Vista la difficoltà di offrire una previsione con grande precisione, soprattutto quando si prevedono fenomeni estremi, Google ha sviluppato uno strumento per cercare di affrontare questo tipo di problema: un modello di intelligenza artificiale in grado di prevedere le catastrofi meteorologiche in modo più accurato.
Google ha creato un modello di intelligenza artificiale che prevede eventi estremi con maggiore precisione
Google ha creato un modello chiamato “Scalable Ensemble Envelope Diffusion Sampler” (SEEDS), che è un nuovo Tecnologia di Intelligenza Artificiale (AI) per accelerare e migliorare le previsioni meteorologiche utilizzando modelli di diffusione.
Previsioni del tempo: breve storia della sua comparsa ed evoluzione
Il modello di Google (SEEDS) consente una significativa riduzione del costo computazionale per generare previsioni congiunte e migliore caratterizzazione di eventi meteorologici rari o estremi.
SEEDS produce previsioni meteorologiche, utilizzando a insieme di dati ottenuti da diverse agenzie meteorologiche, che preparano modelli convenzionali/operativi.
Questo modello si differenzia quindi dai modelli previsionali tradizionali per la velocità e la capacità di analizzare contemporaneamente diversi dati e insiemi previsionali.
Le previsioni del tempo sono intrinsecamente incerte. Perciò, È importante riflettere questa incertezza in termini di probabilità che si verifichiche è una componente vitale delle previsioni meteorologiche operative.
Dato un modello numerico di previsione meteorologica, il modo standard per quantificare questa incertezza è perturbare le condizioni iniziali del modello e la sua rappresentazione dei processi fisici su piccola scala per creare un insieme di possibili traiettorie climatiche, composto da diversi membri. Pertanto, viene scelta una distribuzione di probabilità sottostante agli stati meteorologici.
Queste informazioni su la probabilità che si verifichi una determinata situazione meteorologica, previsto dai cosiddetti modelli operativi, costituisce un valore aggiunto per l’utilizzatore della previsione. Quantificare l’incertezza sull’evento è fondamentale per il processo decisionale. Pertanto, la previsione probabilistica dovrebbe essere sempre utilizzata nelle previsioni meteorologiche numeriche.
Tuttavia, dato il costo computazionale per generare ciascun membro dell’insieme, I centri di previsione meteorologica possono permettersi di generare solo da 10 a 50 membri per ciascun ciclo di previsione.
Questa limitazione è particolarmente problematica per gli utenti preoccupati per il probabilità di eventi meteorologici rari e di grande impatto, che in genere richiedono la valutazione di set molto più grandi. Per esempio, Sarebbe necessario un insieme calibrato di 10.000 membri per prevedere la probabilità di eventi con una probabilità di accadimento dell’1% con un errore relativo inferiore al 10%.
Oltre ad avere più potenza di calcolo disponibile per generare set più grandi in futuro, è imperativo esplorare approcci più efficienti per generare previsioni di insieme.
In questo contesto, i recenti progressi nel campo dell’intelligenza artificiale generativa (GIA) offrono un potenziale percorso verso massicce riduzioni del costo della previsione d’insieme.
Quando SEEDS è progettato per correggere i bias presenti nel sistema di previsione operativa, gli insiemi generati presentano metriche di previsione probabilistica migliori. Sono più affidabili e le probabilità di previsione dei fenomeni estremi sono più realistiche e con maggiore precisione.
Modello Google testato durante l’ondata di caldo europea
Sebbene il modello metodologico SEEDS sia focalizzato sulla previsione meteorologica, questa metodologia Può anche consentire la creazione di ampie serie di proiezioni climatiche per la valutazione del rischio climatico.
Secondo Google, l’approccio generativo di Google consente la creazione di insiemi molto grandi che possono caratterizzare eventi molto rari, fornendo campioni di stati climatici che superano una certa soglia, per qualsiasi diagnosi definita dall’utente.
Il modello è stato utilizzato come test l’anno scorso, durante l’ondata di caldo europea. I risultati sono stati pubblicati alla fine di marzo di quest’anno su Science Advances.
L’evento osservato era così improbabile che sette giorni prima, Nessuno dei 31 membri della squadra operativa poteva prevedere le alte temperature che si sarebbero verificate.
Il modello tecnologico SEEDS di Google è stato in grado di calcolare la probabilità che si verifichi un fenomeno del genere, con una copertura statistica dell’evento molto migliore.
Questo ci ha permesso sia di quantificare la probabilità che l’evento si verifichi sia presentare i regimi climatici in cui si verificherebbe.
