Gli esperti confermano: “L’intelligenza artificiale ancora inciampa nel prevedere la reale intensità degli uragani”

Il progresso nelle previsioni meteorologiche basate sull’IA è dovuto a 3 fattori: la disponibilità di enormi quantità di dati meteorologici, importanti progressi nei modelli di IA e una capacità di calcolo senza precedenti. Il dibattito si concentra sul miglioramento dell’IA per le previsioni meteorologiche attraverso nuovi modelli o hardware, ma per questi modelli i dati sono cruciali.

L’intelligenza artificiale ha beneficiato su scala globale di decenni di registrazioni meteorologiche che coprono l’intero pianeta. Si tratta di insiemi di dati che contengono milioni di esempi di come evolvono le condizioni nel tempo e nelle diverse situazioni atmosferiche, permettendo ai modelli di IA di apprendere schemi che solo dieci anni fa sarebbe stato impossibile individuare.

La scala regionale delle previsioni meteorologiche

Il mondo ha sperimentato una rapida intensificazione di un gran numero di uragani, che nel giro di poche ore sono passati dall’essere tempeste relativamente deboli a uragani distruttivi. Un esempio è l’uragano Polo, che il 21 settembre scorso, al largo della costa del Pacifico messicano, si è intensificato rapidamente passando da tempesta tropicale a uragano di categoria 5 in 24 ore, con venti fino a 290 km/h.

Le previsioni meteorologiche su scala globale non sono uniformi, tuttavia le previsioni sull’intensità degli uragani sono generalmente considerate un problema di previsione regionale, legato agli eventi estremi: piogge torrenziali, forti temporali o linee temporalesche.

Questi eventi estremi tendono a svilupparsi molto rapidamente o a spostarsi velocemente in brevi periodi di tempo. Il problema è riuscire a catturare questo comportamento con i modelli di IA, perché l’individuazione di questi schemi richiede dati con un livello di dettaglio molto maggiore rispetto a quello che solitamente forniscono gli attuali set di dati globali.

Due fonti di dati

Le previsioni basate sull’IA si fondano principalmente su due fonti di informazioni:

• Osservazioni: dirette e dettagliate, ma solitamente limitate alle regioni costiere e distribuite in modo irregolare, mentre molte delle fasi più importanti dello sviluppo degli uragani avvengono in mare aperto, dove queste osservazioni sono scarse. I satelliti moderni possono contribuire a coprire alcune di queste misurazioni, ma non sono in grado di osservare simultaneamente la struttura tridimensionale completa di tutti gli uragani del pianeta.
• Simulazioni dei modelli meteorologici: combinano le condizioni atmosferiche e le conoscenze della fisica per fornire la rappresentazione tridimensionale più completa dell’atmosfera ad alta risoluzione. Anche questi dati simulati non sono perfetti, perché tutti i modelli informatici contengono approssimazioni e incertezze derivanti dalla conoscenza incompleta dell’atmosfera terrestre, e ci sono processi su piccola scala che le simulazioni dei modelli non riescono a rappresentare.

Di conseguenza, attualmente non disponiamo di un set di dati tridimensionale completo e di buona qualità con cui addestrare un modello di IA per prevedere l’intensità degli uragani.

Un problema aggiuntivo: il caos

Se in futuro gli scienziati potessero misurare ogni secondo l’intera struttura di una tempesta, per migliaia di tempeste in tutto il mondo, è possibile che l’IA non sarebbe comunque in grado di prevedere con assoluta precisione l’intensità di un uragano. Il motivo sarebbe il caos, ovvero il fatto che piccole differenze nello stato iniziale di un uragano possono crescere rapidamente nel tempo.

L’intensità di un uragano può aumentare a causa delle acque oceaniche calde, oppure il suo sviluppo può essere rallentato dal wind shear, cioè dal cambiamento della velocità e della direzione del vento con la quota.

Se la temperatura dell’oceano aumenta, aumenta anche la potenziale intensità dell’uragano e qualsiasi piccola perturbazione provocherà oscillazioni nell’intensità dell’uragano. Di conseguenza, quanto più calda è la superficie dell’oceano, maggiori saranno le oscillazioni.

Queste oscillazioni non sono semplicemente casuali, ma si verificano all’interno di quello che viene definito un attrattore caotico: un insieme di possibili stati della tempesta all’interno dei quali l’uragano può evolvere in modo imprevedibile, ponendo un dilemma fondamentale per l’addestramento dei modelli di IA.

Gli obiettivi dei modelli di IA

Gli scienziati vogliono che i modelli di IA effettuino previsioni il più possibile accurate, quindi l’obiettivo durante l’addestramento è minimizzare la differenza tra la previsione e ciò che realmente accade fino a quando il modello di IA raggiunge il minor errore possibile.

Si cerca inoltre di fare in modo che il modello di IA riesca a catturare il caos intrinseco dell’uragano. Tuttavia, se un modello di IA riesce a catturare questo caos, il suo errore non potrà essere ridotto indefinitamente.

Inoltre, poiché i dati presentano sempre un certo grado di incertezza, le regole apprese da un modello di IA sono solo approssimative. Di conseguenza, la precisione delle previsioni sull’intensità degli uragani peggiorerà già nell’arco di pochi giorni.

Come si possono migliorare le previsioni sugli uragani?

La sfida per i modelli di IA non consiste soltanto nell’ottenere più dati, sviluppare reti neurali migliori o utilizzare computer più veloci, ma nel comprendere il comportamento degli uragani e il modo in cui si sviluppa la variabilità della loro intensità.

Entrambi questi fattori determinano se i modelli di IA sono in grado di apprendere ciò che è prevedibile e ciò che è imprevedibile. Questa distinzione limita la precisione delle attuali previsioni sull’intensità degli uragani e definirà la prossima generazione di sistemi di previsione e valutazione meteorologica, che dovrebbero concentrarsi su un intervallo di possibili intensità degli uragani e sulle relative probabilità, anziché su un singolo valore numerico.