Il fascino delle reti neurali per studiare clima e meteo

Le reti neurali artificiali sono dei modelli matematici di elaborazione dell’informazione che traggono ispirazione dal funzionamento del sistema nervoso degli organismi evoluti; hanno quindi capacità di apprendimento (o addestramento), di generalizzazione, di adattamento e di tolleranza a informazioni poco precise o errate. In sintesi, elaborano informazioni in modo “intelligente”.

Le applicazioni pratiche sono numerose e riguardano molti ambiti, come l’informatica, l’ingegneria, la medicina e la finanza. Ma non solo: la capacità di apprendere, riconoscere e classificare è molto preziosa anche nel mondo della climatologia e della meteorologia.

Infatti, per studiare i cambiamenti climatici e comprendere le complesse relazioni che intercorrono tra la circolazione atmosferica su larga scala e le diverse variabili ambientali, è utile e spesso necessaria una descrizione sintetica delle condizioni atmosferiche.

Un approccio comunemente utilizzato è quello di classificare le situazioni atmosferiche in “Tipi di Circolazione”

La classificazione dei tipi di circolazione atmosferica (weather typing)  può essere realizzata utilizzando le serie storiche di dati di analisi, cioè simulazioni delle stato dell’atmosfera elaborate da un modello, e diverse tecniche; la Action 733 di COST (European Cooperation in Science and Technology) ha ad esempio classificato e validato un numero variabile di tipi di circolazione per dodici domini europei che congiuntamente coprono l’intero Continente, utilizzando più parametri meteorologici (ad esempio la pressione sul livello del mare o il geopotenziale a 500 hPa) e numerosi metodi. L’obiettivo di questo progetto, concluso nel 2010, è infatti la “Harmonisation and Applications of Weather Types Classifications for European Regions”.

Una tecnica di classificazione comunemente utilizzata per identificare i tipi di circolazione atmosferica è la SOM (Self Organizing Maps) o Mappa di Kohonen (dal nome del Professore dell’Università di Helsinki che la introdusse nel 1982), un algoritmo che realizza una rete neurale molto efficiente per l’esplorazione di grandi quantità di dati, il cui processo di apprendimento simula quello del cervello umano. SOM è stata impiegata, ad esempio, per studiare i cambiamenti nel tempo della circolazione sinottica e per correlare le configurazioni della pressione sul livello del mare alle precipitazioni rilevate da stazioni meteorologiche distribuite sugli Stati Uniti nord-orientali,  per identificare i pattern della circolazione atmosferica associati a temperature e venti estremi sulle terre artiche occidentali, o il rischio di incendi in Arizona e New Mexico, per valutare l’abilità dei modelli climatici a simulare la frequenza e l’intensità delle precipitazioni in relazione al tipo di configurazione della circolazione sull’Australia, e tanto altro.

Meteo Expert effettua il “weather typing” con SOM per aggiornare e studiare la serie storica dei dodici tipi di circolazione giornalieri identificati sull’Europa centro-meridionale dal 2005, per valutare a livello operativo l’abilità di diversi modelli globali di previsione meteorologica a prevederli nel breve-medio termine (fino a una settimana) e per indagare correlazioni tra tipi di circolazione osservati e previsti e qualità della previsione di alcune variabili meteorologiche, come temperatura e precipitazioni.

I dodici tipi di circolazione (TC) sono classificati da SOM mediante l’elaborazione di cinque parametri meteorologici: pressione sul livello del mare, geopotenziale a 700 hPa e 500 hPa, umidità specifica a 700 hPa e  temperatura a 850 hPa, dati grigliati di analisi forniti dal modello europeo (ECMWF) alla risoluzione orizzontale di 0,5° di latitudine e longitudine, sul dominio 35°- 52°N, 3°W – 24°E. La figura 1 illustra il campo della pressione sul livello del mare di ciascun TC.

Nell’attesa di poter esaminare nel dettaglio i dati prodotti da SOM nella stagione invernale in corso, riepiloghiamo brevemente quanto elaborato per il 2020, o meglio per le ultime quattro stagioni meteorologiche, cioè da dicembre 2019 a novembre 2020.

