Il Mit rivoluziona le previsioni meteorologiche con il modello MicroDuet e il machine learning

Il modello AI ha individuato con quattro settimane di anticipo una catastrofica ondata di gelo negli Stati Uniti orientali, un evento completamente mancato dai sistemi operativi tradizionali

La modellistica meteorologica ha raggiunto una tappa storica. Un team di ricerca guidato dal Massachusetts Institute of Technology (Mit) ha sviluppato una tecnica di machine learning capace di estendere la precisione delle previsioni nel lasso temporale compreso tra due e sei settimane. Lo studio, pubblicato su Nature, introduce l’architettura Probabilistic Bias Correction (Pbc), un sistema in grado di quantificare e rimuovere gli errori sistematici (bias) insiti sia nei modelli fisici dinamici tradizionali sia in quelli nativi di intelligenza artificiale.

“Per decenni le previsioni sub-stagionali, quelle oltre i 14 giorni, sono state il nostro tallone d’Achille, faticando a battere le medie storiche”, spiega Judah Cohen, climatologo del Mit e co-autore dello studio. “Con questa architettura non ci limitiamo a prevedere il tempo con maggiore esattezza, ma offriamo a settori critici il margine operativo necessario per prepararsi agli estremi climatici, trasformando l’incertezza in un rischio gestibile”.

Applicata al modello del Centro Europeo per le Previsioni Meteorologiche a Medio Termine (Ecmwf), la correzione Pbc ha raddoppiato l’accuratezza globale, migliorando le stime su pressione, temperature e precipitazioni in oltre il 90% dei target. L’eccellenza del sistema (denominato MicroDuet) è valsa il primo posto nella competizione internazionale AI Weather Quest 2025, superando le previsioni dinamiche ufficiali di sei centri meteorologici governativi mondiali (tra cui Noaa ed Ecmwf) e i modelli di 34 team internazionali.

Il salto di qualità è evidente soprattutto sugli eventi estremi: la metodologia ha incrementato l’accuratezza predittiva del 51% per le ondate di calore e del 39% per le pressioni [...]