From Hours to Daily Extremes: Evaluating ERA5 and ERA5-Land Biases Across Morocco’s Diverse Climates

Le previsioni meteorologiche sono entrate in una nuova era in cui potenti programmi informatici, addestrati su vasti archivi di dati meteorologici passati, stanno iniziando a competere con i tradizionali modelli basati sulla fisica. Questi sistemi di intelligenza artificiale non simulano l'atmosfera partendo da primi principi; al contrario, apprendono schemi dai registri storici per prevedere cosa accadrà dopo. La fonte più attendibile per questi registri storici è un dataset globale chiamato ERA5, una ricostruzione dettagliata dell'atmosfera che colma le lacune laddove non esistono stazioni meteorologiche. Una versione più recente e ad alta risoluzione, chiamata ERA5-Land, si concentra specificamente sulla superficie terrestre, promettendo una precisione ancora maggiore per il suolo su cui camminiamo. Poiché questi modelli di IA si affidano interamente a questi dati per apprendere, la qualità della ricostruzione è fondamentale. Se il registro storico contiene errori nascosti o smussa gli estremi locali, l'IA erediterà tali difetti, rischiando di non prevedere proprio quegli eventi pericolosi di cui la società ha bisogno di conoscere l'esistenza.

In Marocco, un paese dove il paesaggio cambia drasticamente dalle pianure costiere alle alte catene montuose e ai deserti aridi, i ricercatori si sono posti l'obiettivo di testare l'affidabilità di questi due dataset. Volevano sapere se le mappe digitali del passato corrispondessero realmente alla realtà registrata dalle stazioni meteorologiche a terra. Il team ha raccolto osservazioni orarie da trentasei diverse stazioni in tutto il paese, coprendo una vasta gamma di climi e topografie dal 2016 al 2024. Hanno confrontato la temperatura, l'umidità, la velocità del vento e la piovosità registrate dalle stazioni rispetto ai valori forniti sia dal modello standard ERA5 che da quello focalizzato sulla terra, ERA5-Land. L'obiettivo era vedere se le ricostruzioni digitali potessero catturare i dettagli sottili e locali del tempo, specialmente durante gli eventi più estremi di caldo, freddo e vento che definiscono la regione.

L'indagine ha rivelato che, per comprendere i modelli climatici generali, entrambi i dataset sono straordinariamente validi. Riescono a riprodurre il ritmo quotidiano del tempo, catturando come le temperature aumentino e diminuiscano durante la giornata e come cambino le stagioni nel corso dell'anno. Per le condizioni medie, i due prodotti sono ampiamente intercambiabili, sebbene lo standard ERA5 tenda a essere leggermente più accurato per temperatura e umidità, mentre l'ERA5-Land, specifico per la terra, offre un piccolo vantaggio nella misurazione della velocità del vento su terreni complessi e montuosi. Tuttavia, la storia cambia quando i ricercatori hanno esaminato gli estremi. Mentre i modelli gestiscono bene il tempo moderato, la loro capacità di prevedere gli eventi più severi dipende fortemente da quanto siano rari tali eventi.

Quando i ricercatori hanno testato i modelli rispetto alle soglie di caldo, freddo e vento estremi, hanno riscontrato un modello chiaro. Entrambi i dataset si sono comportati bene nel rilevare gli estremi moderati, come una giornata molto calda o una forte raffica di vento. Ma man mano che gli eventi diventavano più rari e intensi, l'abilità dei modelli diminuiva significativamente. Per le giornate più calde o i venti più forti, i modelli spesso mancavano completamente il bersaglio. I ricercatori hanno osservato che questo fallimento non è necessariamente un difetto unico del software, ma un limite fondamentale del tentativo di far corrispondere una mappa digitale ampia e basata su griglie a un singolo punto specifico al suolo. Una stazione meteorologica si trova in un microclima unico, forse in una valle o su un pendio specifico, mentre il modello digitale rappresenta un'area vasta che media quei dettagli locali. Questa discrepanza significa che anche un modello perfetto non può prevedere il valore di picco esatto in una specifica stazione se quel picco è guidato da una geografia locale che il modello non può vedere.

Lo studio ha inoltre svelato un ostacolo tecnico specifico per il dataset focalizzato sulla terra. Poiché ERA5-Land è progettato solo per la terraferma, esclude l'oceano. Ciò crea un problema per le stazioni situate sulla costa o vicino alle isole, dove il modello non ha un punto di griglia valido con cui confrontarsi. In alcuni casi, i dati per queste stazioni costiere semplicemente non esistono nella versione limitata alla terra, una lacuna che potrebbe facilmente essere scambiata per una mancanza di registri meteorologici se non controllata attentamente. Inoltre, i ricercatori hanno scoperto che la maggiore risoluzione del dataset terrestre non ha sempre aiutato. In alcune zone desertiche e montuose, la griglia più fine ha effettivamente introdotto più rumore nelle letture di temperatura e umidità, in particolare durante la notte, senza migliorare l'accuratezza complessiva.

In definitiva, la ricerca suggerisce che, sebbene questi dataset globali siano strumenti eccellenti per studiare i trend climatici generali e addestrare modelli di IA, devono essere utilizzati con cautela quando si prevede il meteo specifico e potenzialmente letale a livello locale. I modelli non sono guasti, ma non sono progettati per vedere i minimi dettagli del paesaggio. Gli autori raccomandano che chiunque utilizzi questi dati per studi d'impatto o per la verifica dell'IA dovrebbe concentrarsi sugli estremi relativi — ovvero quanto una giornata sia insolita rispetto alla media locale — piuttosto che su soglie assolute come "una giornata più calda di 45 gradi". Raccomandano inoltre di controllare esplicitamente le lacune di copertura vicino alla costa e di riportare gli errori in modo che tengano conto della naturale variabilità del vento e della temperatura. Comprendendo queste limitazioni, scienziati e previsori possono interpretare meglio le mappe digitali del passato, garantendo che la prossima generazione di previsioni meteorologiche rimanga ancorata alla complessa realtà del mondo.