Come funzionano i modelli meteorologici ed il mio tentativo a crearne uno
- Francesco Scolz
- 6 ago
- Tempo di lettura: 4 min
Buongiorno così
Vi sarà sicuramente capitato di guardare il meteo, e di pensare: perchè proprio a me?
Scherzi a parte, oggi andremo a vedere più nel dettaglio come vengono fatte le previsioni del meteo, e come anch'io sono riuscito a creare un modello previsionale da zero, ottenendo risultati per nulla scontati
Pronti, via
Perché i modelli meteorologici esistono?
Prima di tutto quindi, perché parlare di modelli meteorologici?
Perché conoscere il futuro, anche se con una sempre presente incertezza, ci permette di sfruttare al meglio le nostre abilità e risorse:
In Agricoltura, sapere quando e quanto piove ci può risparmiare diverse ore di lavoro o migliaia di euro di danni
In Aeronautica, sapere quanto forte sarà la pioggia ci permette di evitare rischi inutili e migliorare l'efficienza dei voli
Nella produzione di energia, ci permette di pianificare stoccaggi e rilasci di elettricità evitando lunghi periodi di deficit
Inizialmente le previsioni ci mettevano settimane ad essere prodotte, tramite equazioni fisiche complesse, e avevano una visione futura solo di poche ore (sempre se venivano risolte correttamente)
Con l'avanzare degli anni però, insieme alle nuove tecnologie, avanzarono anche i modelli decisionali, che ora potevano esser programmati dentro delle macchine
Negli anni moderni poi, con il rapido adottamento di modelli più accurati ed intelligenti, si è riuscito a raggiungere livelli di affidabilità mai visti prima
Come funzionano i modelli meteorologici moderni
Chiaramente, sapere come funziona ogni modello circolante è praticamente impossibile. Ognuno avrà le sue particolarità, punti di forza e punti di debolezza.
Tuttavia la struttura principale di ogni modello è quasi sempre quella:
Vengono principalmente utilizzati algoritmi di previsione numerica (per esempio nel caso della temperatura, dei mm di pioggia, o anche della forza del vento)
Possono anche integrare modelli di classificazione, usati nella previsione di metriche non numeriche (pensate all'intensità della pioggia, alla direzione del vento, e alla qualità dell'aria)
Questi modelli non fanno altro che imparare dai dati del passato, per fare previsioni accurate nel futuro
Quello che distingue un modello dall'altro quindi è come questi imparano, e come costruiscono le loro previsioni
Ci sono modelli che danno un peso ad ogni variabile, e poi uniscono le diverse variabili pesate per prendere una decisione o elaborare un valore numerico
Altri invece seguono dei ragionamenti simili ad alberi di decisioni binarie, dove ad ogni passaggio controllano il valore di una determinata variabile, ed in base al risultato prendono strade diverse per arrivare ad una conclusione
Ai dati passati, si possono anche integrare dati in tempo reale, come il famoso radar pluviometrico, per avere stime più precise e meno date al caso (perché si, ad oggi non è ancora stato scoperto tutto)
Il mio modello predittivo artigianale
Non essendo io una grande azienda con milioni da investire su nuovi modelli sempre più precisi, mi sono arrangiato con ciò che ho trovato
Ho deciso di rendere l'analisi puramente statistica su dati passati, sia per motivi di reperibilità, sia per rendere il tutto più semplice e replicabile. Partendo quindi da alcuni dati della giornata precedente, è in grado di predire se nel domani ci sarà pioggia significante (> 0.6 mm) oppure no
Ho recuperato i dati dal sito dell'ARPA FVG, pubblici a tutti, ed ho selezionato gli anni che vanno dal 2016 al 2025
Ho quindi pulito i dati, eliminato colonne non utili, e formattato i dati in modo che fossero pronti per l’addestramento del modello
Come modello ho scelto di non affidarmi ad uno solo.
Invece, ho creato quello che in gergo viene chiamato un ensemble, unendo modelli diversi in modo da ridurre il peso dei singoli errori con l'unione, per dirla semplice.
Una volta addestrato questo ensemble e rifinito i dettagli provandolo ripetutamente, l'ho testato sugli anni 2024 e 2025, ottenendo risultati per nulla male:
È riuscito a predirre correttamente il 71.28% delle giornate limpide, sbagliando quasi solo 1 volta su quattro
Lo stesso si può dire circa le giornate di pioggia. Il 71.5% di queste sono state correttamente indicate.
Ho deciso quindi di dare un peso simile sia alle giornate piovose che a quelle soleggiate, preferendo un'accuratezza media più bassa per una affidabilità maggiore sulle previsioni piovose
Come quindi intuibile, l'accuratezza media di questo modello su giornate reali è circa 71.35%, che è vero che è solo 1% meglio rispetto al semplice dire sempre di no, tuttavia c'è da fare una considerazione.
Io ho privilegiato l'equilibrio tra giornate pioggia e giornate non.
Se avessi voluto solamente un'accuratezza massima, avrei sacrificato molto la categoria della pioggia, essendo meno frequente.
La modellazione dipende molto da cosa vogliamo. Per esempio io, sapendo che ci sono modelli molto più precisi sulle giornate limpide, ho deciso di andare su un bilanciamento più equilibrato, sacrificando anche parte delle giornate più frequenti
Se volete provarlo, trovate il link qua
E potete trovare i dati necessari sul sito dell'ARPA, selezionando la giornata desiderata, come stazione "Udine S.O." e in formato giornaliero
Basterà immettere i dati come descritto nel programma e avrete il vostro risultato compreso di confidenza!
Oggi volevo mostrarvi questa mia novità
Sia perché mi sembra un'idea interessante, sia per rompere questa catena di post sulla teoria dei giochi che, anche a me, stanno iniziando a pesare uno dopo l'altro
Ciò però non significa che smetterò!
Con oggi io ho finito, spero vi abbia fatto scoprire qualcosa di nuovo, altrimenti sarà per la prossima volta
Alla prossima
Commenti