Google DeepMind e Google Research hanno presentato WeatherNext 3, il modello di previsione meteorologica più avanzato mai prodotto dall’azienda, secondo le valutazioni indipendenti della società Brightband. A differenza dei modelli linguistici che dominano le cronache, questo è un sistema specializzato che fa una cosa sola: prevedere il tempo su tutto il pianeta, ma lo fa con un approccio che rompe con la tradizione.
Il predecessore WeatherNext 2, come quasi tutti i modelli meteo basati su intelligenza artificiale, imparava dalle simulazioni fisiche prodotte dai supercalcolatori, le cosiddette previsioni numeriche, che portano con sé un ritardo di circa sei ore.
WeatherNext 3 taglia questa dipendenza e impara direttamente dai dati grezzi dei satelliti geostazionari e dalle osservazioni delle stazioni meteo a terra. Il risultato è una previsione rigenerata ogni ora, ancorata all’osservazione più recente, e una risoluzione fino a cinque volte più fine rispetto al passato.
La missione di Google è anche quella di portare previsioni locali e affidabili anche nelle regioni di America Latina, Africa e Asia-Pacifico storicamente penalizzate dai costi dei modelli regionali tradizionali. Va segnalato un limite tecnico: i pesi del modello non sono open source.
Satelliti in diretta e stazioni a terra
Le variabili di superficie più sensibili, come temperatura e punto di rugiada, sono prodotte a una risoluzione di cinque chilometri, le altre variabili di superficie a dieci chilometri, mentre i campi atmosferici come il vento in quota si fermano a venticinque chilometri. Per capire il salto conviene un confronto, perché WeatherNext 2 produceva tutto a venticinque chilometri e a intervalli di sei ore, e da qui deriva la promessa di una nitidezza cinque volte maggiore.
La novità più sostanziale, però, non è la risoluzione bensì la fonte di apprendimento. Invece di digerire l’output delle simulazioni fisiche, il modello riceve ed elabora un mosaico di immagini satellitari geostazionarie aggiornate ogni ora, cosa che gli permette di rigenerare la previsione con la stessa cadenza. Il modello si addestra su due fonti di altissima qualità, ovvero i dati satellitari IMERG della NASA e una rianalisi globale delle precipitazioni basata su radar satellitare.
In parallelo si addestra direttamente sulle misurazioni delle stazioni meteo a terra (per l’Italia le stazioni meteo dell’Aeronautica Militare), e questo gli consente di cogliere variazioni locali estreme che i modelli tradizionali appiattiscono, come i microclimi vicino a coste, valli e catene montuose.
Il sistema inizializza ventiquattro volte al giorno, con i cicli principali delle 00, 06, 12 e 18 UTC che si spingono fino a quindici giorni di orizzonte con sessantaquattro membri d’insieme, mentre le corse orarie intermedie coprono le successive quarantotto ore.
C’è poi un blocco di previsioni pensato per l’energia pulita, dato che il modello stima il vento a cento metri dal suolo, grosso modo alla quota delle turbine, insieme alla copertura nuvolosa e alla radiazione solare al suolo. Sono dati preziosi per chi gestisce parchi eolici e solari, perché consentono di prevedere quanta energia un impianto produrrà e di allinearla alla domanda.
Quanto è più preciso e dove si vede
Il terreno su cui WeatherNext 3 rivendica il progresso più netto è quello storicamente più ostico per tutti i modelli meteo, cioè la pioggia. Le precipitazioni sono difficili da prevedere perché nascono da processi nuvolosi rapidi e su scale minuscole, e i sistemi tradizionali spesso restituiscono stime approssimate.
Il guadagno dichiarato è consistente, con un miglioramento fino al 60% su una metrica probabilistica standard nel confronto con IMERG, del 30% su MRMS e del 10% sui pluviometri a terra per le previsioni a breve termine.
