Sistema di apprendimento profondo in grado di prevedere con precisione il tempo estremo

Gli ingegneri della Rice University hanno sviluppato un sistema di apprendimento profondo in grado di prevedere con precisione gli eventi meteorologici estremi fino a cinque giorni in anticipo. Il sistema, che si è autoistruito, richiede solo informazioni minime sulle condizioni meteorologiche attuali per effettuare le previsioni.             

Parte dell’addestramento del sistema consiste nell’esaminare centinaia di paia di mappe, e ogni mappa indica le temperature superficiali e le pressioni dell’aria a cinque chilometri di altezza. Queste condizioni sono mostrate a diverse giornate di distanza. L’addestramento presenta anche scenari che hanno prodotto tempo estremo, come ondate di caldo e ondate di freddo che possono causare ondate di calore e tempeste invernali. Dopo aver completato l’addestramento, il sistema di apprendimento profondo è stato in grado di effettuare previsioni a cinque giorni di tempo estremo basate su mappe che non aveva visto in precedenza, con un tasso di accuratezza dell’85%.

Secondo Pedram Hassanzadeh, coautore dello studio pubblicato online sulla rivista Journal of Advances in Modeling Earth Systems dell’American Geophysical Union, il sistema potrebbe essere utilizzato come strumento e agire come un sistema di allarme precoce per i meteorologi. Sarà particolarmente utile per apprendere di più su certe condizioni atmosferiche che causano scenari di tempo estremo. 

A causa dell’invenzione della previsione meteorologica numerica basata su computer (NWP) negli anni ’50, le previsioni meteorologiche quotidiane sono continuate a migliorare. Tuttavia, la NWP non è in grado di effettuare previsioni affidabili sugli eventi meteorologici estremi, come le ondate di caldo. 

“Potrebbe essere che abbiamo bisogno di supercomputer più veloci per risolvere le equazioni che governano i modelli di previsione meteorologica numerica a risoluzioni più elevate”, ha detto Hassanzadeh, professore assistente di ingegneria meccanica e di scienze della Terra, ambientali e planetarie alla Rice University. “Ma poiché non comprendiamo appieno la fisica e le condizioni precursorie dei modelli di tempo estremo, è anche possibile che le equazioni non siano completamente accurate e non produrranno previsioni migliori, indipendentemente da quanto potere di calcolo mettiamo in atto.”

Nel 2017, Hassanzadeh è stato raggiunto dai coautori dello studio e dagli studenti di dottorato Ashesh Chattopadhyay e Ebrahim Nabizadeh. Insieme, hanno intrapreso un percorso diverso. 

“Quando si verificano ondate di caldo o ondate di freddo, se si guarda la mappa del tempo, spesso si vedranno comportamenti strani nella corrente a getto, cose anomale come grandi ondate o un grande sistema di alta pressione che non si muove affatto”, ha detto Hassanzadeh. “Sembra che questo sia un problema di riconoscimento di modelli. Quindi abbiamo deciso di riformulare la previsione del tempo estremo come un problema di riconoscimento di modelli piuttosto che un problema numerico.”

“Abbiamo deciso di addestrare il nostro modello mostrandogli molti modelli di pressione nella fascia di cinque chilometri sopra la Terra e dicendogli, per ognuno, ‘Questo non ha causato tempo estremo. Questo ha causato un’ondata di caldo in California. Questo non ha causato nulla. Questo ha causato un’ondata di freddo nel Nord-Est'”, ha continuato Hassanzadeh. “Non qualcosa di specifico come Houston contro Dallas, ma più che altro un senso di area regionale.”

Prima dei computer, la previsione analogica era utilizzata per la previsione del tempo. Era fatta in un modo molto simile al nuovo sistema, ma erano gli esseri umani invece dei computer. 

“Un modo in cui la previsione era fatta prima dei computer era guardare il modello di sistema di pressione di oggi e poi andare a un catalogo di modelli precedenti e confrontare e cercare di trovare un analogo, un modello molto simile”, ha detto Hassanzadeh. “Se quello ha portato alla pioggia sulla Francia dopo tre giorni, la previsione sarebbe stata per la pioggia sulla Francia.”

Ora, le reti neurali possono imparare da sole e non necessitano necessariamente di affidarsi agli esseri umani per trovare collegamenti. 

“Non importava che non comprendessimo appieno i precursori perché la rete neurale ha imparato a trovare quei collegamenti da sola”, ha detto Hassanzadeh. “Ha imparato quali modelli erano critici per il tempo estremo e li ha utilizzati per trovare il miglior analogo.”

Per testare il loro concetto, il team si è affidato a dati tratti da simulazioni computerizzate realistiche. Hanno originariamente riportato i risultati iniziali con una rete neurale convoluzionale, ma il team si è poi spostato verso le reti neurali a capsule. Le reti neurali convoluzionali non sono in grado di riconoscere le relazioni spaziali relative, ma le reti neurali a capsule sì. Queste relazioni spaziali relative sono importanti quando si tratta dell’evoluzione dei modelli del tempo. 

“Le posizioni relative dei modelli di pressione, le alte e le basse che si vedono sulle mappe del tempo, sono il fattore chiave per determinare come si evolve il tempo”, ha detto Hassanzadeh.

Le reti neurali a capsule richiedono anche meno dati di addestramento rispetto alle reti neurali convoluzionali. 

Il team continuerà a lavorare sul sistema in modo che possa essere utilizzato nella previsione operativa, ma Hassanzadeh spera che alla fine porterà a previsioni più accurate per il tempo estremo. 

“Non stiamo suggerendo che alla fine di tutto questo il sistema sostituirà la NWP”, ha detto. “Ma potrebbe essere una guida utile per la NWP. Dal punto di vista computazionale, potrebbe essere un modo molto economico per fornire una guida, un allarme precoce, che consente di concentrare le risorse della NWP specificamente dove è probabile il tempo estremo.”

“Vogliamo sfruttare le idee dell’intelligenza artificiale spiegabile per interpretare cosa fa la rete neurale”, ha detto. “Potrebbe aiutarci a identificare i precursori dei modelli di tempo estremo e migliorare la nostra comprensione della loro fisica.”