I prossimi 18 mesi potrebbero essere tra i più critici per la sicurezza alimentare globale dalla crisi dei prezzi del 2007-2008. Un potente evento El Niño è in corso nel Pacifico tropicale, e il Regno Unito sta correndo ai ripari implementando strumenti di intelligenza artificiale che potrebbero dare ai Paesi climaticamente vulnerabili allerte più tempestive su siccità, inondazioni e raccolti fallimentari che li attendono.
Questo articolo riassume le ultime probabilità di previsione della NOAA, i rischi agricoli regionali per riso, olio di palma, canna da zucchero e caffè, gli avvertimenti sugli shock dei prezzi alimentari da parte di Schroders e Fitch, e i programmi specifici di IA che il Met Office britannico sta utilizzando per rafforzare i sistemi di allerta precoce in Africa e Asia.
Il Regno Unito implementa previsioni meteorologiche con IA per le nazioni vulnerabili
Il Met Office britannico sta implementando una serie di programmi di intelligenza artificiale e machine learning progettati per migliorare le previsioni stagionali nelle parti del mondo meno preparate agli eventi meteorologici estremi. L’iniziativa è guidata dal Foreign, Commonwealth and Development Office (FCDO) in collaborazione con il Met Office e si rivolge a regioni dell’Africa e del Sud-est asiatico
.
I programmi principali includono:
- AI4 Climate — finanziato dal Department for Science, Innovation and Technology (DSIT) del governo britannico attraverso l’International Science Partnerships Fund. Il programma applica tecniche all’avanguardia di IA e ML alla scienza del clima con l’obiettivo di fornire informazioni climatiche migliori in modo più efficiente ai partner internazionali
.
- AI for Numerical Weather Prediction (AI4NWP) — una partnership tra il Met Office e l’Alan Turing Institute che accelera le previsioni meteorologiche basate su ML. I ricercatori stanno sviluppando un modello di previsione meteorologica basato su ML (Machine Learning Weather Prediction, MLWP) che utilizza un approccio di rete neurale grafica, progettato per migliorare l’abilità previsionale su scala stagionale .
Comments
0 comments