L’intelligenza artificiale sta cambiando il modo di prevedere il tempo, con modelli capaci di elaborare più dati e aggiornare gli scenari meteorologici con maggiore frequenza.
Che tempo farà domani? È una domanda semplice alla quale rispondere non è affatto semplice. L’atmosfera è un sistema estremamente complesso, nel quale temperatura, pressione, umidità, vento e radiazione solare interagiscono continuamente. Per decenni le previsioni sono state affidate soprattutto ai modelli numerici, che trasformano le leggi della fisica in enormi simulazioni elaborate da supercomputer. Oggi a questo approccio si affianca una strada diversa: l’intelligenza artificiale può imparare dai dati come evolve l’atmosfera e produrre rapidamente nuovi scenari.
Non si tratta però di una semplice sfida tra supercomputer e AI. I modelli fisici continuano a essere fondamentali, mentre negli ultimi anni sono comparsi sistemi di intelligenza artificiale sempre più sofisticati, da GraphCast e GenCast di Google DeepMind ad Aurora di Microsoft e AIFS dell’ECMWF. WeatherNext 3, presentato da Google nel settembre 2026, è uno degli sviluppi più recenti di questa trasformazione: utilizza anche dati satellitari, aggiorna le previsioni ogni ora e arriva a una risoluzione di circa 5 chilometri per alcune variabili superficiali.
Indice
- Dai modelli fisici all’AI
- Come funziona WeatherNext 3
- Il dettaglio fino a 5 km
- Meteo, energia e agricoltura
- Meteo AI in cosa sarà diverso?
- Limiti e futuro delle previsioni
Dai modelli fisici al Meteo AI
La meteorologia moderna di basa su modelli numerici, indicati con l’acronimo NWP, che simulano l’atmosfera risolvendo equazioni che descrivono fenomeni fisici come pressione, temperatura, umidità e movimento dell’aria. Sono alla base delle moderne previsioni del tempo e hanno raggiunto livelli di sofisticazione enormi. Il loro funzionamento richiede però notevoli risorse di calcolo. L’intelligenza artificiale propone un approccio differente: invece di simulare direttamente ogni processo attraverso le equazioni, può imparare dai dati come evolve l’atmosfera e produrre rapidamente una previsione.
Negli ultimi anni questo settore ha iniziato a svilupparsi rapidamente. GraphCast e GenCast di Google DeepMind sono tra i modelli che hanno mostrato le potenzialità dell’intelligenza artificiale applicata alle previsioni globali, ma non sono gli unici. Microsoft ha sviluppato Aurora, mentre l’ECMWF ha sviluppato AIFS. Sono approcci differenti che hanno in comune l’uso dell’apprendimento automatico per elaborare la complessità atmosferica con tempi di calcolo molto inferiori rispetto alle simulazioni tradizionali.
WeatherNext 3 si inserisce in questa evoluzione cercando di affrontare anche uno dei problemi dei primi modelli meteorologici basati sull’AI: la qualità e la frequenza delle informazioni utilizzate per descrivere lo stato iniziale dell’atmosfera. Il modello viene inizializzato ogni ora e può utilizzare osservazioni provenienti dai satelliti geostazionari. Avere informazioni più vicine nel tempo al momento della previsione è particolarmente interessante quando devono essere seguiti fenomeni che cambiano rapidamente.
Non è quindi corretto parlare della fine dei supercomputer meteorologici. I modelli NWP continuano a essere fondamentali per la meteorologia operativa e rappresentano anche un riferimento per valutare i sistemi basati sull’intelligenza artificiale. La differenza è che oggi i due approcci possono affiancarsi. L’AI può offrire velocità e nuovi strumenti di elaborazione, mentre i modelli fisici continuano a fornire simulazioni basate sulle leggi che governano l’atmosfera. La trasformazione riguarda quindi l’integrazione di metodi diversi, non la scomparsa di quelli tradizionali.
Uno degli aspetti più interessanti dei modelli di Meteo AI è comunque la velocità di elaborazione. Secondo Google, WeatherNext 3 può generare una previsione globale di 15 giorni in pochi minuti utilizzando una singola TPU. Il sistema produce inoltre un ensemble di 64 possibili evoluzioni atmosferiche. Il confronto con i sistemi tradizionali va interpretato considerando che architetture e procedimenti di calcolo sono differenti, ma resta significativo il fatto che un modello AI possa produrre rapidamente scenari meteorologici complessi.
