Come funziona il machine learning di ExtremeCast.

Non un solo modello: tre livelli che lavorano insieme

Un'app meteo tradizionale prende un modello di previsione e ne mostra l'uscita. ExtremeCast lavora in modo diverso, su tre livelli che si controllano a vicenda:

• I modelli meteorologici. Il punto di partenza sono le previsioni di più modelli numerici: temperatura, umidità, vento e instabilità a varie quote, ora per ora, sull'Italia. Usarne più di uno aiuta a capire quanto la situazione è incerta: quando i modelli concordano la fiducia sale, quando divergono la lettura resta prudente.
• Il motore fisico. Da quei dati calcola gli ingredienti dei temporali severi (energia, umidità, innesco, wind shear) e li traduce in fenomeni concreti: dove e quando sono favorite grandine, raffiche, nubifragi e celle organizzate.
• Il machine learning. Un modello statistico che ha imparato, da migliaia di situazioni passate, come quegli ingredienti si sono tradotti in eventi reali: rafforza la lettura dove l'esperienza dice «qui di solito succede» e la attenua dove i falsi allarmi sono frequenti.

Il risultato è la mappa del rischio: una stima costruita combinando modelli, fisica e dati osservati, non il colore di un singolo modello. Il machine learning non sostituisce la meteorologia né la fisica: è una componente aggiuntiva della lettura del rischio.

Il motore fisico: le regole della meteorologia

Il motore fisico applica a migliaia di punti sull'Italia le regole della meteorologia convettiva descritte nella guida ai temporali severi: quanta energia ha l'atmosfera, quanto vapore c'è nei bassi strati, che cosa può innescare la salita dell'aria e quanto il vento cambia con la quota. Da questa combinazione ricava un livello di rischio per zona e per fascia oraria, e il tipo di fenomeno più probabile: grandine, raffiche e downburst, nubifragi o celle organizzate.

È il «cervello delle regole»: trasparente, fondato sulla fisica, e capace di funzionare anche dove i dati storici sono pochi. Ma le regole da sole non sanno quanto spesso un certo quadro si sia davvero trasformato in un evento dannoso. Per questo non basta.

Il modello che impara dalle osservazioni

Il modello di machine learning fa una cosa che le regole non fanno: confronta tantissime situazioni previste in passato con ciò che è realmente successo dopo, e impara a riconoscere i quadri che precedono un evento severo. Distingue così un contesto «che sembra pericoloso ma di solito non lo è» da uno «che statisticamente porta a danni».

Il suo output non è una previsione a sé stante, ma una correzione informata della stima fisica: contribuisce ad alzare la confidenza dove l'esperienza lo giustifica e ad abbassarla dove i falsi allarmi sono frequenti. L'obiettivo è ridurre i falsi allarmi e migliorare la qualità del segnale, non promettere perfezione.

I dati con cui impara e viene verificato

La qualità di un modello dipende dai dati con cui è allenato e verificato. Ogni fonte ha un ruolo diverso: alcune dicono che cosa è accaduto davvero, altre descrivono lo stato dell'atmosfera, altre ancora conservano ciò che era stato previsto.

Fisica e machine learning insieme, non l'una al posto dell'altra

Perché non usare solo il machine learning? Perché un modello puramente statistico è forte dove ha visto molti casi e fragile dove ne ha visti pochi: situazioni rare, stagioni anomale, zone con meno osservazioni. La fisica non ha questo problema, ma non conosce la frequenza reale degli eventi. Insieme si compensano:

La mappa mostra sempre questa lettura combinata, per tutti, senza nulla da attivare. Il machine learning interviene in modo misurato, e l'accordo tra fisica e machine learning contribuisce ad aumentare la confidenza della lettura, soprattutto nei segnali più importanti. Lo stesso principio vale per gli avvisi: il machine learning contribuisce a filtrare i segnali deboli e poco organizzati per ridurre i falsi allarmi.

Nell'app, l'etichetta ML con una data indica che la lettura combinata è attiva e quando il modello è stato addestrato l'ultima volta.

Riaddestrato ogni giorno sui dati aggiornati

Un modello che resta fermo invecchia: cambiano le stagioni, i regimi meteorologici, la copertura delle osservazioni. Il modello di ExtremeCast viene riaddestrato ogni giorno e gli eventi osservati e verificati più recenti arricchiscono progressivamente i dati utilizzati per l'addestramento.

Riaddestrare spesso non significa cambiare a caso: il modello nuovo viene confrontato con i casi osservati e la sua qualità viene misurata giorno per giorno. Nel tempo, con più stagioni di temporali alle spalle, la base di esempi cresce e la lettura del rischio si affina, senza che questo sia una promessa automatica di miglioramento a ogni singolo giorno.

Verificato sui casi reali, ogni giorno

Una previsione vale quanto la sua verifica. Ogni giorno le previsioni del giorno precedente vengono confrontate con ciò che il radar e le altre osservazioni hanno registrato: dove il rischio segnalato si è tradotto in un evento, dove non è successo nulla e dove un evento è arrivato senza preavviso. I numeri di questo confronto tra previsto e osservato sono pubblicati nella home.

Questa verifica serve a due cose: a dire con onestà quanto il sistema è affidabile oggi, e a orientare il lavoro di miglioramento. Le componenti nuove vengono prima provate in parallelo, senza toccare la mappa pubblica, e arrivano in produzione dopo un periodo di verifica sui casi reali.

Il contributo degli utenti

Una parte importante dell'apprendimento arriva dalle persone. Dall'app puoi segnalare un evento che hai osservato (grandine, una tromba d'aria, raffiche forti, un nubifragio) e, quando ricevi un avviso, confermare se il fenomeno è arrivato davvero. Le segnalazioni verificate possono entrare tra i dati utilizzati per valutare e riaddestrare il sistema: aiutano a capire dove ha visto bene, dove ha esagerato e dove ha mancato un evento, soprattutto per vento al suolo e trombe d'aria, che il radar fatica a vedere.

Chi usa ExtremeCast, quindi, non si limita a consultarla: contribuisce a renderla più precisa. Come si segnala è spiegato nella Guida & FAQ.

Affidabilità e limiti

• Il machine learning non elimina l'incertezza tipica dei temporali: la posizione del singolo nucleo ha un margine di circa 10–15 km, e un temporale può nascere qualche chilometro più in là, anticipare o ritardare.
• Il suo intervento è misurato: corregge la lettura fisica, non la ribalta.
• Impara soprattutto dove le osservazioni sono più dense; dove sono più rade (mare, alcune aree interne) la lettura resta più prudente.
• ExtremeCast resta uno strumento informativo: non sostituisce le allerte ufficiali della Protezione Civile.

In altre parole: il machine learning rende la previsione più «esperta», ma va usato come tutta ExtremeCast, come una guida su dove e quando guardare, non come una certezza al metro.

Domande frequenti sul machine learning di ExtremeCast