Modelli correttivi basati su tecniche di machine learning promettono di spingere più avanti il confine delle previsioni atmosferiche. Uno studio pubblicato su Nature descrive un approccio che non sostituisce i modelli numerici tradizionali ma ne rettifica gli errori storici, migliorando l’affidabilità delle previsioni nella finestra temporale definita “substagionale” (2-6 settimane).
Il lavoro mette in discussione alcune limitazioni interpretate alla luce della teoria del caos di Edward Lorenz, ricordando tuttavia che l’atmosfera mostra ripetizioni di schemi ricorrenti. Tra gli autori, Judah Cohen sottolinea che, pur in presenza di variabilità estrema, l’apprendimento statistico può identificare e correggere distorsioni sistematiche dei modelli tradizionali, aumentando la probabilità di individuare eventi significativi con settimane di anticipo.
Il sistema testato, battezzato MicroDuet, combina le uscite di un grande centro di previsione con un modello ibrido a guida IA e applica una correzione addestrata sugli errori precedenti. Nella prima edizione della AI Weather Quest organizzata da ECMWF la proposta ha ottenuto il primo posto in tutte le categorie: i risultati indicano miglioramenti significativi dell’accuratezza, fino a due volte con tre settimane di anticipo e fino a tre volte con quattro settimane rispetto alla media degli altri centri partecipanti.
Le ricadute pratiche toccano settori come l’agricoltura e la gestione delle emergenze. Il servizio meteorologico del Kenya ha manifestato interesse ad adottare la tecnica per ottimizzare le previsioni dei monsoni e pianificare le attività agricole. Più in generale, disporre di indicazioni affidabili con settimane di anticipo potrebbe aiutare a organizzare risposte a eventi estremi — dal rischio di gelate e siccità alla prevenzione di blackout diffusi — riducendo impatti economici e sociali. L’adozione su scala operativa richiederà però integrazione costante di dati e verifiche sul campo, prima di una diffusione più ampia.