Un giorno in più di accuratezza nelle previsioni dei cicloni tropicali: è il risultato ottenuto da WeatherNext Cyclones, il modello di intelligenza artificiale sviluppato da Google DeepMind e Google Research. In media, le sue previsioni a tre giorni raggiungono la precisione che i sistemi precedenti offrivano a due giorni, un progresso che gli autori dello studio equiparano a circa un decennio di avanzamento meteorologico.
Il risultato, descritto in uno studio pubblicato su Nature, riguarda contemporaneamente tre aspetti decisivi: traiettoria, intensità e struttura dei venti. WeatherNext non si limita quindi a stimare dove si sposterà un ciclone, ma cerca anche di prevedere quanto diventerà potente e quale area sarà investita dai venti più pericolosi.
Google ha accompagnato la pubblicazione dello studio con l’apertura del repository di WeatherNext, che comprende codice, pesi preaddestrati e documentazione per WeatherNext 2, WeatherNext Cyclones e le rispettive varianti compatte.
Un solo modello per traiettoria e intensità
La previsione dei cicloni tropicali — chiamati uragani nell’Atlantico e tifoni nel Pacifico nord-occidentale — presenta tradizionalmente un compromesso difficile da risolvere.
La traiettoria dipende dalle grandi correnti atmosferiche che circondano la perturbazione. Per rappresentarle servono modelli globali, capaci di seguire l’evoluzione dell’atmosfera su territori molto estesi. L’intensità, invece, è influenzata da fenomeni termodinamici concentrati intorno al nucleo del ciclone, come lo sviluppo delle nubi temporalesche e gli scambi di calore con l’oceano. Questi processi vengono normalmente affrontati con modelli regionali ad alta risoluzione.
WeatherNext Cyclones riunisce le due scale in un unico sistema globale. Il modello è stato addestrato end-to-end usando quasi 20 terabyte di dati atmosferici e il database internazionale IBTrACS, che raccoglie le osservazioni curate dagli esperti relative a quasi 5.000 cicloni storici.
Dalle condizioni iniziali dell’atmosfera, WeatherNext produce iterativamente previsioni globali e informazioni specifiche sui cicloni fino a 15 giorni nel futuro. L’orizzonte massimo non implica naturalmente che ogni previsione resti ugualmente attendibile per due settimane: l’incertezza aumenta con il tempo e viene rappresentata attraverso un insieme di scenari alternativi.
Mille scenari per misurare l’incertezza
WeatherNext utilizza le Functional Generative Networks, un’architettura generativa progettata per produrre in modo efficiente previsioni congiunte delle diverse variabili atmosferiche.
Invece di restituire una sola evoluzione considerata più probabile, il sistema genera un ensemble: numerose simulazioni che partono dalle stesse condizioni ma seguono sviluppi differenti. La distribuzione dei risultati permette ai meteorologi di stimare la probabilità di una traiettoria, di una determinata intensità o della presenza di venti pericolosi in un’area.
Durante la stagione degli uragani del 2025 il sistema produceva 50 scenari per previsione. Per il 2026 Google ha aumentato l’ensemble fino a 1.000 membri, così da rappresentare meglio eventi poco probabili ma potenzialmente catastrofici, compresi i casi di rapida intensificazione. Una previsione completa a 15 giorni richiede, secondo Google, meno di un minuto su una TPU.
L’ensemble può inoltre essere trasformato in mappe locali della probabilità di incontrare venti da tempesta tropicale, ciclone grave o uragano. Si tratta di informazioni particolarmente utili quando la traiettoria centrale non basta a descrivere l’area realmente esposta al rischio.
Il vantaggio supera le 24 ore
Gli autori hanno valutato WeatherNext Cyclones sui cicloni del 2023 e 2024, usando versioni addestrate esclusivamente sui dati disponibili prima dell’anno esaminato. Il confronto ha incluso alcuni dei principali modelli meteorologici globali e specializzati.
