The AI General Circulation Model

Il machine learning come strumento per innovare i sistemi previsionali del meteo
Area tematica: Earth/Climate, Projects
Finanziamento: IFAB call for projects
Tecnologia abilitante: Image recognition, Machine Learning, Super-resolution

Un nuovo modello per la previsione dei fenomeni meteorologici fondato sulle moderne tecniche di machine learning, per far fare un salto di qualità ai sistemi previsionali, riducendo sensibilmente i tempi di calcolo e il dispendio energetico

Obiettivi

  • Creazione di un nuovo approccio al General Circulation Model climatico (GCM) sfruttando i recenti sviluppi nel campo del Machine Learning (ML) e segnali atmosferici intra-stagionali.
  • Riduzione significativa del tempo necessario per ottenere previsioni a breve termine e, se possibile, aumento delle capacità di previsione a medio termine.

Sfida iniziale

Le previsioni meteorologiche si basano oggi su sistemi computazionali chiamati GCM – Global Circulation Model – progettati per riprodurre il comportamento del sistema meteo-climatico globale attraverso l’applicazione di modelli fisico-matematici. Questi modelli, che consentono agli scienziati di comprendere meglio, e di conseguenza predire i meccanismi che regolano l’atmosfera e gli oceani, hanno dei costi non indifferenti in termini di risorse di calcolo (grosse infrastrutture) di energia/forza lavoro e di tempo: una previsione con una profondità di dieci giorni può richiedere molte ore di calcolo e usare centinaia di nodi di un supercomputer.

Il progetto “The AI General Circulation Model” (AIGCM) si pone l’obiettivo di mettere a punto una Proof of Concept (POC) di un nuovo modello meteorologico basato sul machine learning e potenzialmente competitivo rispetto agli attuali modelli. Il nuovo “General Circulation Model” supererebbe alcuni limiti degli attuali sistemi previsionali, sarebbe infatti in grado di ridurre sensibilmente sia i costi infrastrutturali sia il tempo impiegato per la previsione, e potrebbe ad esempio fornire con utile anticipo dati che aiutino a predire la domanda e/o la produzione di energia.

Soluzione

Questo approccio innovativo è oggi possibile grazie ai recenti sviluppi in ambito machine learning (ML) e deep learning basati sulle reti neurali (NN, da “neural networks”) e grazie alla disponibilità di una grossa mole di dati relativi al comportamento dell’atmosfera, dati che sono stati ricostruiti grazie ai prodotti di rianalisi (usando i GCM classici) e che hanno profondità temporale fino agli ultimi 70 anni.

Le reti neurali sono modelli di apprendimento automatico che rientrano nel più ampio insieme di algoritmi di machine learning e partono dal presupposto che sia possibile simulare la complessità del problema grazie all’abbondante e vasto numero di dati. La rete neurale viene cosí “istruita” e mette a punto un sistema che le permette di fare previsioni sul futuro basate sull’acquisito comportamento dell’oggetto di interesse (in questo caso, il fluido aria/acqua). I metodi basati su reti neurali sono molto rapidi nelle loro stime e rappresentano un ottimale equilibrio tra complessità del modello, risoluzione della previsione e accuratezza delle stime. La previsione giornaliera con queste tecniche può impiegare da poche decine di secondi a qualche minuto, quindi diversi ordini di grandezza più rapidi delle tecniche convenzionali!

Il modello studiato da “AIGCM” avrà le seguenti caratteristiche:

  • Velocità di calcolo: minuti e non ore;
  • Portata delle previsioni: fino a 5 giorni;
  • Precisione geografica delle previsioni: griglia da 2.2 km
  • Area geografica: nazionale (Italia)

Il Progetto si sviluppa in tre fasi:

    • Fase 1 – Setting dell’ambiente infrastrutturale e scelta della tecnica di machine learning (tipologia di rete neurale)
    • Fase 2 – Addestramento della rete neurale attraverso i dati storici (misure e immagini satellitari). Sarà la fase temporalmente e computazionalmente più onerosa.
    • Fase 3 – Affinamento del modello per specializzarlo nella predizione di determinati dati, es: predizione specifica delle temperature, oppure previsioni a 48 ore, ecc.

Benefici

Il prototipo di modello risultante servirà come punto di partenza per futuri progressi nella costruzione di un AI-GCM pienamente operativo e potenzialmente integrabile con i GCM tradizionali.

I benefici si avranno soprattutto in quei processi decisionali altamente influenzati dalla disponibilità di informazioni meteorologiche veloci e accurate: le aziende produttrici di energia, ad esempio, o anche le comunità energetiche, potranno prendere decisioni anticipate sulla produzione e l’immagazzinamento di energia; sempre a titolo di esempio, gli agricoltori potranno attivare azioni di resilienza a fenomeni meteorologici estremi, la protezione civile alzare i livello di allerta in corrispondenza di determinati picchi, le compagnie assicurative personalizzare i loro servizi in base all’area geografica e alla stagionalità.

Partners

Per informazioni rivolgersi at: barbara.vecchi@ifabfoundation.org

Obiettivi di sviluppo sostenibile

,

Condividi su:

Potrebbe interessarti anche:

Stay updated on the latest IFAB events and projects.Subscribe to our monthly newsletter