Dal Politecnico di Zurigo giunge un foundation model capace di integrare atmosfera, suolo e ciclo dell’acqua anche utilizzando con dati incompleti

Quando una tempesta tropicale si trasforma in super tifone in pochi giorni, il problema non è soltanto prevederne la traiettoria. È capire come vento, precipitazioni, umidità del suolo, topografia, temperatura e circolazione atmosferica si influenzino tra loro. Nel luglio 2023 il tifone Doksuri ha mostrato con particolare durezza questa complessità, colpendo Filippine e Cina con venti violenti, piogge torrenziali e danni estesi alle aree costiere. Proprio quel caso è stato usato dai ricercatori del dominio ETH per testare un nuovo modello di Intelligenza Artificiale applicato al sistema Terra.

Il modello si chiama Earth System Foundation Model, o ESFM, ed è stato sviluppato nell’ambito della Swiss AI Initiative, con il contributo di ETH Zurich, EPFL, Swiss Data Science Center e altri partner scientifici. La novità non consiste nel sostituire i modelli meteorologici classici, ma nel costruire un’infrastruttura capace di leggere dati eterogenei e incompleti: immagini satellitari, misure da stazioni a terra, serie atmosferiche, dati idrologici e osservazioni sparse nello spazio e nel tempo.

La questione è industriale oltre che scientifica. Agricoltura, assicurazioni, gestione delle infrastrutture, protezione civile, energia e pianificazione urbana dipendono sempre più da previsioni e ricostruzioni affidabili. Ma i dati ambientali reali raramente arrivano in forma ordinata. Le reti di monitoraggio non sono distribuite in modo uniforme, i sensori possono guastarsi, le nubi coprono i satelliti, le aree remote restano scarsamente osservate. ESFM nasce per lavorare proprio dentro questa discontinuità.

Un modello che collega atmosfera, territorio e acqua

Il punto centrale è l’integrazione. Molti sistemi di AI meteorologica si sono concentrati soprattutto sull’atmosfera, trattando il resto come contesto o variabile secondaria. ESFM, invece, prova a rappresentare il sistema Terra come un insieme interconnesso, dove processi atmosferici, idrologici e terrestri non vengono separati artificialmente. Questo approccio è rilevante perché eventi estremi come alluvioni, siccità e cicloni tropicali non dipendono da una sola variabile, ma da catene di retroazione.

Fanny Lehmann, matematica, postdoctoral fellow dell’ETH AI Center e membro del gruppo che ha sviluppato il modello, ha spiegato così il salto metodologico:

“I precedenti modelli di AI per il meteo si sono spesso concentrati soprattutto sull’atmosfera. Il nostro modello, invece, collega deliberatamente i dati meteorologici atmosferici con dati idrologici e terrestri. Su questa base, l’AI identifica schemi, tendenze e relazioni chiave all’interno del sistema meteorologico terrestre e li usa per generare previsioni, anche quando mancano dati importanti. La vera forza del nostro modello sta nella capacità di apprendere le interazioni cruciali per il meteo da diverse fonti di dati”.

In termini tecnici, ESFM non forza tutte le informazioni in un’unica griglia già normalizzata fin dall’inizio. Il modello tratta separatamente i diversi tipi di dato, li associa a coordinate spaziali e temporali e poi li riconduce a un quadro comune. Questo consente di conservare le caratteristiche specifiche di ogni sorgente, dalle mappe raster dei satelliti alle misure puntuali di temperatura, pressione, vento o livello dell’acqua.

È un passaggio importante per l’uso dell’Big Data nelle scienze ambientali. La grande disponibilità di osservazioni non basta se i dati non sono confrontabili. L’innovazione di ESFM è la capacità di usare formati e densità differenti senza ridurre tutto a una rappresentazione rigida, perdendo informazione lungo il percorso.

La prova Doksuri e il nodo delle osservazioni incomplete

Il test sul super tifone Doksuri è significativo perché l’evento non faceva parte dei dati di addestramento. Nonostante questo, secondo ETH Zurich, ESFM ha previsto con notevole accuratezza l’intensità del vento per diversi giorni e ha ricostruito in modo realistico posizione, movimento ed espansione spaziale della tempesta. Non è una certificazione operativa per l’uso come sistema di allerta, ma indica una capacità di generalizzazione utile per la ricerca sugli eventi estremi.

La caratteristica più distintiva del modello resta però la gestione dei vuoti informativi. Secondo la fonte, dopo l’addestramento ESFM riesce a generare previsioni anche da osservazioni satellitari in cui è disponibile soltanto circa il 3 per cento dei pixel. È un dato particolarmente rilevante per le applicazioni in aree con copertura osservativa debole o in situazioni in cui l’acquisizione è disturbata da condizioni meteorologiche, limiti tecnici o mancanza di infrastrutture.

Firat Ozdemir, lead developer del team ESFM e senior data scientist presso lo Swiss Data Science Center, ha sintetizzato così il problema:

“I modelli di AI precedenti per le previsioni meteorologiche, a differenza di ESFM, erano spesso addestrati su un solo tipo di dato o su pochi dataset di natura formattata in modo simile. Le loro prestazioni spesso calano quando lavorano con dati altamente eterogenei o incompleti. ESFM affronta questa sfida integrando dati multi-sorgente e colmando le lacune informative in modo molto più efficiente”.

