Previsione immediata dell’ora successiva di pioggia
'Immediate prediction of the next hour of rainfall'
Le nostre vite dipendono dal tempo. In ogni momento nel Regno Unito, secondo uno studio, un terzo del paese ha parlato del tempo nell’ultima ora, riflettendo l’importanza del tempo nella vita quotidiana. Tra i fenomeni meteorologici, la pioggia è particolarmente importante a causa della sua influenza sulle nostre decisioni quotidiane. Dovrei prendere un ombrello? Come dovremmo pianificare il percorso dei veicoli che incontrano una forte pioggia? Quali misure di sicurezza adottiamo per gli eventi all’aperto? Ci sarà un’inondazione? Le nostre ultime ricerche e il nostro modello all’avanguardia avanzano la scienza della previsione delle precipitazioni, che è la previsione della pioggia (e di altri fenomeni di precipitazione) nell’arco delle prossime 1-2 ore. In un articolo scritto in collaborazione con il Met Office e pubblicato su Nature, affrontiamo direttamente questa importante grande sfida nella previsione del tempo. Questa collaborazione tra scienza ambientale e intelligenza artificiale si concentra sul valore per i decisori, aprendo nuove strade per la previsione immediata della pioggia e indica le opportunità per l’intelligenza artificiale nel supportare la nostra risposta alle sfide del processo decisionale in un ambiente in costante cambiamento.
Previsioni meteorologiche a breve termine
Nella storia, la previsione del tempo ha avuto un ruolo importante per le nostre comunità e i nostri paesi. I meteorologi medievali iniziarono ad utilizzare le stelle per fare previsioni. Lentamente, iniziarono a essere tenute delle tabelle che registravano le stagioni e i modelli di pioggia. Centinaia di anni dopo, Lewis Fry immaginò una ‘Fabbrica delle Previsioni’ che utilizzava il calcolo e le equazioni fisiche dell’atmosfera per prevedere il tempo globale. In questo libro in continua evoluzione della previsione del tempo, aggiungiamo ora una storia sul ruolo dell’apprendimento automatico per la previsione.
Le previsioni del tempo di oggi sono guidate da potenti sistemi di previsione numerica del tempo (NWP). Risolvendo equazioni fisiche, i NWP forniscono previsioni essenziali su scala planetaria per diversi giorni in avanti. Tuttavia, faticano a generare previsioni ad alta risoluzione per tempi di previsione inferiori a due ore. La previsione immediata colma il divario di prestazioni in questo intervallo di tempo cruciale.
La previsione immediata è essenziale per settori come la gestione delle acque, l’agricoltura, l’aviazione, la pianificazione di emergenza e gli eventi all’aperto. I progressi nel rilevamento del tempo hanno reso disponibili dati radar ad alta risoluzione, che misurano la quantità di precipitazione al suolo, ad alta frequenza (ad esempio, ogni 5 minuti con una risoluzione di 1 km). Questa combinazione di un’area cruciale in cui i metodi esistenti faticano e la disponibilità di dati di alta qualità offre l’opportunità per l’apprendimento automatico di apportare il proprio contributo alla previsione immediata.
- Prevedere l’espressione dei geni con l’IA
- Apertura di un simulatore di fisica per la robotica
- Sfide del mondo reale per l’AGI
Modelli generativi per la previsione immediata
Ci concentriamo sulla previsione immediata della pioggia: previsioni fino a 2 ore in anticipo che catturano la quantità, il momento e la posizione delle precipitazioni. Utilizziamo un approccio noto come modellazione generativa per fare previsioni dettagliate e plausibili del radar futuro basate sul radar passato. Concettualmente, si tratta di un problema di generazione di filmati radar. Con tali metodi, possiamo catturare accuratamente eventi su larga scala, generando anche molteplici scenari alternativi di pioggia (note come previsioni di insieme), consentendo di esplorare l’incertezza delle precipitazioni. Abbiamo utilizzato dati radar sia dal Regno Unito che dagli Stati Uniti nei nostri risultati dello studio.
Era particolarmente interessante la capacità di questi modelli di fare previsioni sugli eventi di pioggia intensa, che sono gli eventi che influenzano maggiormente le persone e l’economia, e abbiamo dimostrato miglioramenti statisticamente significativi in questi regimi rispetto ai metodi concorrenti. Inoltre, abbiamo condotto una valutazione delle prestazioni cognitive con oltre 50 meteorologi esperti presso il Met Office, il servizio meteorologico nazionale del Regno Unito, che ha valutato il nostro nuovo approccio come prima scelta nell’89% dei casi rispetto ai metodi di previsione immediata ampiamente utilizzati, dimostrando la capacità del nostro approccio di fornire informazioni ai decisori del mondo reale.
Qual è il prossimo passo
Utilizzando analisi statistiche, economiche e cognitive, siamo stati in grado di dimostrare un nuovo e competitivo approccio per la previsione immediata delle precipitazioni tramite radar. Nessun metodo è privo di limitazioni e sono necessari ulteriori approfondimenti per migliorare l’accuratezza delle previsioni a lungo termine e l’accuratezza sugli eventi rari e intensi. Il lavoro futuro richiederà lo sviluppo di ulteriori modi per valutare le prestazioni e la specializzazione di questi metodi per specifiche applicazioni del mondo reale.
Riteniamo che questa sia un’area di ricerca entusiasmante e speriamo che il nostro articolo possa servire come base per nuovi studi, fornendo dati e metodi di verifica che rendano possibile una verifica competitiva e un’utilità operativa. Speriamo anche che questa collaborazione con il Met Office promuova una maggiore integrazione tra machine learning e scienze ambientali e migliori il supporto alle decisioni nel nostro clima in continua evoluzione.
Leggi l’articolo Skillful precipitation nowcasting using Deep Generative Models of Radar nell’edizione del 30 settembre 2021 di Nature, che contiene una discussione approfondita del modello, dei dati e dell’approccio di verifica. Puoi anche esplorare i dati che abbiamo utilizzato per l’addestramento e trovare un modello pre-addestrato per il Regno Unito su GitHub.