Come funziona WeatherNext 3
Il cuore di WeatherNext 3 è un modello di intelligenza artificiale generativa addestrato per riconoscere come cambiano nel tempo le condizioni dell’atmosfera. Il sistema elabora numerose osservazioni e produce diversi campi meteorologici, dalla temperatura alla pressione, dal vento alle precipitazioni. L’ensemble di 64 membri permette inoltre di rappresentare diverse possibili evoluzioni dello stesso scenario atmosferico, invece di proporre una sola previsione come se fosse certa.
La caratteristica più interessante riguarda l’utilizzo diretto dei dati satellitari geostazionari. Il modello utilizza un mosaico globale di osservazioni satellitari per descrivere lo stato recente dell’atmosfera. I satelliti permettono di osservare dall’alto l’evoluzione dei sistemi nuvolosi e di numerosi fenomeni atmosferici. Avere informazioni più vicine nel tempo al momento della previsione può essere particolarmente utile quando la situazione cambia rapidamente e una descrizione dell’atmosfera vecchia di diverse ore rischia di non rappresentare più adeguatamente ciò che sta accadendo.
La differenza rispetto a WeatherNext 2 riguarda soprattutto la frequenza degli aggiornamenti e il livello di dettaglio. Il modello precedente veniva inizializzato ogni sei ore e lavorava principalmente su una griglia globale di circa 25 chilometri. WeatherNext 3 introduce invece inizializzazioni orarie e una rappresentazione più dettagliata per alcune variabili. I cicli principali possono arrivare a 15 giorni, mentre le inizializzazioni intermedie consentono di aggiornare più rapidamente le informazioni soprattutto nel breve periodo.
Questo può essere importante per temporali e precipitazioni. Un fenomeno che si sviluppa rapidamente può modificare sensibilmente la situazione prevista soltanto poche ore prima. Utilizzare osservazioni più recenti consente quindi al modello di partire da una fotografia aggiornata dell’atmosfera. Non significa prevedere con certezza la posizione di ogni singolo temporale, perché l’incertezza rimane elevata. Significa piuttosto ridurre il rischio di elaborare una previsione partendo da informazioni già superate.
WeatherNext 3 utilizza inoltre osservazioni reali al suolo. Per alcune variabili superficiali, come temperatura e punto di rugiada, il sistema viene addestrato anche sulle misurazioni delle stazioni meteorologiche. Per le precipitazioni vengono utilizzate diverse fonti osservative, comprese le stime satellitari NASA IMERG. L’obiettivo è mettere in relazione l’apprendimento del modello con ciò che viene effettivamente osservato sulla superficie terrestre, migliorando la rappresentazione di alcune condizioni locali.
Il dettaglio fino a 5 km
Uno dei cambiamenti più evidenti di WeatherNext 3 riguarda la risoluzione spaziale. Il modello precedente lavorava principalmente su una griglia globale di circa 25 chilometri, mentre il nuovo sistema arriva fino a circa 5 chilometri per alcune variabili superficiali calibrate sulle stazioni meteorologiche. Non significa però che ogni dato venga prodotto a 5 chilometri: la struttura è a più risoluzioni, con alcune variabili superficiali a circa 5 chilometri, altre a circa 10 chilometri e i livelli atmosferici a circa 25 chilometri.
La differenza può essere immaginata pensando a una mappa meteorologica. Una griglia da 25 chilometri tende inevitabilmente a semplificare caratteristiche territoriali molto diverse tra loro. Una griglia più fine può invece distinguere meglio aree vicine ma caratterizzate da condizioni differenti. Montagne, vallate e coste influenzano temperatura e umidità, creando variazioni locali che una risoluzione troppo grossolana rischia di attenuare. Il passaggio a circa 5 chilometri permette quindi di rappresentare meglio alcune caratteristiche del territorio.
La risoluzione più elevata riguarda in particolare la temperatura a due metri e il punto di rugiada, attraverso previsioni calibrate sulle osservazioni delle stazioni meteorologiche. Per altre importanti variabili superficiali, come vento, pressione, precipitazioni, nuvolosità e radiazione solare, la griglia globale è generalmente di circa 10 chilometri. I dati atmosferici tridimensionali vengono invece prodotti a una risoluzione di circa 25 chilometri.
