Il modello AI di Google DeepMind raggiunge una svolta nelle previsioni dei cicloni
Punti chiave
- •Il modello AI WeatherNext di Google DeepMind fornisce più di 24 ore aggiuntive di anticipo nella previsione della traiettoria, dell’intensità e della struttura del vento dei cicloni.
- •Il modello è stato addestrato su quasi 20 terabytes di dati atmosferici globali combinati con registrazioni storiche che coprono circa 5,000 tempeste passate.
- •Durante la stagione degli uragani del 2025, WeatherNext ha aiutato il National Hurricane Center a prevedere la rapida intensificazione dell’uragano Melissa e il suo approdo in Giamaica, consentendo un avviso anticipato.
- •Google DeepMind sta rendendo open source il codice e i pesi dei modelli WeatherNext 2 e WeatherNext Cyclones, oltre a una versione compatta WeatherNext 2-mini eseguibile su un singolo TPU.
- •Il modello raggiunge questa accuratezza utilizzando dati in input a una risoluzione di 28x28 chilometri, circa 100 volte più grossolana rispetto ai sistemi tradizionali di previsione dei cicloni.
Google DeepMind afferma che WeatherNext raggiunge una svolta nelle previsioni dei cicloni
Team WeatherNext
WeatherNext consente previsioni accurate dei cicloni che possono fornire un giorno aggiuntivo di preavviso. Google DeepMind sta ora rendendo il modello open source.
Prevedere come si sviluppano i cicloni pericolosi è da tempo una sfida in cui ogni ora conta. I cicloni tropicali — noti anche come uragani o tifoni — sono tra i fenomeni meteorologici più distruttivi sulla Terra, responsabili di oltre 700,000 morti e di $1.4 trillion in perdite economiche a livello globale negli ultimi 50 anni. Per i previsori, emettere avvisi tempestivi e accurati è una continua corsa contro il tempo. Le Nazioni Unite hanno fatto dei sistemi di allerta precoce una priorità globale attraverso l’iniziativa Early Warnings for All, che mira a garantire che ogni persona sulla Terra sia protetta da sistemi di allerta dei rischi entro il 2027.
Oggi, in uno studio pubblicato su Nature, Google DeepMind ha affermato che il suo modello AI WeatherNext ha raggiunto una precisione all’avanguardia nella previsione della traiettoria, dell’intensità e della struttura del vento di un ciclone. In media, il modello offre ai previsori un giorno aggiuntivo di accuratezza predittiva: le sue previsioni a tre giorni sono buone quanto quelle che i modelli precedenti riuscivano a fornire solo per i due giorni successivi. L’azienda ha affermato che questa portata di miglioramento equivale approssimativamente a un decennio di progresso meteorologico. WeatherNext si basa sui precedenti modelli AI per il meteo di Google, GraphCast e GenCast, estendendo questa linea di ricerca per concentrarsi in particolare sui cicloni tropicali.
Il lavoro ha riunito ricercatori e ingegneri AI di Google DeepMind e Google Research, insieme a previsori esperti del National Hurricane Center (NHC), del Cooperative Institute for Research in the Atmosphere (CIRA), del UK Met Office e di agenzie meteorologiche di tutto il mondo.
Google ha affermato che la ricerca ha già avuto un impatto nel mondo reale. Durante la stagione degli uragani del 2025, il modello ha aiutato l’NHC a formulare una previsione storica per l’uragano Melissa, prevedendo la rapida intensificazione della tempesta e l’approdo in Giamaica. Questo ha consentito all’NHC di emettere un avviso anticipato, dando alle squadre sul posto tempo prezioso per prepararsi. Quest’anno, i gruppi continuano a collaborare e ora stanno prevedendo 1,000 possibili scenari per ogni ciclone per supportare i previsori nel loro processo decisionale.
