Le previsioni meteorologiche sono diventate notevolmente affidabili su orizzonti brevi: i modelli odierni sono estremamente accurati fino a circa due settimane, e anche le proiezioni climatiche a lungo termine stanno migliorando costantemente. Tra queste due scale temporali, tuttavia, si trova un ostinato punto cieco. Le previsioni nell’intervallo da due a sei settimane – note come previsioni sub-stagionali – rimangono inaffidabili, anche se questo è proprio l’intervallo che conta per decidere quando piantare i raccolti, come allocare acqua ed energia e come prepararsi agli incendi.
Microsoft Research e una rete di collaboratori esterni affermano di aver trovato un modo per ridurre questo divario, non costruendo ancora un altro modello di previsione, ma insegnando al software a correggere gli errori prevedibili dei modelli già esistenti. L'approccio, chiamato Probabilistic Bias Correction (PBC), è dettagliato in un articolo pubblicato sulla rivista scientifica Nature e descritto in un post sul blog di Microsoft pubblicato questa settimana. È una delle voci più silenziosamente pratiche nell'ondata di ricerca applicata sull'intelligenza artificiale inclusa tra gli ultimi sviluppi dell'intelligenza artificiale, perché aggiorna i sistemi su cui già fanno affidamento i meteorologi piuttosto che chiedere loro di passare a qualcosa di nuovo.
Perché la finestra da due a sei settimane sfida le previsioni
I modelli basati sulla fisica simulano l’atmosfera e gli oceani utilizzando equazioni scientifiche, mentre i modelli di intelligenza artificiale più recenti si addestrano su vasti archivi di dati meteorologici osservati. Secondo Microsoft, entrambe le famiglie ottengono buoni risultati fino a circa dieci giorni. Oltre quel punto, piccoli errori iniziali si accumulano e le complesse interazioni tra atmosfera, oceani e superficie terrestre travolgono entrambi gli approcci, motivo per cui le prospettive da due a sei settimane sono rimaste a lungo in ritardo rispetto al resto delle previsioni.
Piuttosto che entrare in un campo affollato di modelli concorrenti, il team guidato da Microsoft si è concentrato su un obiettivo diverso: gli errori sistematici e ripetibili che i modelli commettono in questo intervallo. "La nostra nuova pipeline (PBC) prende il tuo modello preferito come input e apprende in che modo tende a commettere errori. Quindi corregge tali errori, producendo una migliore previsione di output per l'intervallo sub-stagionale", ha spiegato la società nel suo post sul blog.
Uno strato leggero sopra i modelli esistenti
Tecnicamente, PBC è un sistema di apprendimento automatico leggero che studia l'archivio di previsioni storiche di qualsiasi modello per scoprire dove e come è sistematicamente distorto. Una volta appresi questi modelli, il sistema regola l'output probabilistico del modello per compensare. Nelle valutazioni descritte nel documento di Nature, Microsoft riferisce che PBC ha migliorato le prestazioni del principale modello sub-stagionale a livello operativo a livello mondiale, gestito dal Centro europeo per le previsioni meteorologiche a medio termine (ECMWF).
I risultati hanno retto nelle competizioni dal vivo, non solo nei test retrospettivi. L’ECMWF ha lanciato AI Weather Quest nell’agosto 2025, una competizione in tempo reale progettata per promuovere previsioni probabilistiche substagionali. Un team chiamato MicroEnsemble, composto da ricercatori Microsoft e collaboratori esterni, ha ottenuto il massimo dei voti con un progetto denominato MicroDuet, che ha applicato la PBC al modello dinamico leader del settore dell'ECMWF.
"AI Weather Quest fornisce una piattaforma unica di benchmarking in tempo reale per le previsioni sub-stagionali", ha affermato il dottor Joshua Talib, uno scienziato specializzato in previsioni sub-stagionali presso l'ECMWF. "I contributi del Team MicroEnsemble hanno messo in luce come l'apprendimento automatico possa migliorare le capacità dei tradizionali sistemi di previsione dinamica attraverso la post-elaborazione."
