Se hai scelto di non accettare i cookie di profilazione e tracciamento, puoi aderire all’abbonamento "Consentless" a un costo molto accessibile, oppure scegliere un altro abbonamento per accedere ad ANSA.it.

Ti invitiamo a leggere le Condizioni Generali di Servizio, la Cookie Policy e l'Informativa Privacy.

Puoi leggere tutti i titoli di ANSA.it
e 10 contenuti ogni 30 giorni
a €16,99/anno

  • Servizio equivalente a quello accessibile prestando il consenso ai cookie di profilazione pubblicitaria e tracciamento
  • Durata annuale (senza rinnovo automatico)
  • Un pop-up ti avvertirà che hai raggiunto i contenuti consentiti in 30 giorni (potrai continuare a vedere tutti i titoli del sito, ma per aprire altri contenuti dovrai attendere il successivo periodo di 30 giorni)
  • Pubblicità presente ma non profilata o gestibile mediante il pannello delle preferenze
  • Iscrizione alle Newsletter tematiche curate dalle redazioni ANSA.


Per accedere senza limiti a tutti i contenuti di ANSA.it

Scegli il piano di abbonamento più adatto alle tue esigenze.

Con l’IA, prevedere gli eventi climatici estremi è più facile

Con l’IA, prevedere gli eventi climatici estremi è più facile

Grazie a uno studio di ClimateAI, che ha messo a punto un sistema di previsione metereologica locale a basso costo basato su reti generative avversarie (GAN)

25 marzo 2022, 18:41

Redazione ANSA

ANSACheck

Con l’IA, prevedere gli eventi climatici estremi è più facile © ANSA/AFP

Con l’IA, prevedere gli eventi climatici estremi è più facile © ANSA/AFP
Con l’IA, prevedere gli eventi climatici estremi è più facile © ANSA/AFP

Di Alessio Jacona*

Il cambiamento climatico rende sempre più frequenti e pericolosi gli eventi metereologici estremi, anche e forse soprattutto nei paesi più poveri, che sono meno preparati ad affrontarli. In questo contesto, sviluppare un sistema di previsione climatica su scala locale, che sia al contempo estremamente accurato, attendibile e a basso costo, può fare la differenza e salvare vite. Ci ha pensato ClimateAi, azienda specializzata nell'applicare l'intelligenza artificiale alla modellazione del rischio climatico, che ha messo a punto un sistema di previsione metereologica locale a basso costo basato su reti generative avversarie (GAN).

 

Lo sviluppo di previsioni regionali accurate è difficile a causa della complessa fisica che regola le intense precipitazioni e gli eventi meteorologici estremi. Le previsioni globali possono sfruttare la disponibilità di una grande quantità di dati e modelli meteorologici, ma mancano di precisione e sono soggette a errori, perché ogni piccolo dettaglio non considerato può causare divergenze su larga scala. Le previsioni regionali, d'altra parte, richiedono supercomputer costosi e dispendiosi in termini di tempo con professionisti locali addestrati, limitando l'accesso ai paesi ricchi.

 

«Andando oltre i molti miglioramenti apportati a ciò che chiamiamo “nowcast” (ovvero la descrizione delle condizioni meteorologiche attuali o una previsione di quelle immediatamente prossime n.d.r.), il nostro nuovo modello raggiunge la stessa accuratezza nelle previsioni anche quando l’orizzonte temporale si allontana di diverse ore o giorni", ha spiegato il dottor Stephan Rasp, che insieme a Ilan Price è ricercatore e responsabile del progetto per ClimateAI.  «Adottando un duplice approccio - continua - possiamo tenere conto degli errori sistematici nei modelli globali e aumentare la risoluzione della previsione, in modo che gli eventi climatici estremi regionali siano accuratamente registrati".

 

Le conclusioni di Rasp e Price sono contenute nel rapporto "Increasing the Accuracy and Resolution of Precipitation Forecasts Using Deep Generative Models", che ha già passato il severo esame della “peer review”, sarà presentato alla 25esima conferenza internazionale sull'intelligenza artificiale e la statistica (AISTATS) a fine marzo. Come accennato, il nuovo modello sviluppato da ClimateAI ridimensiona le previsioni globali per essere accurato come una previsione locale, senza tuttavia richiedere la grande quantità di risorse computazionali, finanziarie e umane finora necessarie per lavorare su una scala così piccola. Il tutto a vantaggio dei paesi in via di sviluppo, che non possono permettersi la tecnologia per le previsioni locali ad alta risoluzione.

 

Le GAN sono un sottoinsieme dell'apprendimento automatico, in cui due reti neurali antagoniste fondamentalmente combattono e si addestrano a vicenda fino ad arrivare a una conclusione. I ricercatori le hanno addestrate ad analizzare le previsioni meteorologiche globali, a correggerne gli errori, e quindi a ridimensionare le previsioni per un'alta risoluzione su scala locale/regionale, ottenendo in questo modo previsioni locali con la stessa alta risoluzione e qualità delle costose previsioni regionali dei supercomputer. Le GAN generano varie immagini che mostrano i diversi scenari potenziali a diversi giorni, tutti con uguale probabilità.

 

Per esempio, piuttosto che confermare semplicemente un "40% di probabilità di pioggia questa settimana" per un'intera regione, il nuovo modello permetterebbe agli utenti di rispondere facilmente a domande più utili come: qual è la probabilità che domani piova o meno? Dove esattamente pioverà? Se piove, pioverà dappertutto, pioverà in un punto specifico, o pioverà in molti posti ma piovigginerà appena in altri? Mentre le previsioni su larga scala nascondono tutte queste importanti informazioni, questo nuovo approccio di apprendimento automatico le porta efficientemente in vista.

 

«Le attuali previsioni globali e regionali mancano di precisione e sono soggette a errori», ha aggiunto il dottor Rasp. «L'intelligenza artificiale sta cambiando le previsioni del tempo, e i modelli meteorologici regionali che richiedono molte risorse potrebbero presto essere completamente sostituiti da approcci di apprendimento automatico. Le previsioni attuabili sosterranno le imprese e i governi che cercano di rendere le loro iniziative e operazioni a prova di clima».

 

I ricercatori di ClimateAi si aspettano anche che questo metodo funzioni anche per le previsioni a lungo raggio (settimane, mesi, anni, decenni), dove la necessità di aumentare la risoluzione è ancora maggiore.

 

*Giornalista, esperto di innovazione e curatore dell’Osservatorio Intelligenza Artificiale ANSA.it

Riproduzione riservata © Copyright ANSA

Da non perdere

Condividi

O utilizza