Mezzo accurato

Apr 14, 2024

Natura volume 619, pagine 533–538 (2023) Citare questo articolo

Accessi 106k

4 citazioni

1534 Altmetrico

Dettagli sulle metriche

Le previsioni meteorologiche sono importanti per la scienza e la società. Al momento, il sistema di previsione più accurato è il metodo di previsione meteorologica numerica (NWP), che rappresenta gli stati atmosferici come griglie discretizzate e risolve numericamente le equazioni differenziali parziali che descrivono la transizione tra tali stati1. Tuttavia, questa procedura è computazionalmente costosa. Recentemente, i metodi basati sull’intelligenza artificiale2 hanno mostrato il potenziale nell’accelerare le previsioni meteorologiche di ordini di grandezza, ma la precisione delle previsioni è ancora significativamente inferiore a quella dei metodi NWP. Qui presentiamo un metodo basato sull’intelligenza artificiale per previsioni meteorologiche globali accurate e a medio termine. Mostriamo che le reti profonde tridimensionali dotate di priori specifici della Terra sono efficaci nel gestire modelli complessi nei dati meteorologici e che una strategia di aggregazione temporale gerarchica riduce gli errori di accumulo nelle previsioni a medio termine. Addestrato su 39 anni di dati globali, il nostro programma, Pangu-Weather, ottiene risultati di previsione deterministici più forti sui dati di rianalisi in tutte le variabili testate rispetto al miglior sistema NWP al mondo, il sistema di previsione operativa integrata del Centro europeo per le condizioni meteorologiche a medio termine. Previsioni (ECMWF)3. Il nostro metodo funziona bene anche con previsioni meteorologiche estreme e previsioni d'insieme. Se inizializzata con i dati di rianalisi, anche la precisione del tracciamento dei cicloni tropicali è superiore a quella dell’ECMWF-HRES.

Le previsioni meteorologiche sono un'importante applicazione del calcolo scientifico che mira a prevedere i futuri cambiamenti meteorologici, in particolare per quanto riguarda gli eventi meteorologici estremi. Negli ultimi dieci anni, i sistemi informatici ad alte prestazioni hanno notevolmente accelerato la ricerca nel campo dei metodi di previsione meteorologica numerica (NWP)1. I metodi NWP convenzionali si occupano principalmente di descrivere le transizioni tra griglie discretizzate di stati atmosferici utilizzando equazioni alle derivate parziali (PDE) e quindi di risolverle con simulazioni numeriche4,5,6. Questi metodi sono spesso lenti; una singola simulazione per una previsione di dieci giorni può richiedere ore di calcolo in un supercomputer che ha centinaia di nodi7. Inoltre, gli algoritmi NWP convenzionali si basano in gran parte sulla parametrizzazione, che utilizza funzioni approssimate per catturare processi irrisolti, dove gli errori possono essere introdotti per approssimazione8,9.

Il rapido sviluppo del deep learning10 ha introdotto una direzione promettente, che la comunità scientifica chiama metodi basati sull’intelligenza artificiale (AI)2,11,12,13,14,15,16. In questo caso, la metodologia consiste nell’addestrare una rete neurale profonda per catturare la relazione tra l’input (rianalisi dei dati meteorologici in un dato momento) e l’output (rianalisi dei dati meteorologici nel momento target). Su dispositivi computazionali specializzati come le unità di elaborazione grafica (GPU), i metodi basati sull’intelligenza artificiale sono estremamente veloci. Per fare un esempio recente, FourCastNet2 impiega solo 7 secondi per calcolare una previsione di 100 membri, 24 ore su 24, che è ordini di grandezza più veloce rispetto ai metodi NWP convenzionali. Tuttavia, la precisione di FourCastNet è ancora al di sotto del livello soddisfacente; il suo errore quadratico medio (RMSE) di una previsione Z500 a 5 giorni (geopotenziale 500 hPa) è 484,5, che è molto peggiore del 333,7 riportato dal sistema operativo di previsione integrato (IFS) del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF)3. In un recente sondaggio17, i ricercatori hanno convenuto che l’IA ha un grande potenziale, ma hanno ammesso che “sono necessarie una serie di scoperte fondamentali” prima che i metodi basati sull’IA possano battere la NWP.

Sembra che queste scoperte avvengano prima del previsto. Qui presentiamo Pangu-Weather (vedi Metodi per una spiegazione del nome "Pangu"), un potente sistema di previsione meteorologica basato sull'intelligenza artificiale che produce risultati di previsione deterministici più forti rispetto all'IFS operativo su tutte le variabili meteorologiche testate rispetto ai dati di rianalisi. Il nostro contributo tecnico è duplice. Innanzitutto, abbiamo integrato le informazioni sull’altezza in una nuova dimensione in modo che l’input e l’output delle nostre reti neurali profonde possano essere concettualizzati in tre dimensioni. Abbiamo inoltre progettato un'architettura tridimensionale (3D) del trasformatore specifico della Terra (3DEST) per iniettare priori specifici della Terra nelle reti profonde. I nostri esperimenti mostrano che i modelli 3D, formulando l’altezza in una dimensione individuale, hanno la capacità di catturare la relazione tra gli stati atmosferici a diversi livelli di pressione e quindi produrre significativi guadagni di precisione, rispetto ai modelli bidimensionali come FourCastNet2. In secondo luogo, abbiamo applicato un algoritmo di aggregazione temporale gerarchica che prevede l'addestramento di una serie di modelli con tempi di previsione crescenti. Pertanto, nella fase di test, il numero di iterazioni necessarie per le previsioni meteorologiche a medio termine è stato ampiamente ridotto e gli errori cumulativi di previsione sono stati attenuati. Esperimenti sulla quinta generazione di dati di rianalisi dell’ECMWF (ERA5)18 hanno convalidato che Pangu-Weather è efficace nelle previsioni deterministiche e nelle previsioni meteorologiche estreme pur essendo più di 10.000 volte più veloce dell’IFS operativo.