Previsioni meteo a lungo termine con l’IA: come funzionano e cosa cambia
Come l’intelligenza artificiale sta migliorando le previsioni meteo a 2-6 settimane: il metodo di Microsoft, la sfida di ECMWF e cosa cambia per agricoltura ed energia.
L’IA e l’intervento dei modello di Microsoft e Google stanno cambiando anche il modo di fare previsioni, non tanto per le previsioni a medio termine e stagionali, ma anche per quelle semi-stagionali.
Indice
Il buco tra meteo e clima
Le previsioni a pochi giorni sono ormai molto affidabili (seppur ancora migliorabili, specialmente per determinate aree e periodi dell’anno), e anche le proiezioni climatiche di lungo periodo migliorano. Tra le due c’è una zona grigia: le settimane dalla seconda alla sesta, quella che i meteorologi chiamano scala sub-stagionale.
È la finestra che conta per chi decide con largo anticipo: quando seminare, quanta acqua o energia allocare, come prepararsi a ondate di gelo, incendi o alluvioni. Ed è proprio dove i modelli tradizionali, basati sulle equazioni fisiche di atmosfera e oceani, perdono precisione. Anche i nuovi modelli di IA, addestrati su enormi archivi di dati, funzionano bene fino a circa dieci giorni e poi inciampano: gli errori si accumulano e l’interazione tra clima globale e tempo locale diventa troppo complessa.
3 scale, 3 domande
| Scala | Orizzonte | Cosa si prevede | A cosa serve |
|---|---|---|---|
| Meteo | fino a circa 2 settimane | Le condizioni giorno per giorno: pioggia, vento, temperatura | Decidere se prendere l’ombrello, emettere un’allerta temporali |
| Sub-stagionale | da 2 a 6 settimane | Le tendenze settimanali: più freddo, più caldo, più o meno piovoso del normale | Scegliere quando seminare, gestire acqua ed energia, prepararsi a un’ondata di gelo |
| Stagionale | da uno a diversi mesi | L’andamento medio di una stagione, spesso legato a El Niño | Capire com’è probabile che sia l’inverno, scegliere le colture |
L’idea di Microsoft: correggere gli errori, non rifare il modello
Invece di costruire l’ennesimo modello da zero, i ricercatori di Microsoft Research hanno scelto un’altra strada: imparare come un modello esistente sbaglia, e correggerlo. Si chiama Probabilistic Bias Correction (PBC) ed è descritta in un paper su Nature (in fondo trovate il link assieme a tutte le altre fonti).
Il funzionamento, in sintesi: un sistema di machine learning leggero esamina le previsioni passate di un modello, individua gli errori sistematici e li usa per migliorare le previsioni future. Non si limita a spostare la quantità di pioggia prevista: corregge le probabilità stesse, e questo è ciò che serve a chi pianifica in condizioni di incertezza.
I numeri riportati da Microsoft:
- Il modello sub-stagionale operativo di ECMWF, il Centro europeo per le previsioni a medio termine, migliora nel 98% dei casi per le precipitazioni, nel 92% per la temperatura e nel 91% per la pressione.
- Applicata all’AIFS, il sistema di previsione basato su IA di ECMWF, la PBC ne raddoppia l’accuratezza.
È un approccio interessante anche perché “prende in input il tuo modello preferito”, come dice Lester Mackey di Microsoft Research: non sostituisce i modelli esistenti, li rende migliori. Il codice è disponibile come software open source.
Tre scale, tre problemi diversi
Meteo, sub-stagionale e stagionale non sono la stessa previsione fatta più in là. Scegli una scala per vedere cosa si prevede e a che punto è l’IA.
Come leggerlo. Ogni barra copre l’orizzonte di previsione in settimane. La fascia chiara è la finestra tra 2 e 6 settimane, quella in cui le previsioni sono più incerte. Le scale si sovrappongono: tra la quarta e la sesta settimana si usano entrambe.
