Secondo il rapporto, l’adozione di metodi di apprendimento automatico come Huawei Pangu-Weather potrebbe rappresentare un punto di svolta rispetto al progresso incrementale e piuttosto lento dei tradizionali metodi di previsione meteorologica numerica (NWP). Prima di Pangu, l’esecuzione delle previsioni aumentava di circa un giorno ogni decennio (secondo l’Organizzazione meteorologica mondiale, o WMO), il che può essere attribuito all’elevato costo computazionale dell’esecuzione di una previsione con i sistemi NWP standard. I modelli ML sono pronti a rivoluzionare le previsioni meteorologiche con previsioni che richiedono costi computazionali molto più bassi e che sono ugualmente o più accurate.
Pangu-Weather
Modelli di intelligenza artificiale come componenti aggiuntivi
L’ECMWF sta ora eseguendo una serie di previsioni basate sui dati come parte della sua suite operativa. Il sito web dell’ECMWF mostra le previsioni fatte da Huawei Pangu-Weather in sei diversi tipi di grafici, tra cui: pressione media al livello del mare e velocità del vento di 850 hPa, altezza geopotenziale di 500 hPa e temperatura di 850 hPa, pressione media al livello del mare e vento di 200 hPa, temperatura e geopotenziale a vari livelli di pressione, temperatura a 2 m e velocità del vento a 10 m, velocità del vento e altezze geopotenziali a vari livelli di pressione. Tutte queste informazioni sono fondamentali per prevedere lo sviluppo dei sistemi meteorologici, le traiettorie delle tempeste, la qualità dell’aria e i modelli meteorologici. L’ECMWF ha recentemente utilizzato Pangu-Weather per prevedere con successo il percorso del tifone DOKSURI che si è abbattuto sulla Cina meridionale a luglio.
L’ECMWF ha chiesto maggiori sforzi da parte della comunità globale delle previsioni meteorologiche per utilizzare i modelli di intelligenza artificiale come componenti aggiuntivi dei loro sistemi di previsione e per esplorare ulteriormente i punti di forza e di debolezza di tali modelli.