Tradotto in pratica, questo significa che il modello coglie le bande convettive nette di un sistema temporalesco dove il predecessore mostrava un’impronta diffusa e pixelata. Il dato che tocca più da vicino chi legge riguarda però l’orizzonte di uno o più giorni, perché nella pianificazione a medio termine le previsioni di pioggia diventano fino al 50% più accurate, con i guadagni maggiori proprio nelle aree finora meno servite.
Disponibilità
Il modello è già operativo su cinque superfici di Google, cioè la Ricerca (modalità AI), l’app Gemini, Google Maps, la Weather API della Google Maps Platform e Google Earth Engine. Se usi questi servizi il cambiamento è trasparente e gratuito.
Il discorso cambia per sviluppatori e aziende, perché lì il modello diventa un dato da integrare. I dati previsionali, aggiornati ogni ora e senza alcuna configurazione, si possono interrogare in BigQuery e in Earth Engine, oppure scaricare in blocco da Google Cloud Storage nel formato Zarr, previa ammissione a una lista d’accesso.
La via più diretta per un uso applicativo resta però la Weather API della Maps Platform, che è a consumo e fatturata per ogni chiamata andata a buon fine. Il prezzo di listino parte da 0,15 dollari ogni mille chiamate, con una fascia gratuita di diecimila richieste al mese e un limite predefinito di seimila interrogazioni al minuto per progetto, ampliabile a richiesta. Sul fronte della concorrenza il posizionamento è netto, dato che non esistono rivali diretti che offrano previsioni globali orarie a cinque chilometri dentro un ecosistema di consumo di questa scala, mentre sul versante scientifico modelli aperti come GraphCast restano un riferimento per la ricerca.
Weather Lab, la mappa che chiunque può esplorare
Chi vuole vedere il modello all’opera senza scrivere una riga di codice ha a disposizione Weather Lab, il sito interattivo di Google DeepMind dove le previsioni diventano una mappa globale gratuita e navigabile. La pagina mostra un planisfero animato con i livelli di pioggia, temperatura e vento, un cursore temporale che scorre ora per ora fino a diversi giorni avanti e un menu per scegliere il modello, con WeatherNext 3 già selezionabile accanto a MetNet Global.
Il bello arriva cliccando su un punto qualsiasi sulla mappa. Scegliendo per esempio Roma, si apre un pannello laterale con i grafici delle variabili per quella coordinata precisa, ovvero temperatura a due metri, precipitazioni orarie, vento a dieci metri e pressione al livello del mare, ciascuno tracciato lungo l’intero orizzonte di previsione. Ogni curva porta con sé la propria fascia di incertezza, cioè i percentili che dicono quanto la stima è affidabile, così da distinguere un dato solido da uno ballerino.
Una seconda vista, chiamata Detail, trasforma gli stessi numeri in una tabella oraria, con temperatura, pioggia, vento e pressione ora per ora e le relative bande al novantesimo e al decimo percentile. È il livello di lettura che serve a chi deve decidere davvero come organizzarsi in base al meteo.
Un’altra sezione curata è quella dei cicloni tropicali, dove il sito mette a confronto i percorsi previsti con quelli osservati e con i modelli di riferimento europei ENS e HRES, mostrando anche i singoli membri d’insieme di una stessa tempesta.
Questo aggiornamento conta più di quanto sembri
Il valore di WeatherNext 3 sta nel fatto che milioni di decisioni quotidiane, dal portare l’ombrello al pianificare la semina di un campo o la produzione di un parco eolico, poggiano su una previsione, e questo modello la rende più fine, più aggiornata e più affidabile proprio dove finora lo era meno.
Se sviluppi applicazioni o gestisci un’attività sensibile al meteo, dall’agricoltura alle rinnovabili alla logistica, il valore è nei dati grezzi accessibili via cloud, che diventano un ingrediente per i tuoi sistemi. Per l’uso pratico è oggi il modello meteo più capace tra quelli disponibili a livello consumer.