Metodo e dati
Gli intervalli sono indicativi. Microsoft e ECMWF indicano la finestra sub-stagionale tra 2 e 6 settimane; ECMWF pubblica il suo sistema stagionale fino a 7 mesi e un sistema sub-stagionale a 46 giorni. L’inizio della scala stagionale a 4 settimane è una convenzione.
Dove la correzione batte il modello di riferimento
Percentuale degli obiettivi di previsione in cui la Probabilistic Bias Correction (PBC) migliora il modello sub-stagionale ECMWF già corretto con i metodi operativi.
Come leggerlo. Una barra al 98% vuol dire che, su quasi tutti gli obiettivi di precipitazione, la versione corretta ha fatto meglio. Non dice di quanto: per questo il dato va letto insieme al raddoppio di accuratezza ottenuto sull’AIFS, il sistema di IA di ECMWF.
Metodo e dati
La PBC usa un sistema di machine learning leggero che studia le previsioni passate di un modello, trova gli errori sistematici e corregge le probabilità. I valori vengono dal paper pubblicato su Nature e dal racconto di Microsoft Research. Il numero assoluto di obiettivi non è indicato nella fonte consultata.
Quanto in anticipo sono arrivati gli avvisi
Tre eventi estremi negli Stati Uniti e la data in cui il sistema di Microsoft li aveva già indicati.
Come leggerlo. Il cerchio è il giorno in cui è uscita la previsione, la barra scura è la durata dell’evento. Il numero sul tratteggio è l’anticipo in giorni fino all’inizio dell’evento.
Metodo e dati
Le date vengono dalle didascalie delle figure di Microsoft Research. I giorni di anticipo sono calcolati come differenza tra la data di previsione e il primo giorno dell’evento. Microsoft indica 19-26 giorni per le due tempeste invernali; il calcolo dà 22 e 24. Una previsione probabilistica non annuncia l’evento con certezza: segnala una probabilità più alta del normale.
La prova: l’AI Weather Quest
Per misurare i progressi in modo onesto serve un banco di prova in tempo reale. Lo ha creato ECMWF con l’AI Weather Quest, una competizione internazionale sostenuta dall’OMM, partita ad agosto 2025: i team inviano ogni settimana previsioni probabilistiche di temperatura, precipitazioni e pressione a livello del mare, che vengono valutate con un sistema trasparente.
La squadra di Microsoft e collaboratori esterni, MicroEnsemble, ha partecipato con MicroDuet, che applica la PBC al modello dinamico di ECMWF e a un modello ibrido (IA più fisica) chiamato PoET. Secondo Microsoft, nella prima stagione di tre mesi MicroDuet è arrivato primo per ogni variabile e ogni orizzonte temporale, davanti a sei centri operativi e ai sistemi di 34 team nel mondo, ed è risultato il più accurato anche su un anno intero.
Il dato che colpisce di più riguarda gli eventi estremi. Sempre secondo Microsoft, MicroDuet ha previsto due violente tempeste invernali negli Stati Uniti con 19-26 giorni di anticipo: la Winter Storm Fern di fine gennaio 2026, che avrebbe causato 174 morti e circa 4 miliardi di dollari di danni, e la grande bufera di fine febbraio. Aveva anche intercettato un’ondata di gelo di metà dicembre che il modello ECMWF corretto con i metodi tradizionali non aveva visto.
Va detto con chiarezza che questi risultati sono riportati dagli autori. ECMWF, dal canto suo, ha commentato che il Quest mostra come il machine learning possa migliorare i sistemi dinamici tramite il post-processing. L’esito dell’intero primo anno è stato presentato in un webinar a settembre 2026.
Dal laboratorio ai campi: il Kenya
La parte forse più convincente è fuori dalle classifiche. In Kenya, dove l’agricoltura dei piccoli produttori dipende quasi interamente dalla pioggia e quasi non c’è irrigazione, scegliere quando seminare e quando concimare è questione di previsioni. Il servizio meteorologico nazionale (KMSA) sta testando la PBC durante la stagione delle piogge in corso, con il supporto di Rhiza Research, una piccola organizzazione non profit.
