L'intelligenza artificiale potrebbe aiutare a prevedere il meteo con tre mesi di anticipo?

Le previsioni stagionali stimano le condizioni meteorologiche probabili per i tre mesi successivi, ma prevedere il tempo con tale anticipo è una sfida. L’atmosfera è in continuo cambiamento, quindi le stime e le assunzioni inserite nei modelli previsionali diventano meno affidabili man mano che si procede nella stagione.

Il machine learning (ML), una branca dell’IA, potrebbe migliorare le previsioni meteorologiche. I modelli meteorologici basati su ML potrebbero rappresentare un passo importante per potenziare le previsioni stagionali, secondo una nuova ricerca guidata dal Met Office.

IA contro fisica

Le previsioni stagionali del Met Office sono tra le migliori al mondo e forniscono indicazioni chiare sui possibili scenari meteorologici per i mesi a venire. Tuttavia, si basano su ripetute esecuzioni di modelli fisici per comprendere gli scenari più probabili, applicando probabilità a condizioni diverse — e ciò richiede molta potenza di calcolo.

I ricercatori hanno valutato il potenziale di applicare un modello meteorologico ML alle previsioni stagionali globali, nello specifico il modello ML ACE2 dell’Allen Institute for AI (Ai2), che può restare stabile su lunghi orizzonti previsionali.

"Abbiamo già visto come gli approcci basati su ML mostrino abilità nelle previsioni a breve termine; questo articolo esplora l’uso di questi metodi su una scala temporale molto più lunga e a livello globale", spiega Chris Kent, scienziato senior del Met Office, che ha guidato la ricerca.

"Abbiamo riscontrato che ACE2 mostra una skill comparabile ai metodi fisici esistenti, il che potrebbe aprire nuove opportunità per generare previsioni stagionali più dettagliate e accurate".

Feryal Clark, ministro per l’IA e il Governo digitale, afferma: "Migliorando la nostra capacità di prevedere il tempo con mesi di anticipo, possiamo offrire a imprese e servizi pubblici le informazioni necessarie per pianificare con maggiore sicurezza. Dal supporto alle decisioni agricole all’aiuto al NHS nella preparazione all’inverno, questo lavoro mostra come tecnologie emergenti come l’IA possano favorire la crescita, rafforzare la resilienza e migliorare la vita quotidiana delle persone nel quadro del nostro Piano per il Cambiamento".

Bene, ma quanto è preciso?

Per valutare l’accuratezza delle previsioni stagionali di ACE2, è stato confrontato un insieme di previsioni globali che coprono 23 inverni nell’emisfero settentrionale con le previsioni basate sulla fisica per lo stesso periodo e con le condizioni osservate realmente che si sono verificate.

ACE2 ha eguagliato i metodi attuali, mostrando skill nella previsione della North Atlantic Oscillation, che influenza il tempo in Europa e Nord America. Nella previsione della NAO invernale, i modelli fisici generalmente mostrano punteggi di correlazione tra 0,3 e 0,6, dove 1 corrisponde a una corrispondenza perfetta con le osservazioni; ACE2 ha ottenuto un punteggio poco sotto 0,5.

Tuttavia, sono emersi livelli di skill variabili in diverse regioni del globo e, in generale, il modello ML non ha ancora superato la metodologia fisica esistente, evidenziando i limiti potenziali dell’affidarsi esclusivamente a previsioni stagionali basate su ML.

«Sarà importante sfruttare i vantaggi di questi veloci modelli ML per accelerare i miglioramenti nelle previsioni stagionali, mantenendo però un fondamento nella comprensione fisica dell’atmosfera», afferma Adam Scaife, responsabile delle previsioni a lungo termine del Met Office.

Questo studio proof-of-concept rappresenta un passo importante verso la prossima generazione di previsioni meteorologiche e sottolinea l’approccio continuo del Met Office per potenziare l’intelligenza meteorologica.

"È un momento entusiasmante per il machine learning nelle scienze della Terra mentre ci spostiamo oltre le previsioni a medio raggio verso scale temporali stagionali e superiori", spiega Oliver Watt-Meyer, ricercatore capo per la modellistica climatica presso Ai2.

"È importante, inoltre, smettere di prevedere solo le condizioni atmosferiche e iniziare a includere l’oceano e altri componenti del sistema climatico".

I ricercatori affermano che sono necessarie ulteriori ricerche per comprendere meglio opportunità e limiti dell’unire i punti di forza delle previsioni basate sulla fisica con quelle basate su IA/ML per ottenere previsioni affidabili a breve e lungo termine.

Riferimento della notizia

Skilful global seasonal predictions from a machine learning weather model trained on reanalysis data, npj Climate and atmospheric science, August 2025. Kent, C. et al.