European Commission logo
italiano italiano
CORDIS - Risultati della ricerca dell’UE
CORDIS

Improving Subseasonal and Seasonal sUmmer forecast over southern Europe through machine Learning

Article Category

Article available in the following languages:

Sfruttare l’apprendimento automatico per prevedere le ondate di calore in modo migliore

Un team di ricercatori si è avvalso di un modello avanzato di previsione da sub-stagionale a stagionale basato su algoritmi di apprendimento automatico per prevedere le temperature medie mensili a livello regionale nell’Europa meridionale con un anticipo di un mese.

Cambiamento climatico e Ambiente icon Cambiamento climatico e Ambiente

Alla luce del numero record di giorni in cui sono state raggiunte temperature di caldo estremo in Europa, dire che l’estate del 2023 è stata calda sarebbe un eufemismo. Ad esempio, la Spagna meridionale ha registrato almeno 60 giorni in cui le temperature percepite si sono attestate tra i 38 e i 46 °C, mentre in alcune aree esse hanno superato quest’ultima cifra in numerose occasioni. Poiché la previsione di questi eventi di calore estremo è particolarmente complessa da effettuare, le autorità hanno difficoltà ad adottare misure di mitigazione per proteggere le persone dai loro effetti potenzialmente letali. «I sistemi di previsione meteorologica tradizionali sono caratterizzati da un limite di prevedibilità di circa 10 giorni», afferma Marie Drouard, ricercatrice presso l’Istituto di Geoscienze in Spagna. «Per prepararci e proteggere meglio la società dai cambiamenti climatici e dagli eventi meteorologici estremi che ne conseguono, abbiamo tuttavia bisogno di previsioni affidabili su scale temporali più lunghe.» Contribuire a rispondere a questa necessità è proprio l’obiettivo che si è posto il progetto ISSUL, sostenuto dal programma di azioni Marie Skłodowska-Curie.

Migliorare l’uso dei modelli di previsione da sub-stagionale a stagionale

ISSUL si è concentrato sullo sviluppo di modelli avanzati di previsione da sub-stagionale a stagionale (S2S, sub-seasonal to seasonal). «A metà strada tra le previsioni meteorologiche e quelle climatiche, i modelli S2S sono essenzialmente previsioni meteorologiche estese che ci permettono di effettuare previsioni con un anticipo superiore a due settimane, ma inferiore a una stagione», spiega Drouard, che ha svolto il ruolo di coordinatrice del progetto. Nello specifico, il progetto ha cercato di migliorare l’utilizzo del modello S2S per la previsione delle ondate di calore nell’Europa meridionale. A tal fine, ISSUL ha impiegato un approccio abbastanza nuovo in ambito di previsione di fenomeni meteorologici estremi, ovvero l’apprendimento automatico. «Il nostro modello di previsione S2S si basa sia su un algoritmo di ottimizzazione, che mira a selezionare i predittori ottimali da un insieme di fattori determinanti, sia su un algoritmo di regressione per prevedere l’insorgere delle ondate di calore», aggiunge Drouard.

Prevedere con successo le temperature medie mensili a livello regionale

Dopo alcune operazioni di perfezionamento e ulteriori test, i ricercatori sono riusciti a utilizzare il modello di apprendimento automatico per prevedere abilmente le temperature medie mensili a livello regionale nella penisola iberica con un anticipo di un mese, un risultato che conferma quanto rivelato da studi recenti sulla previsione di ondate di calore estreme per mezzo dell’impiego di modelli di apprendimento automatico poco profondo. Utilizzando lo stesso modello di previsione, i ricercatori hanno inoltre dimostrato che è più difficile prevedere un obiettivo complesso, come l’intensità mensile regionale delle ondate di calore. «Il nostro modello non è stato in grado di ottenere una previsione accurata per l’indice di intensità delle ondate di calore a livello regionale», osserva Drouard. «Anche se ciò potrebbe essere visto come un risultato negativo, in realtà sottolinea il fatto che gli eventi estremi sono difficili da prevedere e conferma la necessità di compiere ulteriori sforzi in tal ambito.» Detto questo, i ricercatori sono stati in grado di dimostrare l’esistenza di serie ricorrenti di predittori ottimali, a indicare l’opportunità di migliorare ulteriormente la prevedibilità delle alte temperature estive e del calore estremo.

Dimostrare i vantaggi offerti dai modelli predittivi basati sull’apprendimento automatico

Il progetto ISSUL fa parte di uno sforzo più ampio realizzato dalla comunità scientifica per migliorare la nostra capacità di prevedere gli eventi meteorologici estremi su lunghe scale temporali. «Il progetto ISSUL ha confermato non solo che i modelli predittivi basati sull’apprendimento automatico possono produrre previsioni accurate delle temperature medie estive mensili a livello regionale, ma anche che tali previsioni sono più facili da produrre e quindi pronte per essere sfruttate», conclude Drouard.

Parole chiave

ISSUL, apprendimento automatico, ondate di calore, previsione da sub-stagionale a stagionale, condizioni atmosferiche estreme, previsione meteorologica, cambiamenti climatici

Scopri altri articoli nello stesso settore di applicazione