Previsioni meteorologiche end-to-end con IA che tengono conto dell’incertezza: distinguere i contributi delle osservazioni e del modello

Abstract degli autori

I sistemi di previsione meteorologica end-to-end producono previsioni accurate su griglia globale e per le stazioni direttamente dalle osservazioni grezze della Terra, sostituendo la catena della previsione meteorologica numerica, compresa l’assimilazione dei dati, a una frazione del suo costo. Questi sistemi sono deterministici e non forniscono stime dell’incertezza. Qui rendiamo probabilistico il modello Aardvark Weather associando un meccanismo stocastico a ciascun componente: un rumore appreso e dipendente dall’input nell’encoder delle osservazioni, che cattura l’incertezza aleatoria ereditata dal sistema di osservazione, e il dropout Monte Carlo nel processore, che cattura l’incertezza epistemica nelle dinamiche apprese. L’ensemble annidato che ne risulta attribuisce la dispersione delle previsioni alle due fonti mediante una scomposizione basata sulla legge della varianza totale, verificata anche escludendo flussi di osservazioni. Il fine-tuning probabilistico migliora significativamente la previsione media, del 4,2% in media tra variabili e orizzonti di previsione. L’ensemble è calibrato rispetto a ERA5 fino al medio termine (rapporto tra dispersione e accuratezza di 0,98), mantiene l’RMSE per le stazioni entro il 2,4% di quello del modello deterministico, pur ottenendo un CRPS migliore a ogni orizzonte di previsione, e resta inferiore all’ensemble operativo ECMWF. Il ramo dell’encoder si comporta come una fonte di incertezza determinata dalle osservazioni. Attribuire l’incertezza ai singoli componenti rende le previsioni end-to-end più trasparenti: un passo verso gemelli digitali dell’atmosfera basati sulle osservazioni.