L'IA migliora le previsioni sulle precipitazioni del monsone

1 aprile 2024

Questo articolo è stato rivisto secondo il processo editoriale e le politiche di Science X. Gli editori hanno evidenziato i seguenti attributi garantendo l'affidabilità del contenuto:

• verificato accuratamente
• pubblicazione sottoposta a revisione tra pari
• fonte di fiducia
• revisionato

da Lori Dajose, California Institute of Technology

Ogni anno, la stagione del monsone in Sud Asia porta piogge intense a più di un miliardo di persone nel subcontinente indiano tra giugno e settembre. La pioggia caduta in oscillazioni: alcune settimane vedono da 1 a 4 pollici di acqua, mentre altre settimane sono prevalentemente asciutte. Prevedere quando si verificheranno questi periodi asciutti e bagnati è fondamentale per la pianificazione agricola e urbana, permettendo agli agricoltori di sapere quando raccogliere i raccolti e ai funzionari delle città di prepararsi per le inondazioni. Tuttavia, mentre le previsioni del tempo sono per lo più accurate entro uno o due giorni, prevedere con precisione il tempo una settimana o un mese in anticipo è molto difficile.

Ora, una nuova previsione basata su apprendimento automatico ha dimostrato di prevedere con maggiore precisione le piogge del monsone del Sud Asia da 10 a 30 giorni in anticipo, un notevole miglioramento rispetto alle attuali previsioni all'avanguardia che utilizzano la modellizzazione numerica piuttosto che l'intelligenza artificiale per fare previsioni. Comprendere il comportamento del monsone è importante anche perché questo tipo di precipitazioni è una caratteristica atmosferica importante nel clima globale.

La ricerca è stata condotta da Eviatar Bach, il Foster and Coco Stanback Postdoctoral Scholar Research Associate in Environmental Science and Engineering, che lavora nei laboratori di Tapio Schneider, il Theodore Y. Wu Professor of Environmental Science and Engineering e JPL senior research scientist; e Andrew Stuart, il Bren Professor di informatica e scienze matematiche.

Un articolo che descrive il nuovo metodo appare nei Proceedings of the National Academy of Sciences.

'C'è molta preoccupazione su come il cambiamento climatico influenzerà il monsone e altri eventi meteorologici come gli uragani, le ondate di calore, e così via,' dice Bach. 'Migliorare le previsioni su scala temporale più breve è una parte importante della risposta al cambiamento climatico perché dobbiamo essere in grado di migliorare la preparazione per questi eventi.'

Prevedere il tempo è difficile perché l'atmosfera contiene numerose instabilità - ad esempio, l'atmosfera è continuamente riscaldata dalla terra sottostante, portando ad aria fredda, più densa sopra aria più calda, meno densa - così come l'instabilità causata dal riscaldamento disomogeneo e dalla rotazione della Terra. Queste instabilità portano a una situazione caotica in cui gli errori e le incertezze nella modellazione del comportamento dell'atmosfera si moltiplicano rapidamente, rendendo quasi impossibile prevedere ulteriormente nel futuro.

I modelli all'avanguardia attuali utilizzano la modellazione numerica, che sono simulazioni al computer dell'atmosfera basate sulle equazioni fisiche che descrivono il moto dei fluidi. A causa del caos, il tempo massimo prevedibile per il tempo su larga scala è solitamente intorno ai 10 giorni. Prevedere il comportamento medio a lungo termine dell'atmosfera - cioè, il clima - è anche possibile, ma prevedere il tempo nell'intervallo temporale tra due settimane e diversi mesi è stata una sfida con i modelli numerici.

Con i monsoni del Sud Asia, la pioggia tende a cadere in cicli di scoppi intensi seguiti da periodi di siccità. Questi cicli sono noti come oscillazioni intra-stagionali del monsone (MISOs). Nella nuova ricerca, Bach e i suoi collaboratori hanno aggiunto un componente di apprendimento automatico ai modelli numerici all'avanguardia attuali. Questo ha permesso ai ricercatori di raccogliere dati sui MISOs e di fare previsioni migliori delle precipitazioni sul difficile intervallo temporale da due a quattro settimane. Il modello risultante è riuscito a migliorare le correlazioni delle previsioni con le osservazioni fino al 70%.

'Negli ultimi anni, c'è stato un crescente interesse nell'uso dell'apprendimento automatico per la previsione del tempo,' dice Bach. 'Il nostro lavoro dimostra che una combinazione di apprendimento automatico e modellazione numerica più tradizionale può produrre risultati accurati.'

L'articolo si intitola 'Improved subseasonal prediction of South Asian monsoon rainfall using data-driven forecasts of oscillatory modes.' Oltre a Bach, gli altri autori sono V. Krishnamurthy e Jagadish Shukla della George Mason University; Safa Mote della Portland State University; A. Surjalal Sharma e Eugenia Kalnay dell'Università del Maryland; e Michael Ghil dell'École Normale Supérieure di Parigi, UCLA, e Imperial College London.

Informazioni sulla rivista: Proceedings of the National Academy of Sciences

Fornito da: California Institute of Technology