A geophysically constrained Transformer model for tropical cyclone track and intensity simulation over the western North Pacific and its contribution analysis

I cicloni tropicali sono tra le forze più potenti e distruttive della Terra, che si formano sopra le acque calde degli oceani per scatenare venti feroci e piogge torrenziali sulle comunità costiere. Prevedere esattamente dove si sposteranno queste tempeste e quanto diventeranno forti è una lotta costante per i meteorologi. I metodi tradizionali si affidano a massicce simulazioni al computer che risolvono complesse equazioni della fisica, ma questi sistemi sono lenti, richiedono un'immensa potenza di calcolo e spesso faticano ad aggiornarsi abbastanza rapidamente man mano che una tempesta evolve. Negli ultimi anni, gli scienziati si sono rivolti all'intelligenza artificiale per accelerare il processo, addestrando programmi informatici a riconoscere schemi nei dati meteorologici storici. Tuttavia, molti di questi modelli digitali agiscono come "scatole nere"; possono fare previsioni, ma non spiegano il perché le abbiano fatte, e a volte ignorano le leggi fisiche fondamentali che governano il movimento e l'intensificazione di una tempesta.

Un team di ricercatori della Beijing Normal University e della Monash University ha sviluppato un nuovo approccio che colma questa lacuna. Hanno creato un sofisticato modello informatico che combina il potere di riconoscimento dei pattern dell'intelligenza artificiale moderna con le regole rigide della geofisica. Questo modello, progettato specificamente per il Pacifico settentrionale occidentale — la regione più attiva al mondo per i cicloni tropicali — impara da decenni di registrazioni storiche delle tempeste e dati atmosferici. A differenza dei tentativi precedenti che trattavano la tempesta come una semplice sequenza di numeri, questo nuovo sistema è "geofisicamente vincolato", il che significa che è guidato dalle reali relazioni fisiche tra la tempesta e il suo ambiente. I ricercatori hanno testato questo modello confrontandolo con altri due tipi comuni di strumenti di previsione: uno che apprende da sequenze di dati nel tempo e un altro che costruisce alberi decisionali basati su esempi passati. I loro risultati dimostrano che, rispettando la realtà fisica della tempesta, il loro modello può prevedere la traiettoria e la forza di un ciclone tropicale con maggiore accuratezza e stabilità, particolarmente nei primi giorni critici della vita di una tempesta.

I ricercatori si sono concentrati sul Pacifico settentrionale occidentale, un vasto bacino oceanico dove si forma ogni anno più di un terzo dei cicloni tropicali del mondo, minacciando frequentemente i paesi dell'Asia orientale. Per addestrare il loro modello, hanno fornito un enorme archivio di informazioni, inclusi i percorsi e le intensità registrati delle tempeste dal 1949 al 2024, insieme a dettagliate istantanee delle condizioni atmosferiche e oceaniche circostanti quelle tempeste. Il modello ha imparato a osservare lo stato attuale di una tempesta — la sua posizione, la velocità del vento e la pressione centrale — e l'ambiente circostante, come le temperature superficiali del mare e i modelli del vento a diverse altitudini nel cielo. Ha poi utilizzato queste informazioni per prevedere dove si troverà la tempesta e quanto sarà forte in futuro, passo dopo passo, fino a 36 ore in avanti.

Quando il team ha messo alla prova il loro nuovo modello, questo ha superato gli strumenti standard utilizzati per il confronto. Per le previsioni a breve termine a sei ore nel futuro, il modello ha previsto la posizione della tempesta con un errore medio di circa 200 chilometri, un miglioramento significativo rispetto agli altri metodi. Anche guardando più avanti, a 36 ore, il modello ha mantenuto un alto livello di affidabilità, con un errore medio di circa 357 chilometri. In termini di previsione dell'intensità, che è misurata dalla velocità dei venti sostenuti più forti, il modello è stato altrettanto impressionante. A sei ore di distanza, ha stimato le velocità del vento con un errore medio di appena 2,59 metri al secondo, e a 36 ore, l'errore è salito a 7,54 metri al secondo. Questi risultati sono stati notevolmente migliori degli altri modelli, che hanno commesso errori più grandi sia nella posizione che nella velocità del vento, specialmente nelle ore cruciali della fase iniziale di una previsione.

Ciò che rende questo lavoro particolarmente prezioso non è solo l'accuratezza, ma anche la chiarezza di come il modello arrivi alle sue conclusioni. I ricercatori hanno utilizzato un metodo per scrostare gli strati dell'intelligenza artificiale e vedere quali pezzi di informazione contassero di più. Hanno scoperto che il modello faceva affidamento pesantemente su due fattori specifici: la pressione dell'aria al centro della tempesta e la velocità dei venti. Questi due elementi rappresentavano più della metà del potere decisionale del modello. Ciò si allinea perfettamente con ciò che i meteorologi sanno da tempo: l'intensità di una tempesta è strettamente legata alla sua pressione interna e alla sua struttura del vento. Il modello ha anche considerato i modelli atmosferici più ampi e le temperature oceaniche, ma questi hanno giocato un ruolo secondario, agendo come attori di supporto piuttosto che come motori principali. Questa scoperta suggerisce che il modello non sta solo memorizzando dati, ma sta effettivamente imparando la logica fisica del comportamento delle tempeste.

Il team ha inoltre testato il proprio sistema su due tempeste specifiche del mondo reale per vedere come gestisse situazioni complesse. In un caso, una tempesta che si muoveva costantemente attraverso l'oceano aperto, il modello ha tracciato il suo percorso con alta precisione. In un altro caso, una tempesta che si è intensificata rapidamente vicino alla costa, il modello ha identificato con successo la tendenza al rafforzamento, sebbene abbia sottostimato leggermente la velocità massima del vento. Questi test nel mondo reale hanno confermato che il modello può gestire condizioni diverse senza produrre salti erratici o irrealistici. Sebbene il modello non sia perfetto e affronti ancora sfide con le tempeste più estreme e rapidamente mutevoli, rappresenta un passo avanti significativo. Combinando la velocità dell'intelligenza artificiale con l'affidabilità della scienza fisica, questo nuovo strumento offre un modo promettente per migliorare gli allarmi precoci e aiutare le comunità a prepararsi per le potenti tempeste che minacciano le loro coste.