Alcuni modelli per le previsioni del tempo sono stati surclassati da un modello predittivo basato sul machine learning. I risultati sono stati riportati su “Nature” da ricercatori guidati da Google Research. Il modello, denominato NeuralGcm, supera alcuni modelli esistenti di previsione meteorologica e climatica e ha il potenziale per realizzare grandi risparmi in termini di potenza di calcolo rispetto ai modelli convenzionali. I modelli di circolazione generale (Gcm), che rappresentano i processi fisici dell’atmosfera, dell’oceano e della terra, costituiscono la base per le previsioni meteorologiche e climatiche. Ridurre l’incertezza sulle previsioni a lungo termine e sulla stima degli eventi meteorologici estremi e’ fondamentale per aiutare a comprendere la mitigazione e l’adattamento climatico. I modelli di apprendimento automatico sono stati suggeriti come approccio alternativo alla previsione meteorologica con il vantaggio di costi computazionali ridotti, ma spesso non funzionano altrettanto bene quanto i Gcm quando si tratta di previsioni a lungo termine. Gli autori dello studio hanno progettato NeuralGcm, un modello che combina l’apprendimento automatico e metodi basati sulla fisica, in grado di effettuare previsioni meteorologiche a breve e medio termine, nonché di simulare il clima per diversi decenni. Il modello puo’ competere con l’accuratezza delle previsioni del Centro europeo per le previsioni meteorologiche a medio termine (Ecmwt, uno dei migliori modelli meteorologici convenzionali basati sulla fisica) per previsioni da 1 a 15 giorni. Per previsioni fino a 10 giorni in anticipo, NeuralGcm compete e talvolta supera la precisione degli approcci di machine learning esistenti. NeuralGcm produce simulazioni climatiche con lo stesso livello di accuratezza dei migliori metodi di machine learning e basati sulla fisica. Quando gli autori hanno incluso le temperature della superficie del mare nelle previsioni climatiche di 40 anni utilizzando NeuralGcm, hanno scoperto che i risultati prodotti dal modello corrispondevano alle tendenze del riscaldamento globale osservate nei dati dell’Ecmwt. NeuralGcm ha inoltre sovraperformato i modelli climatici preesistenti nella previsione dei cicloni e delle loro traiettorie. Insieme, questi risultati suggeriscono che l’apprendimento automatico e’ un approccio praticabile per migliorare i Gcm, concludono gli autori.
