La previsione numerica meteorologica (Numerical Weather Prediction o NWP in inglese) è una disciplina nata negli anni '20 del secolo scorso, che ha conosciuto uno sviluppo pieno a partire dal 1975, parallelamente all'aumento delle prestazioni dei calcolatori, e che svolge un ruolo fondamentale anche nel settore delle previsioni meteorologiche moderne. La previsione numerica viene eseguita tramite i modelli matematici, codici software che, risolvendo le equazioni primitive (o fondamentali) dell'atmosfera, riescono a fornire una descrizione dell'evoluzione del tempo. Questo procedimento è basato sulla conoscenza dello stato dell'atmosfera ad un dato istante (detto istante iniziale o analisi), per poi farlo evolvere in avanti nel tempo (previsione deterministica). L'importanza di una accurata e dettagliata conoscenza delle condizioni iniziali, risiede nel fatto che l'atmosfera è un sistema “caotico”, ciò implica che piccoli errori nelle condizioni iniziali (ad esempio piccole differenze di temperatura rispetto alla realtà nell'analisi che viene utilizzata per inizializzare i modelli) possono amplificarsi e portare a grandi errori nelle previsioni (intesi come discordanza da quanto poi in realtà avviene). Modelli deterministici e probabilistici Per ovviare sia all’intrinseca impredicibilità dell'atmosfera sia alla difficoltà di rappresentare correttamente lo stato iniziale, si è iniziato ad utilizzare un approccio probabilistico o di ensemble, molto utile ed efficace per le previsioni a medio-lungo termine. Mentre i modelli deterministici forniscono una sola evoluzione possibile, l'approccio probabilistico consiste nel creare varie analisi (ad esempio 50) che differiscono in punti particolarmente “sensibili” dell'atmosfera e utilizzarle per produrre diversi tipi (50 nel caso in esempio) di evoluzioni possibili (50 membri). Questi “scenari” sono generalmente molto simili nei primi giorni di previsione per poi tendere a divergere anche in maniera molto marcata con il prosieguo della previsione. Tecnicamente non c'è una evoluzione più probabile di un altra e quindi vi è la necessità, per rendere le previsioni utilizzabili, di raggruppare le previsioni in gruppi simili (tecnica di clustering). In questa maniera da, ad esempio, 50 membri, si passa a 4 o 5 insiemi (clusters), la cui rappresentatività è proporzionale al numero di membri che compone il cluster. La convergenza o divergenza degli scenari informa della probabilità di accadimento di ogni scenario e permette ai previsori di quantificare il grado di incertezza che pesa sulla previsione. Queste informazioni sono particolarmente utili nelle previsioni oltre il 5 giorno. Modelli globali e ad area limitata I modelli meteorologici sono principalmente di due tipi, entrambi basati sulle stesse equazioni fondamentali: i modelli globali e i modelli ad area limitata. I modelli globali coprono l'intero globo e sono generalmente sviluppati e gestiti presso agenzie di grandi dimensioni (European Centre for Medium-Range Weather Forecasting, US National Weather Service, UK Met Office, …) a causa dell'elevato costo delle attrezzature informatiche necessarie per farli “girare”. Proprio perché coprono tutto il globo hanno bisogno di analisi (dati di inizio) a livello globale molto costose e difficili da realizzare. I modelli ad area limitata funzionano in modo analogo, ma coprono solo una parte limitata del pianeta. Questo permette di modellare il tempo a più alta risoluzione, in modo più dettagliato, utilizzando una potenza di calcolo relativamente modesta. I modelli regionali consentono inoltre di considerare anche gli effetti che la conformazione geografica e orografica hanno sull'evoluzione del tempo, rappresentando più correttamente le caratteristiche della superficie terrestre, l’altezza del terreno. Poiché il loro dominio di applicazione è limitato nello spazio (ha dei bordi, boundary) hanno bisogno sia dei dati iniziali (analisi) su tutto il dominio sia dei dati al confine per l'evoluzione (boundary conditions). In questo senso i modelli ad area limitata sono “figli” dei modelli globali, perché da quest'ultimi prendono i dati per operare. Tipicamente per una previsione, i meteorologi utilizzano i modelli globali per avere un quadro della possibile evoluzione del tempo su larga scala (scala sinottica, ad esempio su tutta l'Europa), e quindi utilizzano modelli ad alta risoluzione per ipotizzare l’evoluzione locale (scala regionale). Per quei fenomeni che sono troppo piccoli per essere risolti anche da un modello ad area limitata ad alta risoluzione, i previsori integrano le informazioni date dai modelli con i dati da osservazioni locali (ad esempio stazioni a terra, radar, webcam). Limiti dei modelli Purtroppo i modelli numerici presentano alcuni limiti, dovuti sia alla complessità dell'atmosfera (e quindi alle inevitabili approssimazioni contenute nelle equazioni che descrivono i fenomeni atmosferici implementate nei modelli) sia all’impossibilità di descrivere perfettamente lo stato iniziale dell'atmosfera (le reti di osservazione esistenti hanno una copertura e una risoluzione spaziale limitata e non omogenea). Anche un modello meteorologico ben costruito e affidabile può fornire previsioni molto sbagliate. La percentuale di errore aumenta man mano che si va in là nel tempo con la previsione, ed è per questo una previsione per i prossimi 10 giorni è molto meno affidabile di una previsione per l'indomani. Attualmente i migliori modelli globali sono attendibili al 70% a 5 giorni. Questo non significa che le previsioni, intese come le condizioni del tempo in una data località, sono esatte 7 volte su 10 a 5 giorni, ma che a livello statistico determinati parametri lo sono (ad esempio la temperatura a 1500 metri o il vento a 3000 metri rispetto ad un set di osservazioni di riferimento). Un secondo aspetto problematico, che devono fronteggiare i meteorologi, risiede nell'enorme quantità di dati attualmente disponibile, e al fatto che molto spesso, per le considerazioni esposte in precedenza, queste informazioni sono discordanti. I meteorologi generalmente operano un approccio mentale di tipo probabilistico: se le informazioni tendono a convergere, ovvero se molti modelli dicono la stessa cosa, c'è una maggiore probabilità che quella sia l'evoluzione possibile e quindi tendono generalmente a a dargli maggior peso. Esempio - Pioggia cumulata nelle 24 ore prevista per il giorno 20 Marzo 2010. Lo stesso modello (WRF-ARW), con differenti dati di input (a sinistra ECMWF, a destra GFS), restituisce due previsioni molto diverse già nelle prime 24 ore di simulazione (dati di analisi delle 00 UTC del 20 Marzo 2010). Considerando che colori più accesi indicano cumulati di pioggia più abbondanti, si vede come la mappa a sinistra preveda cumulati fino a 20 mm/24h (zona in giallo) mentre quella a destra non superiori a 5 mm/24h (zone in azzurro scuro). Modelli meteo usati al LaMMA