Può l'intelligenza artificiale unire meteorologia e climatologia?
Un nuovo articolo pubblicato su Nature Communications, a cui ha collaborato anche il Dipartimento di Fisica e Astronomia dell'Alma Mater, sostiene che l'intelligenza artificiale sta iniziando a superare la storica separazione tra previsioni del tempo e proiezioni climatiche
E' stato pubblicato su Nature Communications, un nuovo studio dal titolo "Bridging the weather and climate divide with artificial intelligence", a cui hanno collaborato 20 ricercatori di istituzioni in Spagna, Italia, Germania, Regno Unito, Grecia, Paesi Bassi e Stati Uniti. Per l'Italia ha contribuito il Consiglio Nazionale delle Ricerche (CNR) e il Dipartimento di Fisica e Astronomia - DIFA dell'Università di Bologna.
Redazione
Il contributo bolognese nasce da una linea di ricerca del gruppo, guidato dal prof. Alberto Carrassi Direttore di Alma Climate (il Centro interdipartimentale dell'Ateneo sulle sfide globali e il cambiamento climatico), all’interno del settore “Fisica dell’atmosfera” del DIFA, e oggi, tra i riferimenti a livello internazionale per quanto riguarda l'integrazione tra assimilazione dei dati e apprendimento automatico.Tra i primi al mondo a lavorare su questo tema ed a comprendere la complementarità dei due approcci, il prof. Carrassi ha mostrato come combinare le due tecniche per ricostruire, a partire da osservazioni scarse e rumorose, i processi che i modelli fisici non riescono a risolvere.Prevedere il tempo di domani e stimare il clima dei prossimi decenni significa descrivere lo stesso sistema Terra. Eppure, per decenni, meteorologia e climatologia si sono sviluppate come due mondi separati, con modelli, dati e obiettivi diversi.Le previsioni meteorologiche partono dallo stato iniziale dell'atmosfera e guardano a ore, giorni o settimane. La climatologia studia invece come il sistema Terra risponde, su decenni o secoli, a fattori come gas serra, aerosol e uso del suolo. Il meteo offre moltissimi eventi osservati su cui verificare i modelli; il clima futuro, al contrario, non ha un termine di confronto osservativo.Secondo gli autori, l'IA sta agendo da catalizzatore tra le due comunità. Reti neurali su grafo, transformer, modelli generativi, modelli fondazionali e modelli ibridi fisica-IA vengono ormai usati in entrambi i campi. Un'analisi della letteratura scientifica dal 1975 al 2025 mostra che, dall'avvento del deep learning, la sovrapposizione tra ricerca meteorologica e climatica è cresciuta oltre quanto ci si aspetterebbe per caso, attorno a metodi condivisi come previsione, downscaling ed emulazione dei modelli.Lo studio individua tre "ponti" concreti. Il primo è temporale: le previsioni sub-stagionali e stagionali, da qualche settimana a qualche mese, occupano la zona intermedia tra i due campi e sono un banco di prova naturale per modelli capaci di attraversare le scale. Il secondo è causale: l'IA permette di confrontare eventi estremi in climi reali e ipotetici, per capire quanto il cambiamento climatico ne modifichi probabilità e intensità. Il terzo è strutturale: modelli meteo e climatici condividono sempre più componenti, dai modelli fondazionali alle combinazioni ibride di equazioni fisiche e apprendimento automatico.
Pasquale Raicaldo
"Meteorologia e climatologia hanno già un linguaggio comune: l'assimilazione dei dati, cioè l'arte di combinare modelli e osservazioni", afferma Carrassi. "L'integrazione tra assimilazione dei dati e intelligenza artificiale può diventare il terreno su cui le due comunità costruiscono strumenti davvero condivisi".Gli autori sottolineano però che l'accuratezza delle previsioni non è sufficiente."Un modello di intelligenza artificiale deve rispettare le leggi della fisica, restare stabile anche in simulazioni lunghe decenni, quantificare la propria incertezza e funzionare in modo affidabile in condizioni mai incontrate durante l'addestramento", spiega Alberto Carrassi. "È esattamente ciò che serve per gli estremi senza precedenti e per i climi futuri, che nel passato osservato non hanno un equivalente."L'articolo affronta anche i rischi ambientali e sociali. Addestrare grandi modelli richiede molta energia e potenza di calcolo, e le infrastrutture necessarie sono concentrate in poche istituzioni e aziende."L'IA può rendere le previsioni avanzate più economiche e più accessibili, ma rischia di ampliare le disuguaglianze se molti paesi e centri di ricerca resteranno esclusi dallo sviluppo dei modelli",osserva Francisco de Melo Viríssimo della London School of Economics and Political Science.Per questo gli autori propongono un'agenda concreta: componenti dei modelli differenziabili e open source, benchmark comuni tra meteo e clima, obblighi di accesso aperto ai dati e risorse di calcolo dedicate alle istituzioni con meno mezzi."
La vera sfida non è solo progettare algoritmi più potenti, ma costruire una nuova cultura della collaborazione tra meteorologi, climatologi, fisici, informatici, centri operativi e decisori", concludeGustau Camps-Valls dell’Università di Valencia.
