Ok, così è più chiaro, non avevo capito e condivido.
Tempo fa mi era capitato di discutere con uno che si occupava di modelli numerici a proposito delle previsioni del tempo, mi diceva che un approccio tale da correggere l’errore, per esempio delle previsioni di ieri per oggi, proiettato a domani, non funzionerebbe perché le equazioni sono non lineari, quindi l’errore si propaga casualmente.
In questo contesto, quello che potrebbe fare un modello di machine learning è appunto togliere o correggere gli spaghi che si allo tanano di più da configurazioni già verificate, magari migliorando le performance dei modelli.
Inviato dal mio iPhone utilizzando Tapatalk
GraphCast vede nel run 12Z di oggi un continuo flusso da N/NE sulla penisola, con fulcro sul Sud Italia. Dopo le 200 h sfonderebbe anche l'aria fredda (sotto lo zero a 850 hPa), a 240 h prevede isoterme sotto -6 sulle adriatiche.
Da qualche run percorre questa via orientale, ma è meno estremo nei gpt e nelle isoterme rispetto agli altri GM come UKMO o GFS. Rispetto a quest'ultimo, in particolare, vede tutto più ad est, e considerando un certo trend agli est shift chissà che alla fine non abbia ragione GraphCast.
Distante ECMWF che non vede nulla.
Vediamo come si comporterà a questo primo banco di prova, uno dei punti forti del modello è quello, dagli studi, di vedere con un errore minore di 100-150 km rispetto al GM tradizionale la traiettoria dei vari vettori meteorologici.
Non so se è già stato spiegato. Considerando che i dataset di allenamento sono soggetti a bias e limiti vari, può essere un ostacolo rilevante per le proiezioni del modello?
Mi spiego meglio. Graphcast mi pare abbia usato Era5 come dataset che, nonostante sia uno dei migliori attualmente, risente comunque dei limiti di ricostruzione ed è magari affetto da qualche bias. Può essere che gli output di Graphcast siano influenzati da questi "limiti di ricostruzione"?
Non riesco a trovare il grafico che avevo visto altrove sulle performance dei vari modelli e secondo il quale GraphCast superava tutti nelle ultime settimane.
Si tratta di poca cosa (+0.02 da quel che ricordo) ma comunque è interessante.
Da quel che ho consultato mi ha colpito come, pur usando metodi differenti, GraphCast dia dei run molto simili a quelli di ECMWF classico. E' però più costante, perchè laddove ECMWF cambia spesso visione proponendo run estremamente differenti nei long, GraphCast lo fa meno nettamente e più gradualmente.
Segnalibri