Anche la previsione delle precipitazioni è uno degli ambiti nei quali Google segnala miglioramenti. Nei benchmark pubblicati dall’azienda, WeatherNext 3 ha mostrato riduzioni fino al 50% in alcune metriche probabilistiche rispetto a determinati sistemi NWP di riferimento. Si tratta però di risultati ottenuti in specifiche valutazioni. Non significano che ogni previsione locale sarà automaticamente più precisa: le prestazioni possono cambiare in funzione del fenomeno, dell’area geografica e dell’orizzonte temporale considerato.
La maggiore risoluzione non risolve quindi uno dei problemi della meteorologia locale. Un temporale estivo può svilupparsi in modo molto diverso anche tra località distanti pochi chilometri e alcuni fenomeni dipendono da caratteristiche del territorio difficili da rappresentare completamente in un modello globale. Avere una griglia più fine offre più informazioni, ma non equivale a trasformare una previsione probabilistica in un’osservazione perfetta del futuro.
Meteo, energia e agricoltura
Una previsione più dettagliata non serve soltanto a scegliere cosa indossare. Il meteo influenza direttamente la produzione di energia e i modelli meteorologici possono avere un ruolo crescente nella gestione delle fonti rinnovabili. WeatherNext 3 include variabili relative al vento a 100 metri, un’altezza particolarmente interessante per gli impianti eolici, oltre a informazioni sulla copertura nuvolosa e sulla radiazione solare. Questi dati possono essere utilizzati per stimare meglio la produzione nelle ore successive.
Per gli impianti eolici, conoscere l’evoluzione del vento permette di stimare meglio la quantità di energia che potrà essere prodotta e di organizzare la gestione della rete. Nel caso del fotovoltaico, invece, nuvole e radiazione solare determinano direttamente quanta energia può essere generata. Una previsione aggiornata frequentemente può quindi diventare uno strumento operativo per chi deve gestire fonti rinnovabili variabili. In questo caso il valore dell’AI non dipende soltanto dalla precisione, ma anche dalla rapidità degli aggiornamenti.
L’agricoltura è un altro settore nel quale informazioni meteorologiche locali possono avere un valore concreto. Temperatura, umidità, precipitazioni e vento influenzano irrigazione, trattamenti, crescita delle colture e raccolti. Una previsione più dettagliata può aiutare a scegliere il momento migliore per alcune attività e a ridurre il rischio di intervenire poco prima di un cambiamento del tempo. Non elimina però l’incertezza e non sostituisce l’esperienza degli operatori: fornisce una base informativa aggiuntiva per prendere decisioni.
Lo stesso principio vale per logistica e catene di fornitura. Un temporale intenso, una nevicata o un forte vento possono modificare tempi e modalità di trasporto. Disporre di previsioni aggiornate più frequentemente può aiutare aziende e operatori a individuare in anticipo possibili criticità. Il valore di un modello meteorologico avanzato emerge quindi anche lontano dalle applicazioni più evidenti: il tempo atmosferico è una variabile economica che influenza trasporti, energia, agricoltura, costruzioni e numerose altre attività.
In prospettiva, la disponibilità di previsioni probabilistiche sempre più dettagliate potrebbe rendere più semplice gestire il rischio meteorologico. Un’azienda non ha necessariamente bisogno di sapere soltanto quale sarà la temperatura prevista, ma può avere interesse a conoscere la probabilità di vento forte, pioggia intensa o condizioni sfavorevoli in una determinata fascia oraria. È proprio qui che un ensemble di scenari differenti può diventare utile: non offre soltanto un numero, ma una distribuzione di possibili evoluzioni sulla quale costruire decisioni.
Meteo AI in cosa sarà diverso?
Per la maggior parte delle persone, la parte più interessante dell’evoluzione dei modelli meteorologici non sarà il modello in sé, ma come cambierà il modo di consultare il meteo. Una previsione sempre più dettagliata può essere trasformata in informazioni comprensibili attraverso applicazioni, mappe e assistenti basati sull’intelligenza artificiale. L’utente non deve necessariamente conoscere la differenza tra pressione atmosferica e punto di rugiada per chiedere se conviene partire in auto, andare in montagna o organizzare un’attività all’aperto.
Google sta portando WeatherNext 3 all’interno di alcuni dei propri servizi, tra cui Search, Gemini e Maps. L’integrazione è interessante soprattutto perché permette di collegare una previsione a un contesto. Una domanda sul tempo può essere associata a una località, a un itinerario o a un’attività specifica, trasformando una grande quantità di dati meteorologici in una risposta più facile da interpretare. In questo caso l’intelligenza artificiale non cambia necessariamente la previsione alla base, ma il modo in cui questa viene presentata all’utente.
