Come funziona il machine learning di ExtremeCast.
Due "cervelli", una previsione: le regole della fisica dell'atmosfera, corrette da un modello che impara dai dati reali e migliora ogni giorno.
Due cervelli, una previsione
La previsione di ExtremeCast nasce dall'incontro di due approcci complementari. Il primo è un motore fisico: le regole della meteorologia applicate a migliaia di punti sull'Italia. Il secondo è un modello di machine learning, cioè un sistema che impara dai dati reali e corregge il tiro su ciò che ha visto accadere davvero.
L'idea è semplice: la fisica dà la struttura (dove ci sono gli ingredienti per un temporale severo), il modello porta l'esperienza (come quegli ingredienti si sono tradotti in eventi reali in passato). Insieme danno una stima più affidabile di quanto farebbe ciascuno da solo.
Il motore fisico
Prima ancora del machine learning, ExtremeCast calcola gli ingredienti convettivi descritti nella guida ai temporali severi: energia disponibile, umidità, inneschi, wind shear. Da questi ricava dove e quando sono favorite grandine, raffiche, nubifragi e celle organizzate.
Questo è il "cervello delle regole": trasparente e fondato sulla meteorologia. Ma le regole, da sole, non sanno quanto spesso un certo quadro si è davvero trasformato in un evento dannoso. Qui entra il modello.
Il modello che impara
Il modello di machine learning fa una cosa che le regole fisiche non fanno: confronta migliaia di situazioni passate con ciò che è realmente successo. Impara così a riconoscere i pattern che precedono un evento severo e a distinguere un contesto "che sembra pericoloso ma di solito non lo è" da uno "che statisticamente porta a danni".
Il risultato non è una previsione campata in aria, ma una correzione informata della stima fisica: alza la confidenza dove l'esperienza dice "qui di solito succede", la abbassa dove i falsi allarmi sono frequenti.
Da quali dati impara
La qualità di un modello dipende dai dati con cui è allenato. ExtremeCast usa osservazioni reali, non opinioni:
- Radar meteorologico — dove e quanto ha effettivamente precipitato (vedi il radar osservato);
- Fulmini — un indicatore diretto dell'attività convettiva intensa;
- Stazioni meteo al suolo — oltre 3.750 stazioni ufficiali in tutta Italia: pioggia e raffiche misurate a terra, la conferma più diretta che un evento è accaduto davvero;
- Rianalisi storiche (ERA5) — la ricostruzione dello stato dell'atmosfera nel passato, per legare gli "ingredienti" agli esiti;
- Segnalazioni degli utenti — ciò che le persone hanno osservato sul campo (grandine, raffiche, nubifragi), preziose soprattutto per i fenomeni che il radar non coglie bene.
Il blend fisica + ML, attivo di default
La mappa mostra di default la lettura mista: il motore fisico corretto dal modello ML. Non serve attivare nulla — è già così per tutti.
Il pulsante ML con la data indica che la previsione ML è attiva: la data è l'ultimo allenamento del modello. In questa fase il blend incide in modo prudente: il modello è giovane e preferiamo che migliori gradualmente, senza stravolgere la previsione fisica.
Si ri-allena ogni giorno
Un modello che resta fermo invecchia. Quello di ExtremeCast viene ri-allenato ogni giorno, includendo i dati più recenti: ogni evento osservato diventa una nuova lezione. Così il sistema non è "congelato" a una versione iniziale, ma cresce di continuo, stagione dopo stagione.
Il contributo degli utenti
Una parte importante dell'apprendimento arriva dalle persone. In qualsiasi momento puoi segnalare un evento che hai osservato — grandine, una tromba d'aria, raffiche forti o un nubifragio. Queste informazioni diventano dati di verità che dicono al modello dove ha visto bene, dove ha esagerato e dove ha mancato un evento — soprattutto per tornado e raffiche al suolo, che il radar fatica a vedere.
Chi usa ExtremeCast in questa fase, quindi, non si limita a consultarla: contribuisce a renderla più precisa.
Affidabilità e limiti
Ogni giorno confrontiamo le previsioni con ciò che il radar ha osservato e pubblichiamo i numeri reali nella home. Ma vanno letti con onestà:
- il machine learning non elimina l'incertezza tipica dei temporali: la posizione del singolo nucleo ha un margine di ~10–15 km;
- il modello è giovane e in questa fase incide con prudenza;
- resta uno strumento informativo: non sostituisce le allerte ufficiali della Protezione Civile.
In altre parole: il ML rende la previsione più "esperta", ma va usato come tutta ExtremeCast — una guida su dove e quando guardare, non una certezza al metro.
Guarda la previsione fisica + ML
Apri la mappa: la previsione fisica + ML è già attiva di default. L'accesso alla beta richiede un piccolo contributo che ci aiuta a coprire i costi.
Domande frequenti
ExtremeCast usa l'intelligenza artificiale?
Sì, ma insieme alla fisica: un motore fisico dà la struttura, un modello ML lo corregge in base a ciò che ha imparato dai dati reali.
Da quali dati impara?
Da osservazioni reali: radar, fulmini, oltre 3.750 stazioni meteo al suolo, rianalisi storiche (ERA5) e segnalazioni degli utenti.
Ogni quanto si ri-allena?
Ogni giorno, con i dati più recenti. La data dell'ultimo allenamento è sul pulsante nell'app.
Mi posso fidare ciecamente?
No: incide in modo prudente, ha un margine di ~10–15 km e non sostituisce le allerte ufficiali.