Passare da una previsione dell'allerta di short range (breve termine), che arriva fino a tre giorni prima dell'evento estremo di precipitazione, a una di medio termine, con un orizzonte di quattro, massimo cinque giorni di anticipo. A questo scopo è nato il sistema MaLCoX (modello di apprendimento automatico predittivo delle condizioni per le precipitazioni estreme) frutto di un team di ricerca internazionale che comprende Università di Monaco, Arpae, Kit, Ecmwf e Wave of Weather. Abbiamo chiesto a Federico Grazzini, ricercatore dell'Università di Monaco e meteorologo Arpae, che ha guidato lo studio di parlarcene.

Cosa si intende per evento estremo di precipitazione?
Per definire un evento estremo di precipitazione si lavora su dei dati di pioggia aggregati sulle aree di allertamento del centro-nord Italia, sulle medie di pioggia che cadono sulle varie aree di allertamento e si arriva a definire un giorno con un estremo di precipitazione quando almeno una delle aree del centro-nord Italia supera una soglia basata sulla rarità di questa precipitazione (novantanovesimo percentile della precipitazione giornaliera). Si tratta di una soglia basata sulla statistica: se abbiamo 100 eventi estremi e li ordiniamo in senso decrescente dal più grande al più piccolo, come soglia usiamo il secondo valore massimo registrato. Stabilita una soglia di evento estremo che è comunque una soglia alta dove normalmente quando piove a livello superiore di questa soglia ci sono danni, definiamo quello come evento estremo e andiamo a vedere come migliorare la previsione delle giornate in cui si verificano questi eventi. Si tratta di eventi come quelli avvenuti nei giorni scorsi in Veneto, Lombardia e Emilia-Romanga.

L'articolo, dal titolo “Improving forecasts of precipitation extremes over northern and central Italy using machine learning” pubblicato sul RmeTs (Quarterly journal of the Royal meteorological society), dichiara che l'obiettivo della ricerca è quello di migliorare le previsioni meteo.
Sì, più che migliorare, quello che vogliamo fare è anticipare sempre di più la previsione di questi eventi. In realtà non è che andiamo a proporre qualcosa che si sostituisca alle tecniche attuali di previsione, proponiamo qualcosa che si va ad integrare e che cerca di anticipare sempre di più la previsione degli eventi estremi di pioggia.

Come mai una ricerca in questo campo?
Dobbiamo lavorare su questo piano perché la pioggia è un campo molto difficile da prevedere e quindi normalmente i sistemi di allerta attuali offrono la previsione di pioggia a un giorno, due e massimo tre giorni, in questo caso noi cerchiamo di spingerci a quattro, cinque e sei giorni. Cerchiamo di estendere l'orizzonte di eventuali tecniche di allerta a quello che si chiama tecnicamente medium range, cioè previsione a medio termine, che significa orizzonte di quattro, cinque giorni. Pe ora la previsione delle allerte si fa nello short range (fino a tre giorni).

 

Come avete fatto a ricavare queste previsioni anticipate?
Alla base di questo lavoro c'è il fatto di cercare di replicare quello che fa il meteorologo previsore con la sua soggettività e la sua esperienza, ovvero, non si valuta solo l'uscita diretta dei modelli in termini di pioggia ma anche altre variabili. Per fare una previsione di un evento estremo, bisogna capire questa pioggia da quali situazioni meteorologiche nasce, perché ogni evento estremo è associato a situazioni simili ma talvolta anche diverse che vanno riconosciute, in più ogni situazione ha il suo livello di prevedibilità. Quindi noi andiamo a integrare la previsione diretta di pioggia del modello con i così detti indicatori sinottici (es. il trasporto di vapor d'acqua in atmosfera ad una certa altezza, il grado di stabilità atmosferica valutato sul centro-nord Italia) che descrivono la situazione meteorologica che produce quella pioggia. Cerchiamo di usare i dati in maniera oggettiva, dando delle regole da seguire, sulla base di quello che è successo nei casi precedenti, e andiamo a unire tutte queste informazioni con tecniche di intelligenza artificiale per andare a aggiungere qualcosa rispetto alla previsione diretta.

