Gli utenti di Weather Lab possono esplorare e confrontare le previsioni di vari modelli basati sull’intelligenza artificiale e sulla fisica. Se lette insieme, queste previsioni possono aiutare le agenzie meteorologiche e gli esperti dei servizi di emergenza a prevedere meglio il percorso e l’intensità di un ciclone. Ciò potrebbe aiutare gli esperti e i decisori a prepararsi meglio per diversi scenari, condividere notizie sui rischi coinvolti e supportare le decisioni per gestire l’impatto di un ciclone.
È importante sottolineare che Weather Lab è uno strumento di ricerca. Le previsioni in tempo reale mostrate sono generate da modelli ancora in fase di sviluppo e non costituiscono avvisi ufficiali. Tienilo presente quando utilizzi lo strumento, anche per supportare decisioni basate sulle previsioni generate da Weather Lab. Per le previsioni meteorologiche e gli avvisi ufficiali, fare riferimento all’agenzia meteorologica locale o al servizio meteorologico nazionale.
Previsioni sui cicloni basate sull’intelligenza artificiale
Nella previsione dei cicloni basata sulla fisica, le approssimazioni necessarie per soddisfare le esigenze operative rendono difficile per un singolo modello eccellere nel prevedere sia la traiettoria di un ciclone che la sua intensità. Questo perché il percorso di un ciclone è governato da vaste correnti atmosferiche, mentre l’intensità di un ciclone dipende da complessi processi turbolenti all’interno e attorno al suo nucleo compatto. I modelli globali a bassa risoluzione funzionano meglio nel prevedere le tracce dei cicloni, ma non catturano i processi su scala fine che determinano l’intensità dei cicloni, motivo per cui sono necessari modelli regionali ad alta risoluzione.
Il nostro modello sperimentale di ciclone è un unico sistema che supera questo compromesso, con le nostre valutazioni interne che mostrano una precisione all’avanguardia sia per la traccia del ciclone che per l’intensità. È addestrato a modellare due distinti tipi di dati: un vasto set di dati di rianalisi che ricostruisce il tempo passato sull’intera Terra da milioni di osservazioni, e un database specializzato contenente informazioni chiave su traccia, intensità, dimensione e raggi del vento di quasi 5.000 cicloni osservati negli ultimi 45 anni.
La modellazione congiunta dei dati di analisi e dei dati del ciclone migliora notevolmente le capacità di previsione dei cicloni. Ad esempio, le nostre valutazioni iniziali dei dati sugli uragani osservati da NHC, negli anni di prova 2023 e 2024, nei bacini del Nord Atlantico e del Pacifico orientale, hanno mostrato che la previsione della traccia dei cicloni a 5 giorni del nostro modello è, in media, 140 km più vicina alla vera posizione del ciclone rispetto all’ENS, il principale modello globale basato sulla fisica dell’ECMWF. Ciò è paragonabile all’accuratezza delle previsioni a 3,5 giorni dell’ENS: un miglioramento di 1,5 giorni che in genere ha richiesto oltre un decennio per realizzarlo.
Mentre i precedenti modelli meteorologici basati sull’intelligenza artificiale hanno avuto difficoltà a calcolare l’intensità dei cicloni, il nostro modello sperimentale dei cicloni ha sovraperformato l’errore di intensità media della National Oceanic and Atmospheric Administration (NOAA) del sistema di analisi e previsione degli uragani (OCEANO), un modello regionale leader basato sulla fisica ad alta risoluzione. I test preliminari mostrano anche che le previsioni del nostro modello relative alle dimensioni e ai raggi del vento sono paragonabili alle linee di base basate sulla fisica.
Qui visualizziamo gli errori di previsione di traccia e intensità e mostriamo i risultati della valutazione delle prestazioni medie del nostro modello sperimentale di ciclone fino a cinque giorni in anticipo, rispetto a ENS e HAFS.
Fonte: deepmind.google
