Il sogno di Fenwick Cooper era quello di sviluppare un modello matematico per descrivere il moto turbolento dei fluidi, un problema sul quale i fisici si sono scervellati per cento anni. «Mi sono reso conto che non sarei stato io a scoprire questa nuova incredibile teoria». Così Cooper, che oggi collabora con lo European Centre for Medium-Range Weather Forecast (ECMWF), è sceso a compromessi e si è specializzato in modelli numerici della turbolenza, «questo è il percorso che mi ha portato a conoscere e impiegare sistemi di machine learning per descrivere la dinamica dell’atmosfera e degli oceani».

Cooper è l'autore di uno studio su come gli strumenti di machine learning potrebbero migliorare il sistema di previsioni integrato dell'ECMWF sulla temperatura dell'aria e la velocità del vento vicino alla superficie terrestre. Lo studio è stato finanziato al 50% dalla International Foundation Big Data and Artificial Intelligence for Human Development (IFAB) con sede a Bologna ed è stato presentato per la prima volta lo scorso 9 novembre in un seminario online.

Insieme ai colleghi dell'ECMWF, ha adottato un approccio conservativo e ha utilizzato il machine learning per correggere a posteriori le previsioni dell’ECMWF e ottimizzarle rispetto a due variabili specifiche, la temperatura dell’aria a 2 metri di altezza e la velocità del vendo a 10 metri di altezza. Ha impiegato diversi tipi di algoritmi di machine learning, da un "semplice" modello di regressione lineare a quelli più complicati, random forest e una rete neurale. Tutti questi strumenti, dopo un'adeguata procedura di allenamento su dati storici, sono stati in grado di migliorare l’accurarezza delle previsioni di temperatura dell’aria e velocità del vento rispetto alle misurazioni effettuate dalla maggior parte delle stazioni meteorologiche sparse sulla superficie terrestre. Continua a leggere su Scienza in rete