Google DeepMind e Google Research hanno presentato WeatherNext 3, descritto come il modello meteorologico globale più avanzato e accurato mai realizzato, secondo le valutazioni indipendenti in tempo reale di Brightband. Il modello di punta per le previsioni con IA incorpora dati satellitari in tempo reale, aggiornamenti orari, una risoluzione più elevata, previsioni precise delle precipitazioni e nuove variabili per le energie pulite. È ora integrato in Google Search, nell'app Gemini, in Google Maps, in Google Maps Platform e in Google Cloud.

Ogni giorno il tempo influenza miliardi di decisioni. Alcune sono semplici come prendere un ombrello prima di uscire di casa, ma altre hanno conseguenze ben più importanti. Vento, pioggia ed eventi meteorologici estremi come ondate di calore e siccità producono effetti a catena sull'agricoltura, sulle catene di approvvigionamento globali, sulla produzione di energia pulita e sulle economie nazionali.

Negli ultimi anni l'IA ha rivoluzionato le previsioni meteorologiche, utilizzando dati storici per produrre previsioni più rapide e accurate rispetto ai metodi tradizionali. GraphCast di DeepMind, rilasciato nel 2023, ha superato su molte metriche i sistemi numerici convenzionali e ha contribuito a stabilire il machine learning come complemento credibile alle previsioni basate sulla fisica, accanto agli sforzi di altre organizzazioni come il Centro europeo per le previsioni meteorologiche a medio termine (ECMWF) e il suo modello open-source AIFS. Tuttavia, prevedere fenomeni meteorologici altamente locali e in rapida evoluzione è rimasto un problema. I modelli precedenti spesso mancavano di una risoluzione spaziale sufficiente e faticavano a incorporare dati meteorologici in tempo reale provenienti da fonti come i satelliti.

WeatherNext 3 apprende direttamente dalle osservazioni in tempo reale, consentendo previsioni tempestive e più localizzate per gli eventi meteorologici che incidono maggiormente sulle persone. Utilizzando dati satellitari grezzi per produrre ogni ora una previsione ad alta risoluzione, il modello rende accessibili previsioni affidabili nei prodotti Google in tutto il mondo.

Previsioni meteo rapide a una risoluzione senza precedenti

L'utilità di una previsione dipende spesso dai dettagli: da quanto finemente risolve il tempo e lo spazio. WeatherNext 3 genera previsioni orali a risoluzioni spaziali multiple, mantenendo la coerenza fisica dai grandi schemi globali dei venti fino alla topografia locale.

Il modello visualizza le variabili di superficie chiave come temperatura e umidità a una risoluzione di 5 chilometri, altre variabili di superficie a 10 chilometri e le variabili atmosferiche come la velocità del vento a 25 chilometri. Nel complesso, ciò offre un quadro meteorologico globale circa cinque volte più nitido rispetto al predecessore WeatherNext 2, che produceva previsioni su una griglia di 25 chilometri con incrementi di 6 ore.

Dal punto di vista architetturale, WeatherNext 3 acquisisce mosaici satellitari geostazionari orari in tempo reale insieme alle analisi storiche tradizionali per alimentare un singolo e flessibile transformer a mesh Functional Generative Network (FGN. Genera in uscita campi su griglia densi, traiettorie di cicloni discrete e previsioni sparse a livello di stazione in modo nativo.

In un confronto delle previsioni di temperatura a 2 metri sopra il suolo nel Regno Unito, la risoluzione nativa di 5 chilometri (0,05°) di WeatherNext 3 risolve la complessa topografia locale, evitando le rappresentazioni termiche pixellate e eccessivamente smussate prodotte da WeatherNext 2 a una risoluzione di 25 chilometri (0,25°).

Dati del mondo reale su scala globale continua

Il più grande balzo in avanti riguarda ciò da cui il modello apprende. La maggior parte dei modelli meteorologici di IA, incluso WeatherNext 2, è addestrata su dati provenienti da modelli di previsione numerica del tempo (NWP. Sebbene utili, i modelli NWP sono complesse simulazioni fisiche basate su supercomputer che comportano un ritardo dei dati di sei ore, un ritardo che può introdurre bias nelle variabili a rapida evoluzione come la pioggia o la temperatura di superficie.

Acquisendo un mosaico di dati satellitari geostazionari globali in tempo reale, WeatherNext 3 ottiene una vista dell'atmosfera in continuo aggiornamento. Ciò consente al modello di generare una nuova previsione ogni ora, ciascuna basata sulle osservazioni satellitari più recenti disponibili, con una risoluzione fino a 5 chilometri.

Questo aggiornamento rapido è importante perché il meteo critico si sviluppa rapidamente. Quando tempeste, fronti o sistemi di precipitazione si formano all'improvviso, il ciclo di aggiornamento orario del modello e la maggiore risoluzione forniscono informazioni più precoci e dettagliate per supportare una risposta efficace.

Alcune variabili, come temperatura e umidità, possono variare drasticamente in pochi chilometri, aspetto particolarmente rilevante per le comunità vicine a coste, vallate o catene montuose. I modelli tradizionali qui incontrano difficoltà perché si addestrano su rappresentazioni dell'atmosfera prive di dettagli che non colgono le variazioni locali estreme. WeatherNext 3, invece, si addestra direttamente su dati di osservazione sparsi provenienti da stazioni meteorologiche, consentendo previsioni globali su una griglia di 5 chilometri che tengono conto dei dettagli regionali come la topografia.