Il meteo riguarda tutti. Proprio per questo impatto così ampio, Google DeepMind sta rendendo open source i modelli WeatherNext 2 e WeatherNext Cyclones utilizzati durante la stagione degli uragani. Rendendo questa tecnologia liberamente disponibile, l’azienda ha affermato di sperare di sostenere la comunità di ricerca ed espandere il ruolo dell’AI nella costruzione di comunità più resilienti — anche aiutando i previsori locali a prepararsi per i disastri naturali, sostenendo la crescita delle energie rinnovabili e anticipando il meteo estremo. La pubblicazione open source si inserisce in un settore in cui diverse aziende tecnologiche, tra cui NVIDIA e Huawei, hanno pubblicato negli ultimi anni modelli AI per il meteo, riflettendo il crescente interesse dell’industria nell’applicare il machine learning alla meteorologia operativa.
Come WeatherNext prevede il meteo e i cicloni
Partendo dalle condizioni atmosferiche globali durante l’uragano Milton nell’ottobre 2024, WeatherNext Cyclones prevede in modo iterativo sia i modelli meteorologici globali sia le traiettorie dei cicloni su scala fine fino a 15 giorni in anticipo. L’esecuzione di un ensemble da 1,000 membri genera mappe di probabilità localizzate dei venti da tempesta tropicale fino a forza uraganica.
La previsione dei cicloni ha tradizionalmente richiesto un compromesso tra due approcci di modellazione distinti. La traiettoria di un ciclone — dove va — è determinata da enormi correnti atmosferiche globali, che finora sono state modellate al meglio da sistemi globali più grossolani. L’intensità di un ciclone — quanto diventa forte — dipende invece da processi termodinamici altamente localizzati e su scala fine attorno al suo nucleo, che sono generalmente modellati da sistemi locali specializzati e ad alta risoluzione.
Google ha affermato che WeatherNext colma questo divario migliorando le previsioni sia del meteo globale sia dei cicloni. Si tratta di un singolo modello AI che prevede traiettoria, intensità e struttura del vento di un ciclone tropicale con una precisione all’avanguardia. L’azienda ha affermato che la svolta deriva da una combinazione unica di addestramento, architettura e approccio agli input a bassa risoluzione.
WeatherNext Cyclones è stato valutato su cicloni storici dal 2023 al 2024, confrontando le sue prestazioni deterministiche e probabilistiche con altri modelli meteorologici di punta. In media, il modello fornisce più di un giorno intero, ovvero 24 ore, di vantaggio di lead time nella previsione della traiettoria, dell’intensità e della struttura del vento dei cicloni.
Il modello è stato addestrato congiuntamente su due modalità di dati distinte: la dinamica meteorologica globale e osservazioni storiche dei cicloni curate da esperti. Addestrato end-to-end su quasi 20 terabytes di dati atmosferici globali e sul database storico IBTrACS che copre quasi 5,000 tempeste storiche, il modello apprende complessi modelli atmosferici e il comportamento del meteo estremo.
L’accuratezza delle previsioni dei cicloni è migliorata costantemente negli ultimi decenni. I grafici mostrano l’accuratezza a 3 giorni delle previsioni di traiettoria ECMWF-ENS (a) e delle previsioni di intensità HWRF (b) nel tempo, e come WeatherNext Cyclones rappresenti un salto di qualità nell’accuratezza sia per la traiettoria sia per l’intensità. Secondo i trend degli ultimi 20 anni, questo miglioramento equivale a circa un decennio di progresso.
Il nostro modello utilizza Functional Generative Networks (FGNs) per produrre in modo efficiente ensemble di previsioni diverse, catturando l’incertezza intrinseca del meteo. Ora possiamo generare una singola previsione a 15 giorni in meno di un minuto su un TPU, consentendo ai previsori di valutare rapidamente la distribuzione di probabilità di rischi estremi potenzialmente devastanti. L’anno scorso, il nostro sistema produceva 50 previsioni alla volta, in linea con i modelli fisici globali. Quest’anno abbiamo ampliato la dimensione dell’ensemble a 1,000 membri, catturando scenari rari ma significativi come gli eventi di rapida intensificazione, come avvenuto durante l’uragano Melissa nel 2025.