La disponibilità dei dati apre possibilità anche per gli sviluppatori. I dati possono essere utilizzati attraverso infrastrutture cloud di Google e elaborati con strumenti come Earth Engine e BigQuery. L’ensemble completo e le diverse variabili meteorologiche possono essere combinati con altre informazioni geografiche o ambientali per costruire applicazioni specializzate. Il modello può quindi diventare una fonte di dati sulla quale sviluppare servizi destinati, per esempio, all’energia, all’agricoltura o all’analisi dei rischi.
Questo passaggio è importante perché l’evoluzione dell’AI meteorologica non riguarda soltanto la precisione delle previsioni. Conta anche la capacità di renderle accessibili e utilizzabili. Un modello può produrre milioni di dati, ma il loro valore dipende dalla possibilità di trasformarli in informazioni utili per una persona, un’azienda o un’amministrazione. In questo senso l’intelligenza artificiale generativa può diventare un’interfaccia tra la complessità della meteorologia e le domande quotidiane degli utenti.
WeatherNext 3 è quindi soltanto un esempio di una trasformazione più ampia. La competizione tra diversi modelli AI e lo sviluppo di sistemi da parte di aziende tecnologiche e istituzioni meteorologiche stanno creando un panorama nel quale le previsioni possono essere prodotte più rapidamente e con modalità differenti rispetto al passato. Sarà però il confronto con le osservazioni reali e con i sistemi meteorologici tradizionali a stabilire quanto questi progressi saranno realmente utili nel mondo quotidiano.
Limiti e futuro delle previsioni
Nonostante i progressi, l’atmosfera resta imprevedibile. Anche un modello capace di aggiornarsi frequentemente e di elaborare enormi quantità di osservazioni non può trasformare il futuro in una certezza. Le previsioni meteorologiche continuano quindi a essere probabilistiche e devono essere interpretate considerando l’orizzonte temporale e il livello di incertezza. Nei fenomeni più complessi, soprattutto quelli che si sviluppano rapidamente, anche pochi chilometri o poche ore possono fare una grande differenza.
Questo vale ancora di più quando il meteo viene utilizzato per prendere decisioni importanti. Un’applicazione destinata a un utente può limitarsi a indicare la probabilità di pioggia, mentre un’azienda energetica può utilizzare previsioni di vento e radiazione solare per programmare la produzione. Agricoltura, trasporti, aviazione e gestione delle reti elettriche possono invece avere bisogno di informazioni molto più dettagliate e di scenari alternativi. In questi casi, migliorare frequenza e risoluzione della previsione può avere conseguenze economiche concrete.
Per gli utenti comuni il cambiamento potrebbe diventare quasi invisibile. Non vedremo necessariamente mappe più complicate o decine di scenari ogni volta che controlliamo il meteo sul telefono. Potremmo invece ricevere risposte più contestuali: sapere se è probabile un temporale durante un viaggio, se il vento aumenterà lungo una determinata tratta o se le condizioni saranno favorevoli per un’attività all’aperto. La complessità rimarrà dietro l’interfaccia, mentre l’informazione finale potrebbe diventare più semplice da utilizzare.
Per le infrastrutture critiche, invece, la trasformazione potrebbe essere molto più profonda. Reti elettriche, impianti rinnovabili, sistemi di trasporto e attività agricole dipendono sempre più dalla capacità di anticipare condizioni atmosferiche variabili. Avere previsioni aggiornate più frequentemente significa poter reagire prima a determinati cambiamenti e gestire meglio situazioni nelle quali anche una differenza di poche ore può avere un costo elevato.
Esiste comunque una distinzione fondamentale tra previsione meteorologica e allerta ufficiale. I dati WeatherNext sono messi a disposizione a fini informativi e non devono essere considerati un sostituto degli avvisi emessi dalle autorità competenti. In presenza di fenomeni potenzialmente pericolosi, bisogna quindi fare riferimento ai servizi meteorologici nazionali e alle comunicazioni ufficiali della Protezione Civile e delle autorità locali.
GraphCast, GenCast, Aurora, AIFS e altri sistemi mostrano che l’intelligenza artificiale sta diventando un campo di ricerca importante anche in questo settore. La vera sfida non sarà stabilire quale modello “vince”, ma capire quanto queste tecnologie riusciranno a trasformare previsioni più veloci e dettagliate in informazioni realmente migliori per le persone, le imprese e i servizi essenziali.