La tabella 1 riporta il nome che abbiamo assegnato ai dodici tipi di circolazione atmosferica  e il numero di giorni di presenza di ciascuno nell’anno considerato.

Ciascun tipo di circolazione ha naturalmente caratteristiche precise, ma per semplicità possiamo dividere i dodici TC in due gruppi:

1. TC con “tempo instabile”, apportatori di piogge su ampie porzioni dell’Italia: TC1 Maestrale, TC2 Depressione Egeo, TC3 Depressione Padana, TC4 Depressione Ligure, TC7 Correnti Occidentali e TC8 Scirocco;
2. TC con “tempo stabile”, caratterizzati da circolazione anticiclonica e cielo sereno su quasi tutto in nostro Paese: TC6 Anticiclone delle Azzorre, TC9 Anticiclone di blocco, TC10 Anticiclone Afroiberico, TC11 Anticiclone Nordafricano, TC12 Depressione Iberica.

Nella figura 2 è rappresentata la sequenza temporale dei dodici tipi di circolazione giornalieri.

TC9 Anticiclone di blocco ha chiaramente dominato la circolazione atmosferica del 2020, totalizzando più di due mesi di presenza, complice la sua straordinaria e nota tendenza alla persistenza,  molto ben evidente soprattutto in primavera. Ad esso sono associate condizioni di cielo sereno ovunque, tranne che sulle regioni del Medio Adriatico e al Sud, esposte ai venti orientali in rotazione intorno alla depressione presente fra Mar Egeo e Mar Ionio (vedi Fig.1).

Anche TC11 Anticiclone Nordafricano è stato relativamente frequente, non tanto durante l’estate, caratterizzata da una frequente presenza di TC6 Anticiclone delle Azzorre e TC3 Depressione Padana, quanto nella stagione invernale, durante la quale è stato il principale responsabile della formazione di nebbie e dell’accumulo di inquinanti.

La figura 2 mostra le anomalie del 2020 rispetto ai quindici anni precedenti, ed evidenzia bene quanto, nell’ultimo anno, TC9 Anticiclone di blocco, TC11 Anticiclone Nordafricano e TC6 Anticiclone delle Azzorre, tutti TC con “tempo stabile”, siano stati molto più presenti rispetto alla media (insieme, circa cinque settimane in più).

Al contrario, TC1 Maestrale, responsabile delle irruzioni di aria fredda dalle più alte latitudini, è stato il grande assente del 2020, soprattutto in inverno, così come quasi tutti gli altri TC con “tempo instabile”, sia quelli associati allo scorrimento sull’Italia di aria fresca atlantica, sia quelli associati all’afflusso dai quadranti meridionali di aria mite e carica di umidità, come TC4 Depressione Ligure e TC8 Scirocco, i due TC responsabili delle peggiori condizioni del tempo sull’Italia.

Il 2020 è stato dunque l’anno con il più elevato numero di giorni con circolazione  anticiclonica e tempo stabile su gran parte dell’Italia dal 2005, situazione paragonabile solo al 2011 e al 2017 (vedi figura 3).

L’abilità del modello globale europeo (ECMWF) e di quello americano (GFS) a prevedere i tipi di circolazione atmosferica nei sette giorni successivi è mostrata nella figura 4, che riporta l’indice di qualità medio per le previsioni fino al terzo giorno di previsione (da +24 a +72 ore) e dal quarto al settimo giorno di previsione (da +96 a +168 ore).

E’ evidente come nelle prime settantadue ore di previsione la performance dei modelli sia stata assai simile, con un leggero vantaggio da parte di ECMWF solo con pochi TC. Nel più lungo termine, dal quarto giorno in poi, la maggiore abilità di ECMWF è invece stata ben più evidente ed estesa a quasi tutti i TC, soprattutto a quelli anticiclonici, come TC9 Anticiclone di blocco, TC10 Anticiclone Afroiberico  e TC11 Anticiclone Nordafricano, e a  quelli associati ad afflusso di aria mite ed umida dai quadranti meridionali, come nel caso del perturbato TC8 Scirocco.

L’articolo Il fascino delle reti neurali per studiare clima e meteo proviene da Icona Clima.