In questo caso si parla di previsioni ibride, cosa significa?
La previsione ibrida è quella per cui se devo prevedere la pioggia guardo il campo di pioggia sul modello più altri elementi. 

Su quale dataset si basa il vostro lavoro?
L'Italia è ricca di eventi estremi, di piogge che causano danni, quindi a partire dal 1961 fino a oggi abbiamo a disposizione una casistica molto ampia: parliamo di un training del modello fatto su più di 800 eventi estremi. Si tratta di dati derivati dal dataset Arcis, che è un dataset composto da tutte le reti osservative del nord e del centro Italia, da questo abbiamo fatto derivare gli 800 eventi analizzati, ovvero le date in cui si sono verificati gli eventi estremi. 

Al momento si può dire che si potranno anticipare le allerte meteo o è ancora presto?
Sicuramente è ancora presto, questo è un prototipo sperimentale che è andato a mettere a frutto tutto il lavoro che è stato fatto nei precedenti sei anni in collaborazione con l'università di Monaco all'interno del programma di ricerca di base Waves to weather che è un programma di ricerca vasto finanziato dalla Germania sulla meteorologia e  la  prevedibilità. Adesso che il sistema è operativo quotidianamente presso il servizio meteorologico regionale italiano di Arpae – Emilia-Romagna, dobbiamo fare una serie di ulteriori verifiche  istruzione dei colleghi  e una serie di passi prima di arrivare eventualmente a un nuovo sistema di allertamento. 

Nell'articolo si legge che questo nuovo sistema servirà anche a comprendere meglio la dinamica della formazione degli eventi estremi di precipitazione, in che modo?
Questo secondo me è uno dei due punti centrali della ricerca: il primo è quello di anticipare la previsione degli eventi estremi e il secondo è arrivare a capire meglio perché avviengono. L'intelligenza artificiale è sempre vista da molti come una scatola nera in cui c'è un algoritmo che capisce quali sono le connessioni tra le varie cose e ti migliora la previsione, in realtà può essere usato al contrario, cioè siccome l'algoritmo ha capito quali sono le connessioni che portano all'evento estremo, ci sono dei metodi che noi usiamo nella ricerca che ti fanno vedere perché l'algoritmo ha deciso di dirti che quel tale giorno prevede un evento estremo e lo può spiegare in maniera oggettiva mostrandoti quali elementi hanno influenzato la sua decisione. Questo è importante perché può aiutare a spiegare al meteorologo quali sono gli elementi che rendono quel dato evento un evento estremo. 

Il sistema ha previsto le forte precipitazioni iniziate il 15 maggio?
Sì nei giorni scorsi, quando forti piogge hanno messo a dura prova Veneto e Lombardia, il metodo ha segnalato l'alta probabilità che accadessero eventi estremi e ci ha sempre dato un anticipo, magari di un giorno, rispetto ai metodi tradizionali. Ma al momento questo metodo non permette di andare nel dettaglio specifico delle aree dove ci sarà l'evento, dice solo che in una tale giornata ci sono le condizioni perché si verifichi un evento estremo all'interno dell'area di riferimento, ovvero il centro-nord Italia. Però ciò è comunque utile perché con un ipotetico pre-warning è possibile allertare per esempio il personale interno per una migliore strategia di monitoraggio al fine di organizzarsi perché tra quattro o cinque giorni si verificheranno le condizioni per un evento estremo.

Quali saranno i prossimi passi?
Come ulteriore sviluppo del sistema andremo a dettagliare le singole aree geografiche. Poi ci sono molte altre cose che si potrebbero migliorare, il machine learning apre a tantissime possibilità, quindi vorremmo capire meglio il valore pratico, l'usabilità di questo sistema.

Copertina: Raychel Sanner/unsplash