Dal punto di riferimento ai progetti pilota nel mondo reale nell'Africa orientale
La tecnica sta già andando oltre i parametri di riferimento. In Kenya, i meteorologi si stanno preparando a testare la PBC mentre inizia una delle due stagioni delle piogge del paese. Lo sforzo coinvolge la Kenya Meteorological Service Authority (KMSA) e gli scienziati del Climate Hazards Center dell’Università della California, a Santa Barbara, con la consulenza di Genevieve Flaspohler, che gestisce Rhiza Research, un’organizzazione no-profit focalizzata sul miglioramento delle previsioni meteorologiche basate sull’intelligenza artificiale.
Flaspohler sostiene che il valore di una previsione dipende dall’arrivare in tempo per agire di conseguenza. "Una buona previsione meteorologica, fornita al momento giusto, sul giusto canale di comunicazione, può essere un grande elemento di differenziazione per i risultati agricoli", ha affermato, sottolineando che l'Africa orientale ha oscillato tra gli anni più secchi mai registrati e gli anni più piovosi di sempre. In una regione in cui le aziende agricole sono in gran parte prive di irrigazione e le decisioni relative alla semina, alla fertilizzazione e all’acquisto di sementi dipendono tutte dalle prospettive, una previsione sub-stagionale più abile non è un miglioramento astratto.
"Poiché siamo nel mezzo del El Niño più caldo mai registrato, c'è molta paura tra i governi e nella comunità scientifica del clima su come ciò si manifesterà", ha detto Flaspohler. "C'è un enorme bisogno di metodi di previsione semplici che funzionino in modo robusto."
Un argomento di efficienza in un'era di modelli più grandi
Ciò che rende la PBC notevole nell’ambito della ricerca sull’intelligenza artificiale è la sua economia. Mentre gran parte del settore si affretta ad addestrare modelli di previsione end-to-end sempre più grandi, PBC è un sistema relativamente piccolo che prende in prestito gran parte delle sue competenze dai modelli operativi che corregge. Ciò rende la gestione più economica e più facile da adottare per le agenzie meteorologiche, poiché possono mantenere la loro infrastruttura esistente e aggiungere semplicemente un livello di correzione.
Riflette anche un modello più ampio nell’apprendimento automatico applicato: la post-elaborazione e la calibrazione spesso offrono vantaggi che altrimenti richiederebbero una rielaborazione completa del modello. Per i servizi meteorologici che valutano dove spendere budget limitati, è probabile che attiri l’attenzione un metodo che migliora in modo dimostrabile l’intervallo di previsione più difficile – convalidato sia in Nature che in una competizione ECMWF dal vivo.
Cosa verrà dopo per l'IA sub-stagionale
Il post sul blog di Microsoft si ferma prima di annunciare un prodotto operativo e la società non ha detto se PBC sarà integrato nelle offerte di previsione commerciale. Il test a breve termine è se i servizi meteorologici nazionali inizieranno ad adottare livelli di correzione dei bias come PBC per le loro prospettive sub-stagionali e se l’approccio si integra bene con i modelli di previsione AI che stanno entrando in uso operativo.
Se lo farà, la finestra da due a sei settimane – il periodo in cui gli agricoltori, gli operatori di rete e i pianificatori delle catastrofi hanno storicamente avuto meno lavoro – potrebbe finalmente iniziare a chiudersi. Per un campo che ha trascorso decenni alla ricerca di guadagni marginali in termini di competenze, lasciare che un piccolo sistema di apprendimento automatico ripulisca gli errori sistematici di modelli fisici giganteschi è un tipo di progresso pragmatico.
---
Stai al passo con l'intelligenza artificialeRicevi le ultime notizie, analisi e scoperte sull'intelligenza artificiale, tutto in un unico posto.
Leggi altre notizie sull'AI →
