Dai devastanti uragani alle siccità prolungate, la frequenza e l’intensità degli eventi meteorologici estremi a livello globale stanno aumentando in modo significativo, ponendo sfide senza precedenti per comunità, imprese e governi. Questi fenomeni stanno ridefinendo il concetto stesso di resilienza e di adattamento ai cambiamenti climatici. In questo contesto, previsioni meteorologiche accurate e tempestive non sono più un semplice vantaggio, ma costituiscono uno strumento essenziale per la tutela delle vite umane, delle infrastrutture e della stabilità economica. Secondo l’Hydromet Gap Report 2021, il miglioramento delle previsioni meteorologiche, dei sistemi di allerta precoce e delle informazioni climatiche potrebbe consentire di salvare circa 23.000 vite ogni anno e generare benefici economici potenziali pari ad almeno 162 miliardi di dollari annui.
Ciò che rende unico l’approccio di Brightband è il suo lavoro pionieristico nell’analisi e nella previsione meteorologica. A differenza della maggior parte dei servizi, che utilizzano come condizioni iniziali esclusivamente le analisi della National Oceanic and Atmospheric Administration (NOAA) o del Centro Europeo per le Previsioni Meteorologiche a Medio Termine (ECMWF), Brightband ha sviluppato la capacità di generare analisi meteorologiche proprietarie direttamente a partire dalle osservazioni grezze.
Ogni sei ore, l’azienda esegue tipicamente un ciclo completo di previsioni utilizzando tre diverse condizioni iniziali: la propria analisi, e quelle di NOAA ed ECMWF. Questo approccio consente un confronto diretto e sistematico dei risultati previsionali a partire da differenti punti di partenza.
I modelli di machine learning di Brightband si distinguono inoltre per un’elevata efficienza computazionale, producendo previsioni entro pochi minuti dalla disponibilità delle condizioni iniziali, un tempo significativamente inferiore rispetto ai metodi tradizionali, che spesso richiedono diverse ore di elaborazione. Valutati secondo le metriche standard di valutazione meteorologica, questi modelli di ML hanno dimostrato di essere non solo competitivi, ma in molti casi anche più accurati rispetto ai modelli di riferimento NOAA ed ECMWF.
Questo livello di accuratezza non compromette l’efficienza computazionale; al contrario, costituisce uno dei principali vantaggi dell’approccio di Brightband. Mentre i modelli meteorologici tradizionali richiedono l’accesso a centinaia o migliaia di core di calcolo su infrastrutture di high-performance computing, i modelli di machine learning sviluppati da Brightband possono essere eseguiti su una singola GPU di classe enterprise, completando l’intero ciclo di previsione in pochi minuti.
Questo si traduce in costi operativi inferiori a un dollaro per previsione, rendendo le capacità avanzate di forecasting meteorologico accessibili a una platea molto più ampia di utenti, dalle istituzioni accademiche e organizzazioni governative fino alle aziende private di ogni dimensione. Tale democratizzazione della tecnologia di previsione meteorologica potrebbe avere implicazioni significative per le strategie globali di adattamento climatico e di pianificazione della resilienza.
La possibilità di eseguire modelli previsionali su hardware più snelli consente inoltre alle organizzazioni di generare previsioni altamente specifiche per il proprio contesto geografico o settore di attività e di elaborare dati provenienti direttamente da fonti proprietarie, quali stazioni meteorologiche locali, satelliti o palloni sonda, senza dipendere da risorse di calcolo esterne.
I benefici, tuttavia, non si limitano all’aspetto economico. Riducendo in modo sostanziale il fabbisogno energetico e computazionale rispetto ai tradizionali sistemi di supercalcolo, questo approccio basato sul machine learning offre anche un percorso più sostenibile dal punto di vista ambientale.
Dati NOAA su AWS
Brightband utilizza i dati del Global Forecast System (GFS) della NOAA, resi disponibili tramite il Registro degli Open Data su AWS, come componente fondamentale della propria suite di previsioni operative. In precedenza, l’accesso a questi dati avveniva tramite il sistema NOAA Operational Model Archive and Distribution System (NOMADS), che presentava diverse criticità, come periodi di inattività e disponibilità limitata dei dati storici, vincolata a un sistema di archiviazione a rotazione di soli dieci giorni. L’iniziativa Open Data su AWS ha trasformato radicalmente questo scenario, offrendo a Brightband un accesso semplice, affidabile e scalabile a questi dataset essenziali. Inoltre, si può utilizzare l’archivio dei dati disponibili come parte della valutazione completa delle prestazioni del modello di previsione.
Brightband ha sviluppato pipeline avanzate di elaborazione dei dati su AWS, che si attivano automaticamente non appena nuovi dati NOAA diventano disponibili tramite Open Data su AWS. Queste pipeline gestiscono un aspetto chiave del workflow meteorologico: la conversione dei dati GFS grezzi dal formato originale GRIB al formato più efficiente Zarr. Questa trasformazione è essenziale perchè ottimizza i dataset per l’elaborazione in ambienti di calcolo distribuito e abilita modalità di accesso ai dati più performanti e scalabili. Il sistema è in grado di elaborare circa cinque anni di dati storici, consentendo una valutazione approfondita delle prestazioni dei modelli e un processo continuo di affinamento e miglioramento.