Sulle tre misure considerate — errore della posizione, errore dell’intensità ed estensione dei venti — il vantaggio medio in termini di tempo utile di previsione è risultato superiore alle 24 ore. In altre parole, WeatherNext raggiunge con tre giorni di anticipo un livello di errore paragonabile a quello ottenuto dai sistemi di riferimento a due giorni.
Un elemento controintuitivo riguarda la risoluzione. WeatherNext Cyclones lavora con una griglia di circa 28 chilometri, molto meno dettagliata di quelle utilizzate dai modelli fisici regionali dedicati agli uragani. Anche la versione Mini, con una griglia di circa 111 chilometri, mantiene prestazioni competitive pur richiedendo meno memoria e capacità di calcolo.
Google riconosce che non è ancora del tutto chiaro come il modello riesca a ricostruire così bene l’intensità dei cicloni partendo da dati relativamente poco dettagliati. Comprendere questo comportamento resta quindi una questione scientifica aperta, oltre che una delle ragioni per rendere accessibile il sistema ai ricercatori.
La prova operativa con l’uragano Melissa
WeatherNext è già stato impiegato come strumento sperimentale dal National Hurricane Center statunitense durante la stagione atlantica del 2025. Nel repository il modello utilizzato in quell’occasione è identificato come FNV3, mentre la versione elaborata dal centro compariva nelle verifiche con la sigla GDMI.
Il caso più rilevante è stato quello dell’uragano Melissa, che nell’ottobre 2025 ha raggiunto la categoria 5 prima di toccare terra in Giamaica. Quando il sistema era ancora una debole depressione tropicale, WeatherNext indicò con cinque giorni di anticipo una possibile intensificazione fino alla categoria 5 e un approdo sull’isola.
Secondo la ricostruzione pubblicata da Google DeepMind, la probabilità attribuita a questo scenario era inizialmente dell’80% e salì quasi al 100% tre giorni prima dell’impatto. Il modello non operava da solo: i meteorologi del centro statunitense combinarono le sue indicazioni con modelli fisici, osservazioni satellitari e dati raccolti dagli aerei da ricognizione.
Il rapporto preliminare del National Hurricane Center sulla stagione 2025 ha giudicato il contributo del sistema promettente, segnalando però che alcuni modelli AI in prova non erano sempre disponibili in tempo utile per l’impiego ordinario. L’esperienza conferma dunque il ruolo più realistico di queste tecnologie: fornire nuova guida probabilistica agli specialisti, non sostituire il processo operativo e la valutazione umana.
Codice e pesi disponibili, ma resta un progetto di ricerca
Il repository pubblico comprende i modelli WeatherNext Cyclones usati per riprodurre i risultati dello studio, WeatherNext 2 e le versioni Mini. Sono disponibili anche i pesi preaddestrati, dati di esempio e un notebook Colab per eseguire il modello compatto su una singola TPU.
Le varianti complete sono più impegnative: Google raccomanda l’esecuzione su TPU e indica una GPU H100 come requisito per disporre di memoria sufficiente. La versione Mini può invece funzionare anche su hardware meno potente, pur senza garantire le stesse prestazioni dei modelli principali.
Il codice e i notebook sono distribuiti con licenza Apache 2.0, mentre gli altri materiali adottano la licenza CC BY 4.0. I dati necessari per un nuovo addestramento, come ERA5, HRES e IBTrACS, restano soggetti alle rispettive condizioni di utilizzo.
WeatherNext rimane inoltre un progetto sperimentale, senza garanzie di stabilità delle interfacce. Le sue previsioni non sostituiscono allerte e comunicazioni diffuse dai servizi meteorologici nazionali. L’apertura del modello consente però a enti di ricerca, agenzie e organizzazioni non profit di verificarne indipendentemente le prestazioni, adattarlo a contesti regionali e studiare un risultato particolarmente significativo: ottenere previsioni più tempestive non aumentando semplicemente la risoluzione, ma imparando con maggiore efficacia le relazioni tra atmosfera globale ed evoluzione locale dei cicloni.
