App meteo con previsioni a 30 giorni? L’intelligenza artificiale sfida la teoria del caos e l’effetto farfalla

La teoria del caos e l’effetto farfalla potrebbero non essere più il limite invalicabile delle previsioni meteo. Il nuovo modello GraphCast sviluppato da Google e basato sull’intelligenza artificiale potrebbe presto formulare previsioni accurate fino a un mese: svolta o illusione?

Una sala operativa di previsione con meteorologi al lavoro: con l'AI sarà presto superato anche questo modello organizzativo?

Quasi tutte le APP meteo propongono previsioni automatiche fino a 15 giorni, ma sappiamo da tempo che l’affidabilità delle previsioni è decrescente. Oltre 6-8 giorni l’affidabilità è molto bassa, anche se i modelli appunto propongono mappe e uscite dirette.

Ora le nuove frontiere dell’intelligenza artificiale lanciano una sfida all’approccio classico basato su modelli fisico matematici e a quello che sembrava un limite invalicabile dovuto alla teoria del caos.

I limiti delle previsioni deterministiche

Attualmente la “predicibilità” attendibile e usabile operativamente dei modelli globali di circolazione dell’atmosfera di tipo fisico matematici come ECMWF e l’americano GFS è collocata a circa 6-8 giorni. Oltre, si individuano scenari di massima con l’ausilio delle previsioni d’ensemble.

Questo metodo fornisce scenari probabilistici dell’evoluzione, riesce a dare una valutazione del possibile errore delle previsioni giornaliere, ma sempre entro appunto il limite delle due settimane.

Un limite che trae origine dalle ricerche di Edward Lorenz, matematico del MIT, che nel 1963 dimostrò come piccole variazioni negli stati iniziali dell’atmosfera potessero causare cambiamenti drastici nelle previsioni, cambiamenti che si amplificano di giorno in giorno. E’ la famosa “teoria del caos”:

il battere di ali di una farfalla può causare un uragano dall'altra parte del mondo.

In realtà Lorenz non individuò il limite preciso di 2 settimane. L’idea nacque da Jule Charney e altri modellisti del MIT. Bo-wen Shen, matematico della San Diego State University, secondo cui il limite è in realtà una ipotesi empirica, non una legge fisica.

GraphCast e la nuova frontiera delle previsioni

La novità che potrebbe stravolgere l’approccio consolidato dei meteorologi al limite dei quindici giorni arriva da GraphCast, un modello basato sull’intelligenza artificiale. Sviluppato da Google DeepMind, questo modello potrebbe fornire previsioni giornaliere fino a 30 giorni, o forse anche oltre.

Non abbiamo trovato un limite alla distanza temporale raggiungibile,” afferma Trent Vonich, dottorando all’Università di Washington, autore principale dello studio, al momento in fase di preprint, ovvero non ancora pubblicato ed in fase di revisione scientifica.

GraphCast è stato addestrato sul ato, attraverso 40 anni di dati di “reanalisys”, ricostruzioni modellistiche di dati del ato. La precisione delle previsioni a 10 giorni sarebbe aumenta dell’86%, con capacità predittiva estesa a un mese.

I limiti di GraphCast

Nel mondo scientifico e della meteorologia operativa si guarda con un certo scetticismo ma anche con curiosità e speranza a questo tentativo pioneristico di infrangere la soglia dei 15 giorni di previsione.

Amy McGovern, meteorologa e informatica dell’Università dell’Oklahoma, ha affermato a Science che già ora i modelli fisico matematici classici sono vicini a superare il mitico limite delle 2 settimane. Tuttavia, “Dimostrare che tale limite si può infrangere è entusiasmante: l’AI potrebbe farcela davvero.”

Tuttavia va precisato che lo studio è in fase di revisione scientifica, un preprint non è una pubblicazione. Inoltre Tobias Selz, climatologo dell’Università di Monaco, fa presente che ancora non produce previsioni operative, ma solo test di “reforecast”, ovvero di previsione basata su dati del ato. In pratica, simula come sarebbero risultate le previsioni di eventi di anni fa, confrontando i risultati con le renalisi, che non sono vere previsioni.

Inoltre, modelli come GraphCast ignorano i processi su piccola scala come temporali intensi, downburst, grandinate, tornado, ritenuti cruciali per i limiti di prevedibilità.

La sfida e utilità di previsione a 30 giorni

Estendere il range della previsione meteo a un mese avrebbe importanti ripercussioni operative, pensiamo ad agricoltura, ottimizzazione delle risorse energetiche, pianificazione logistica, scenari di protezione civile. Difficile invece pensare che possa applicarsi agli allerta meteo, peraltro non è chiaro dallo studio qual è la risoluzione spaziale e temporale di questo nuovo modello.

Le sfide sono tante, scientifiche ma anche gestionali. Questo nuovo approccio cambierebbe molto nella catena operativa modellistica e forse renderebbe superati i grandi centri di calcolo gestiti direttamente dagli Stati e dai servizi Meteo nazionali, compreso quello di ECMWF.

L’approccio con l’intelligenza artificiale da un lato apre a privati la gestione di catene modellistiche, dall'altro rende ancora pi�� necessario mantenere, migliorare e anche infittire le reti di osservazione. Anche qua però il mondo cambia: la IoT, l’internet delle cose, sta già mettendo a disposizione grandi quantità di dati anche meteorologici.

Per ora, una previsione realmente usabile a 30 giorni resta un progetto per il futuro, ma questa ricerca apre comunque una nuova frontiera nella previsione meteorologica.

Fonti della notizia

Paul Voosen, 30-day forecast? Weather prediction might be able to look beyond 2 weeks. Science, https://www.science.org/content/article/30-day-forecast-weather-prediction-might-be-able-look-beyond-2-weeks

Vonich, P. T., & Hakim, G. J. (2025). Testing the limit of atmospheric predictability with a machine learning weather model [Preprint]. arXiv. https://arxiv.org/abs/2504.20238