Il machine learning è particolarmente adatto per risolvere problemi complessi che non comprendiamo bene, ma sui quali abbiamo una gran mole d’informazioni. Per i modelli climatici e meteorologici globali, i sistemi di nubi cumuliformi sono proprio quel tipo di problema.
Sono responsabili della maggior parte delle piogge nel mondo; implicano interazioni tra i movimenti delle masse d’aria, le nuvole, le precipitazioni liquide e di ghiaccio, tutte scarsamente risolte dai modelli in uso. Possiamo descrivere meglio queste interazioni adottando una griglia del modello più fine, di 1-5 km, in grado di simulare esplicitamente le singole nubi, ma questo risulterebbe troppo costoso dal punto di vista computazionale per il suo normale uso in un modello climatico.

Il 13 novembre 2018, il Prof. Christopher S. Bretherton (Departments of Atmospheric Science and Applied Mathematics, University of Washington, USA) ha affrontato tale problematica nel corso del webinar CMCC “Machine learning and cloud process parameterization for weather and climate models”.

Guarda il video:

Il webinar esplora le tecniche del machine learning per lo sviluppo di nuove parametrizzazioni dei processi legati alle nubi per i modelli climatici, sulla base della grande quantità di dati dei modelli con risoluzione spaziale di 1-5 km. L’obiettivo è che tali parametrizzazioni siano più semplici da sviluppare, più in accordo con le osservazioni, e più efficienti di quelle che usiamo attualmente.

Scarica la presentazione del Prof. Christopher S. Bretherton – Departments of Atmospheric Science and Applied Mathematics, University of Washington, USA (pdf).