Fino a oggi, l’operare a una risoluzione spaziale molto elevata è stato considerato il principale fattore per ottenere previsioni accurate dell’intensità. Tuttavia, WeatherNext Cyclones necessita solo di dati con una risoluzione di 28x28km, 100 volte più grossolana rispetto ai modelli tradizionali. Anche una versione più piccola del modello, WeatherNext 2-mini, che opera a una risoluzione ancora più grossolana di 111x111km, mostra prestazioni notevoli. Questo ha sorpreso gli scienziati e rimane una domanda di ricerca aperta capire fino in fondo come i nostri modelli producano previsioni così accurate a questa risoluzione. Speriamo che, insieme alla comunità di ricerca, potremo scoprirlo.
Aprire WeatherNext alla comunità di ricerca
Insieme al nostro articolo su Nature, stiamo rendendo open source il codice e i pesi del modello, rendendoli liberamente disponibili a chiunque voglia costruirci sopra. Questo include la ricerca accademica, le previsioni operative o lo sviluppo di modelli più specializzati e localizzati. Speriamo di accelerare il progresso in tutta la comunità meteorologica globale e di consentire ad agenzie meteorologiche, ricercatori e organizzazioni non profit di prevedere meglio gli eventi meteorologici di ogni tipo e prendere decisioni chiave per proteggere vite umane e infrastrutture.
Stiamo inoltre rilasciando due set di modelli simili: WeatherNext Cyclones, che è stato utilizzato durante la stagione degli uragani (i risultati sono visibili nel paper); e WeatherNext 2, un aggiornamento successivo che abbiamo messo in produzione in ottobre. Inoltre, stiamo rilasciando WeatherNext 2-mini, una versione compatta del modello che può essere eseguita su un singolo TPU in un notebook Colab pubblico gratuito.
Puoi esplorare le nostre ultime previsioni sui cicloni su Weather Lab, che abbiamo recentemente aggiornato con una nuova interfaccia e ampliato per includere previsioni meteorologiche globali insieme alle traiettorie dei cicloni. Weather Lab ora consente di visualizzare le previsioni di WeatherNext per temperatura, precipitazioni, velocità del vento e altro, tutto in un’unica vista. Sia Weather Lab sia i modelli WeatherNext fanno parte di Google Earth AI.
Spingere i confini dell’AI per le previsioni meteorologiche
Abbiamo ottenuto una svolta storica guadagnando più di un giorno intero di anticipo nella previsione dei cicloni — un progresso equivalente a un decennio di avanzamento meteorologico. Mentre ci prepariamo alle future stagioni delle tempeste, invitiamo ricercatori, agenzie meteorologiche ed esperti a collaborare con noi, costruire sui nostri modelli open source ed esplorare le nostre previsioni su Weather Lab.
Combinando il machine learning avanzato con l’insostituibile esperienza reale dei previsori umani, miriamo a creare un ecosistema collaborativo di previsione meteorologica che possa salvare vite e aiutare le comunità ad adattarsi a un clima in cambiamento.
Nota: per previsioni e avvisi meteorologici ufficiali, fare riferimento alla propria agenzia meteorologica locale o al servizio meteorologico nazionale.
Riconoscimenti
Questa ricerca è stata co-sviluppata dai team di Google DeepMind e Google Research.
Desideriamo ringraziare i nostri collaboratori del NOAA/NWS/NCEP National Hurricane Center, del Cooperative Institute for Research in the Atmosphere (CIRA) e del UK Met Office per la partnership e i contributi all’articolo.
Questo lavoro riflette i contributi dei coautori del paper: Ferran Alet, Tom Andersson, Ilan Price, Stratis Markou, Andrew El-Kadi, Dominic Masters, Amy Li, Samier Merchant, Natalie Williams, Gregory Thornton, Ken MacKay, Olivia Graham, Akib Uddin, Ben Gaiarin, Devaja Shah, Elinor Kruse, Wallace Hogsett, David Zelinsky, John Cangialosi, Jonathan Martinez, James Franklin, Mark DeMaria, Kate Musgrave, Caroline L. Bain, Helen Titley, Jacklynn Stott, Remi Lam, Aaron Bell, Paul Komarek, Matthew Willson, Alvaro Sanchez-Gonzalez e Peter Battaglia.