La PBC aiuta i meteorologi a stimare la probabilità di piogge molto intense o molto scarse nei bollettini settimanali. Phillip Okello, meteorologo del KMSA, osserva che la maggior parte delle correzioni si limita a ritoccare la quantità di pioggia prevista, mentre la PBC corregge le probabilità e, nei test su tutto il Grande Corno d’Africa, ha migliorato le previsioni più di qualunque altro metodo provato. Il prossimo passo è affinare la previsione di piogge forti e periodi secchi, che per gli agricoltori contano di più.
Il contesto lo spiega Genevieve Flaspohler di Rhiza Research: la regione vive oscillazioni violente tra gli anni più secchi e più umidi mai registrati, e c’è bisogno di metodi semplici e robusti. Siamo ancora all’inizio della stagione, quindi i riscontri sono promettenti ma preliminari.
Non solo Microsoft
La PBC è la punta più visibile di un movimento più ampio. Altri gruppi lavorano sulla stessa finestra di due-sei settimane.
ECMWF, il riferimento europeo, ha pianificato un sistema sub-stagionale basato sul proprio modello di IA (AIFS) con diffusione in tempo reale nel 2026. Sul fronte commerciale, la società Spire sostiene che il proprio ensemble generativo da 200 membri batta le previsioni sub-stagionali di ECMWF sulle settimane 3-6: +14,76% sulla temperatura a 2 metri e +4,70% sull’altezza geopotenziale a 500 hPa, in una verifica interna tra il 1° gennaio e il 15 febbraio 2026 (Spire). È un test di sei settimane condotto dall’azienda stessa, da leggere come indizio e non come verdetto.
Uno sguardo ai mesi
La scala stagionale è un problema diverso, e qui l’IA è meno matura. Il caso più solido è El Niño: uno studio su Nature del 2019 mostrava una rete neurale con previsioni utili fino a un anno e mezzo, e uno del 2025 su Nature Communications indica che combinare modelli fisici e deep learning supera entrambi da soli. Per temperatura e pioggia stagionali si è ancora in fase di ricerca: un lavoro dei modelli generativi del Barcelona Supercomputing Center trova abilità solo in regioni con teleconnessioni note, mentre ECMWF prepara SEAS6, il suo prossimo sistema stagionale.
Cosa resta da dimostrare
L’entusiasmo va dosato. Molti dei risultati citati qui vengono dagli stessi gruppi che hanno sviluppato i metodi, o da aziende con un interesse commerciale. La competizione di ECMWF è un banco di prova indipendente, ma copre ancora un solo anno.
C’è poi una differenza di natura: queste previsioni sono probabilistiche. Dire che una tempesta è stata “prevista” 20 giorni prima significa che il modello aveva assegnato una probabilità più alta del normale a quell’esito, non che aveva annunciato il maltempo con certezza. Per questo il confronto va fatto su molte previsioni, non sui casi più spettacolari.
Infine, il quadro si sta muovendo in una direzione chiara: l’IA non sostituisce i modelli fisici, li affianca e li corregge, e il risultato è una finestra di previsione che si allunga.
Fonti
- New AI framework bridges a critical gap in mid-range weather forecasts, Microsoft Research, 14 ottobre 2026
- Paper su Nature sulla PBC e codice open source
- ECMWF AI Weather Quest e webinar annuale, 24 settembre 2026
- Spire AI-S2S, validazione interna
- ECMWF, prodotti e piani 2026
- Ham, Kim, Luo, Deep learning for multi-year ENSO forecasts, Nature 2019
- Combined dynamical-deep learning ENSO forecasts, Nature Communications 2025
- ICTP, abstract su modelli generativi stagionali (BSC) e S2S (ORNL)
- ECMWF, annuncio per SEAS6