Secondo Google, questa svolta è particolarmente significativa per le regioni dell'America Latina, dell'Africa e dell'Asia-Pacifico storicamente poco servite dalle previsioni ad alta risoluzione a causa degli enormi costi di supercalcolo dei modelli regionali tradizionali. Porta previsioni localizzate e ad alta fedeltà a miliardi di persone e alle imprese locali di queste aree. Poiché, una volta addestrati, i modelli di IA richiedono molte meno risorse di calcolo rispetto ai sistemi NWP basati su supercomputer, abbassano la barriera dei costi che ha storicamente limitato le previsioni ad alta risoluzione alle regioni più ricche.

Oltre alla risoluzione e alla frequenza delle previsioni, il modello introduce previsioni specificamente progettate per la produzione di energia rinnovabile. WeatherNext 3 prevede la velocità del vento a 100 metri di altezza — indicativamente l'altezza delle turbine — per una stima precisa dell'energia eolica, insieme alla copertura nuvolosa ad alta risoluzione e ai livelli di radiazione solare per aiutare i parchi fotovoltaici a stimare quanta luce raggiungerà il suolo. Secondo Google, questi dati sono fondamentali per la pianificazione globale delle energie pulite, consentendo ai gestori di rete e agli sviluppatori di rinnovabili di prevedere quanta energia produrranno i loro asset puliti e di bilanciarla con la domanda dei consumatori. Questa capacità è in linea con l'obiettivo dichiarato da Google di operare con energia priva di emissioni di carbonio 24 ore su 24 entro il 2030, uno sforzo che dipende in larga misura dalla previsione della produzione rinnovabile.

Previsioni delle precipitazioni con accuratezza da record

I modelli meteorologici globali hanno sempre avuto difficoltà a prevedere le precipitazioni con precisione. I sistemi di pioggia e neve sono guidati da processi nuvolosi in rapido movimento su scala minuscola, difficili da modellare con le simulazioni tradizionali basate sulla fisica. Di conseguenza, le previsioni di IA spesso producono stime sfocate o non colgono del tutto i confini delle tempeste più violente.

Per risolvere il problema, Google ha addestrato il modello su due dataset di precipitazioni di elevata qualità: l'Integrated Multi-satellite Retrievals for GPM (IMERG) satellitare della NASA e una propria rianalisi globale delle precipitazioni basata su radar satellitari.

Il risultato è un salto significativo nell'accuratezza delle previsioni delle precipitazioni. Nelle previsioni globali a medio termine, le valutazioni rispetto ai riferimenti mostrano un miglioramento del Continuous Ranked Probability Score (CRPS) fino al 60% rispetto a IMERG, del 30% per MRMS e del 10% rispetto alle misurazioni dei pluviometri nei primi tempi di previsione.

In un confronto di previsioni a medio termine di probabilità di precipitazione (PoP > 1mm), WeatherNext 2 a una risoluzione di 25 chilometri mostrava un'impronta delle precipitazioni molto diffusa e pixellata, mentre WeatherNext 3 a 11 chilometri rispecchiava da vicino i dati satellitari reali, cogliendo con precisione le nitide bande convettive dei sistemi meteorologici.

Ricerca applicata all'ecosistema

Google afferma che il suo obiettivo principale è far avanzare l'intelligenza meteorologica per renderla universalmente utile — che si tratti di un soccorritore che monitora improvvisi cambiamenti del vento, di un controllore del traffico aereo che pianifica le rotte di volo o di un agricoltore che gestisce le coltivazioni.

Per portare queste innovazioni fuori dal laboratorio, WeatherNext 3 viene integrato nell'ecosistema centrale di Google e oltre:

• Dati di previsione ad alta risoluzione: le previsioni meteorologiche globali vengono aggiornate ogni ora e sono pronte per essere integrate nei flussi di lavoro senza alcuna configurazione del modello. Ricercatori, sviluppatori e imprese possono interrogare i dati in BigQuery e Earth Engine, o scaricarli in blocco da Google Cloud Storage.
• Disponibilità globale: WeatherNext 3 inizia da oggi ad alimentare le esperienze meteorologiche all'interno di Google Search, dell'app Gemini, di Google Maps, della Weather API di Google Maps Platform e di Google Earth Engine. L'aggiornamento migliora notevolmente le previsioni a lungo termine: pianificando con un giorno o più di anticipo, gli utenti vedranno previsioni delle precipitazioni fino al 50% più accurate, con i miglioramenti più significativi nelle regioni dove le previsioni sono storicamente state meno affidabili.

Google sottolinea che l'atmosfera conserverà sempre un certo grado di imprevedibilità. Tuttavia, addestrandosi su osservazioni del mondo reale e aggirando i vincoli della modellazione tradizionale, WeatherNext 3 avvicina le previsioni a ciò che accade effettivamente al suolo. Man mano che le previsioni con IA maturano, una questione ricorrente nel settore riguarda la convivenza tra i sistemi di machine learning e gli enti tradizionali basati sulla fisica — i servizi meteorologici nazionali, inclusi quelli che collaborano con gli sviluppatori di IA, continuano a essere la fonte autorevole per gli avvisi e la sicurezza pubblica, un ruolo che Google stessa riconosce.

Risorse aggiuntive legate al rilascio includono il documento di ricerca su WeatherNext 3, la documentazione per sviluppatori per sviluppare con WeatherNext 3, il Weather Lab per visualizzazioni del modello in tempo reale e le classifiche indipendenti in tempo reale di Brightband che mostrano la posizione di WeatherNext 3. I lettori possono inoltre esplorare il più ampio lavoro geospaziale e di IA di Google tramite Google Earth Engine, AlphaEarth Foundations ed Earth AI.

La nota legale di Google precisa che per le previsioni meteorologiche ufficiali, gli avvisi di maltempo e le comunicazioni di sicurezza pubblica occorre fare riferimento all'agenzia meteorologica locale o al servizio meteorologico nazionale.

Fonte: Google DeepMind Blog