Questa capacità ha implicazioni concrete. In un territorio colpito da siccità, ad esempio, la combinazione tra precipitazioni, umidità del suolo, caratteristiche geologiche, temperatura e livelli idrici può aiutare a interpretare l’evoluzione del rischio. ESFM ricostruisce i dati mancanti collegando le lacune a informazioni disponibili in aree vicine, variabili correlate e osservazioni passate. La logica non è una semplice interpolazione, ma un apprendimento di relazioni fisiche ricorrenti.

Dai modelli specializzati a una base riutilizzabile

La parola foundation model va letta con attenzione. Nel linguaggio dell’AI indica un modello addestrato su una base ampia, capace di essere riutilizzato e adattato a compiti successivi tramite finetuning. Nel caso delle scienze della Terra, questo significa passare da strumenti verticali, costruiti per una singola variabile o un singolo caso d’uso, a una piattaforma più generale per integrare dati e previsioni.

Sebastian Schemm, scienziato dell’atmosfera e professore all’University of Cambridge, già attivo presso ETH Zurich, ha precisato il perimetro del modello:

“ESFM non è né un modello climatico classico né un modello di previsione meteorologica o di allerta specializzata per le tempeste; appartiene piuttosto a una categoria distinta di modelli che possono servire come base flessibile per un’ampia gamma di compiti nella ricerca sul clima e sul meteo. Il suo vantaggio risiede in una sorta di comprensione sistemica appresa, che gli consente di produrre previsioni plausibili in molti casi, anche quando i dati sono incompleti o frammentari”.

Il lavoro tecnico associato al progetto, presentato all’EGU General Assembly 2026 di Vienna, descrive ESFM come un framework per l’integrazione di dati eterogenei e per la previsione. Il modello costruisce sul backbone 3D Swin UNet già usato da Aurora, introducendo estensioni per dati mancanti, misure sparse, osservazioni puntuali e immagini satellitari. Tra gli elementi indicati dal preprint figurano anche l’attenzione assiale per catturare dipendenze tra variabili e schemi di tokenizzazione individuale delle variabili.

Per il settore, il passaggio è rilevante perché sposta l’AI climatica da un terreno prevalentemente sperimentale a un’architettura più modulare. Un modello di base può essere adattato a idrologia, agricoltura, biodiversità o monitoraggio ambientale senza ripartire ogni volta da zero. Mathieu Salzmann, senior scientist all’EPFL e deputy chief data scientist dello Swiss Data Science Center, ha indicato proprio questa direzione: sfruttare la capacità rappresentativa del modello in domini come agricoltura, biodiversità e idrologia.

Accesso aperto e ricadute per le regioni povere di dati

Un altro elemento industrialmente non secondario è l’accessibilità. ETH Zurich indica che ESFM è disponibile su Hugging Face e in un repository GitHub. Il repository pubblico contiene codice di addestramento e valutazione per esperimenti di previsione atmosferica e del sistema Terra. In un campo dominato da risorse computazionali costose, l’apertura del modello non elimina le barriere, ma consente a gruppi di ricerca e organizzazioni pubbliche di ispezionare, adattare e testare il framework.

Il progetto è sostenuto anche dall’International Computation and AI Network, iniziativa legata a ETH Zurich che promuove collaborazioni internazionali sull’AI. Un obiettivo dichiarato è rendere utilizzabili modelli di questo tipo anche nel Global South, dove la scarsità di dati locali rappresenta un limite strutturale per la previsione ambientale. In tali contesti, la possibilità di affinare ESFM con osservazioni regionali può diventare un vantaggio per agricoltura, gestione dell’acqua e prevenzione del rischio.

Torsten Hoefler, professore di informatica a ETH Zurich e Chief AI Architect presso il Swiss National Supercomputing Centre di Lugano, ha collegato il caso ESFM alla natura più generale dei foundation model:

“Attraverso l’addestramento su tipi di dati molto diversi, modelli come ESFM acquisiscono una forma di conoscenza fondamentale e possono quindi risolvere in modo flessibile un’ampia gamma di compiti. Nella ricerca sull’AI sono definiti foundation model”.

La prospettiva non va confusa con una promessa di previsione perfetta. Gli eventi estremi restano sistemi dinamici complessi, e ogni output generato da un modello richiede validazione, confronto con osservazioni indipendenti e integrazione nei protocolli esistenti. Tuttavia, la direzione è chiara: l’Intelligenza Artificiale sta entrando nella meteorologia e nelle scienze ambientali non solo come strumento predittivo, ma come tecnologia di ricostruzione e integrazione della conoscenza.

Per la Svizzera, il progetto conferma il ruolo degli ecosistemi di ricerca distribuiti tra università, centri dati e infrastrutture di supercalcolo. Per il mercato, indica un possibile cambio di fase: non più soltanto modelli specializzati per una singola previsione, ma basi riutilizzabili per comprendere fenomeni climatici, idrologici e territoriali con dati spesso imperfetti. La sfida sarà trasformare questa capacità in strumenti affidabili, verificabili e utili per decisioni pubbliche e industriali.

Dal 1880 al 2025, la temperatura del pianeta Terra raccontata dai Big Data

Il monitoraggio delle emissioni di anidride carbonica effettuato dallo spazio

Ecco tre approfondimenti che potrebbero interessarti:

Così il cambiamento climatico influenza la sicurezza sul lavoro
Scie, zolfo e aerosol: è questo il nuovo rebus climatico del volo
Monte Cimone, la sentinella globale del clima in cima all’Appennino