Il CMCC ha sviluppato un modello di intelligenza artificiale (IA) innovativo in grado di prevedere le condizioni del Mar Mediterraneo fino a nove giorni in anticipo, con maggiore accuratezza e rapidità rispetto ai modelli tradizionali. “Il nostro emulatore oceanico basato sull’IA può rendere le previsioni oceaniche più precise ed efficienti, aiutando scienziati e società a comprendere meglio e prepararsi ai cambiamenti del mare”, afferma Italo Epicoco, ricercatore CMCC e autore principale dello studio.

Previsioni oceaniche rapide e accurate rispondono a molte esigenze pratiche: dall’aumento della sicurezza marittima attraverso un miglioramento della pianificazione delle rotte e della prevenzione dei rischi per navi e operazioni costiere, alla tutela ambientale e la gestione delle coste, che aiutano le autorità a rispondere a tempeste, inquinamento o ondate di calore.

La ricerca del CMCC ha portato allo sviluppo di MedFormer, un modello di deep learning completamente data-driven progettato specificamente per le previsioni oceaniche a medio termine nel Mar Mediterraneo.

Superando sistematicamente lo stato dell’arte rappresentato dal Mediterranean Forecasting System (MedFS), MedFormer evidenzia il potenziale degli approcci basati sui dati nel completare – o persino superare – i tradizionali sistemi numerici di previsione oceanica, sia in termini di accuratezza che di efficienza. In media, MedFormer ha ridotto gli errori di previsione del 10–20% rispetto a MedFS, a seconda della variabile e della durata della previsione. Inoltre, mentre l’accuratezza dei modelli tradizionali peggiora rapidamente dopo pochi giorni, gli errori di MedFormer crescono più lentamente, il che significa che le sue previsioni restano affidabili anche dopo una settimana. Infine, essendo basato su IA, MedFormer può generare previsioni molto più rapidamente e con minore potenza di calcolo rispetto ai modelli fisici, che normalmente richiedono l’uso di supercomputer.

I sistemi di previsione tradizionali si basano su simulazioni fisiche complesse che richiedono molta potenza di calcolo e tempo. MedFormer, invece, “impara” direttamente dai dati del passato e può eseguire previsioni in una frazione del tempo. “Questo passo in avanti è importante perché previsioni oceaniche più accurate e rapide supportano molte esigenze concrete”, spiega Epicoco. Tra queste: la sicurezza marittima, con una migliore pianificazione delle rotte e la prevenzione dei rischi per navi e operazioni costiere; la tutela dell’ambiente, contribuendo al monitoraggio di temperatura e salinità del mare – elementi legati agli ecosistemi marini e ai cambiamenti climatici; e la gestione costiera, offrendo supporto alle autorità nel rispondere a tempeste, inquinamento o ondate di calore marine.

Il colore blu domina i grafici, mostrando come MedFormer superi MedFS in quasi tutte le combinazioni di profondità e giorno di previsione. Fonte: Epicoco et al., 2025

MedFormer opera a una risoluzione orizzontale molto elevata, e più fine rispetto alla maggior parte dei modelli oceanici basati su IA sviluppati finora. Ciò gli consente di catturare processi su piccola scala, come correnti locali e vortici, che influenzano fortemente il clima regionale, la vita marina e le condizioni costiere.

Inoltre, il modello non si limita a prevedere un giorno alla volta: impara a prevedere più giorni consecutivi utilizzando i propri output precedenti come nuovi input. Questo rende il modello più stabile e realistico per previsioni più lunghe (fino a nove giorni), riducendo l’accumulo di errori osservato in altri sistemi IA.

“Abbiamo preso qualcosa che richiede enormi potenze e molto tempo di calcolo, e l’abbiamo reso più veloce e più accurato. È un esempio concreto di come dati e IA possano aiutarci a comprendere e proteggere il Mar Mediterraneo in modo più efficiente”, conclude Epicoco.

Per ulteriori informazioni:

Epicoco, Italo, Davide Donno, Gabriele Accarino, Simone Norberti, Alessandro Grandi, Ronan McAdam, Donatello Elia et al. “MedFormer: a data-driven model for forecasting the Mediterranean Sea.” (2025). https://doi.org/10.48550/arXiv.2509.00015