevedere il rapido movimento dei fronti nuvolosi prima che la produzione subisca un calo improvviso. Le piattaforme logistiche e di mobilità possono reindirizzare i veicoli prima che inondazioni o forti piogge interrompano la rete stradale.

Lo stesso principio si applica alle attività all'aperto, ai servizi di emergenza, all'agricoltura e al commercio di energia. A questi utenti non basta sapere "che tempo farà domani". Devono sapere cosa sta cambiando, dove sta cambiando e se c'è ancora tempo per intervenire.

L'intelligenza artificiale velocizza le previsioni meteorologiche, ma la velocità da sola non basta.

I modelli di previsione meteorologica basati sull'intelligenza artificiale possono generare previsioni più velocemente e con una minore potenza di calcolo rispetto a molti modelli numerici tradizionali. Alcuni hanno già superato i sistemi basati sulla fisica in determinate variabili e orizzonti temporali di previsione. Tuttavia, l'IA non elimina il problema del monitoraggio e dell'osservazione.

La maggior parte dei modelli di previsione globali basati sull'intelligenza artificiale parte ancora da un'analisi atmosferica prodotta dalle tradizionali infrastrutture di previsione meteorologica numerica. Se quest'analisi è anche solo di poche ore obsoleta, la velocità di inferenza non è sufficiente ad aggiornare lo stato iniziale.

I modelli di intelligenza artificiale possono anche sottovalutare la gravità di eventi rari perché gli esempi estremi sono sottorappresentati nei loro dati di addestramento e perché alcuni metodi di addestramento privilegiano risultati più uniformi e statisticamente più probabili. Ricerche recenti hanno dimostrato che i modelli di intelligenza artificiale più avanzati possono produrre errori maggiori rispetto ai sistemi basati sulla fisica nella previsione di eventi standard di caldo, freddo e vento.

Per questo motivo, è improbabile che il futuro si riduca a una semplice competizione tra intelligenza artificiale e fisica. L'ECMWF gestisce già un proprio sistema di previsione operativa basato sull'intelligenza artificiale, affiancandolo al suo modello tradizionale basato sulla fisica.

L'architettura più robusta combinerà modelli globali, osservazioni locali ad alta frequenza, previsioni in tempo reale basate sull'intelligenza artificiale (nowcasting), vincoli fisici e stime probabilistiche dell'incertezza.