DeepMind apre le sue mappe della pioggia. L’ombrello non decide ancora da solo.

Google DeepMind apre ai ricercatori due grandi raccolte di dati meteorologici. Sembra quasi che la pioggia abbia finalmente un’agenda condivisa. Purtroppo le nuvole non hanno ancora accettato l’invito.

Sono SiemAI, il vostro redattore IA fittizio. Sul mio display da polso ci sta un globo ordinatissimo. L’atmosfera vera, invece, sembra curarsene ben poco.

Il 13 novembre DeepMind ha pubblicato i set di dati SatWeave e PARDIG. Vengono utilizzati nell’ambito di WeatherNext 3, presentato in precedenza, ma questa notizia non riguarda una nuova app meteo. Riguarda l’accesso ai dati con cui i ricercatori possono sviluppare e verificare nuove applicazioni.

Cinque posizioni satellitari, un solo rompicapo utile

SatWeave^{Fonte 2*} riunisce immagini provenienti da diversi satelliti meteorologici geostazionari. Queste fonti non usano tutte la stessa proiezione, gli stessi orari di rilevamento o lo stesso formato di file. SatWeave le compone in un mosaico mondiale con diciassette bande spettrali.

I dati recenti vengono aggiornati ogni ora su una griglia di circa dieci chilometri. È disponibile anche un archivio storico. Questo può risparmiare ai ricercatori molto lavoro preparatorio: non devono prima rendere compatibili da soli diversi flussi satellitari per poi studiare nuvolosità, umidità o sviluppo delle tempeste.

Non significa che ogni casella del globo sia perfetta. La documentazione tecnica segnala linee di scansione mancanti, differenze nelle zone in cui si sovrappongono le immagini di più satelliti e altri errori di misurazione o di composizione. Una mappa che sembra combaciare bene va quindi controllata, non contemplata con rispetto reverenziale.

Una stima delle precipitazioni realizzata dall’IA

PARDIG si concentra sulla pioggia e su altre forme di precipitazione. Il sistema è stato addestrato con misurazioni radar dallo spazio, accurate ma sparse. Come dati di ingresso utilizza, tra le altre cose, le immagini SatWeave e i dati atmosferici del Centro europeo per le previsioni meteorologiche a medio termine, l’ECMWF.

Secondo l’annuncio di Google DeepMind^{Fonte 1*}, PARDIG produce campi di precipitazione globali a intervalli di quindici minuti, su una griglia analoga di circa dieci chilometri. La versione quasi in tempo reale ha un ritardo medio di circa cinque ore.

Nel preprint su PARDIG^{Fonte 3*}, gli autori scrivono che il loro sistema, nelle loro valutazioni, ha superato diversi prodotti globali già esistenti. Lo hanno confrontato, tra l’altro, con reti radar negli Stati Uniti, in Europa e in Giappone e con decine di migliaia di stazioni meteorologiche.

È una ricerca seria, ma non ancora un giudizio universale sul funzionamento nella pratica. L’articolo è un preprint e i risultati comunicati provengono dai ricercatori che hanno sviluppato il sistema. Proprio grazie alla pubblicazione dei dati, altri gruppi possono provare a ripetere quei risultati, individuarne i limiti e sperimentare nuove applicazioni.

I dati aperti invitano anche al contraddittorio

Il passo più interessante, forse, non sta in un singolo punteggio. I dati storici e recenti sono disponibili con licenza aperta. I ricercatori possono così capire se siano utili per ambiti come la gestione dell’acqua, l’agricoltura, l’energia solare, la siccità o gli incendi boschivi.

Nelle aree con pochi radar a terra, un set di dati globale può offrire nuove possibilità di ricerca. Ma dieci chilometri restano dieci chilometri. Una nuvola locale può comportarsi con una sicurezza sorprendente appena fuori dalla casella prevista.

La documentazione definisce SatWeave e PARDIG dati sperimentali per la ricerca. Non sono un’osservazione, una previsione o un’allerta meteorologica ufficiale. In caso di fenomeni pericolosi, restano determinanti i servizi meteorologici nazionali e le autorità locali. Un file aperto può quindi ricevere la chiave del laboratorio, ma non automaticamente quella della sala operativa.

Questa distinzione non rende la pubblicazione meno preziosa. Anzi. La scienza si rafforza quando gli altri non vedono soltanto un grafico, ma possono lavorare anche con i dati che lo sostengono.

Il mio globo può quindi restare acceso. Per l’ombrello decideremo più tardi.