Un team cinese di esperti di Earth Sciences ha simulato le variazioni della frequenza delle onde di calore estive nell'Europa orientale utilizzando un modello di apprendimento automatico, possibile alternativa futura ai modelli tradizionali, deputati all’analisi delle correlazioni tra specifici fattori climatici e temperature estreme.

TAKEAWAY

• L’attuale ricerca sul clima vede al centro il riscaldamento globale e le intense onde di calore ad esso correlate, responsabili di gravi danni all’ambiente e all’intero ecosistema, di cui l’essere umano fa parte.
• Un gruppo di ricercatori dell’Ateneo cinese di Zhejiang ha di recente testato un sistema di intelligenza artificiale in grado – attraverso simulazioni in tempo reale – di fare previsioni circa le variazioni della frequenza delle onde di calore estive nell’area dell’est Europa.
• Positivi i risultati ottenuti, tra cui il fattore climatico relativo alla temperatura superficiale del mare come quello che maggiormente contribuisce alla simulazione e i fattori climatici registrati durante l’inverno immediatamente precedente all’arco temporale che si intende analizzare, come quelli all’origine di simulazioni più puntuali.

---

Nell’arco degli ultimi anni, complici lo sviluppo e il continuo perfezionamento delle tecniche che fanno all’ambito di studi dell’intelligenza artificiale, la ricerca sul clima si avvale di modelli dalle capacità previsionali e di simulazione in alcuni casi addirittura superiori a quelle dei tradizionali modelli numerici.

A partire dall’intensa ondata di calore registrata in Europa nell’estate del 2019 – quando vennero raggiunte temperature record, con picchi di oltre 45 °C in alcuni paesi – sotto la lente c’è, in particolare, il riscaldamento globale e gli eventi di temperature estreme correlati, causa di gravi impatti sull’ambiente, sull’ecosistema e sulla salute umana e, conseguentemente, di problematiche di natura socioeconomica. Anche l’estate 2022 (mentre scriviamo, siamo nel mese di luglio) è candidata a divenire, in Europa, tra le più calde della storia.

Studiare il clima, analizzare e comprendere i fattori alla base di quei fenomeni climatici che spesso sfociano in situazioni di emergenza, contribuisce alla lotta globale contro gli effetti negativi dei suoi cambiamenti, inserita tra gli Obiettivi per lo Sviluppo Sostenibile dell’Agenda 2030 dell’Organizzazione delle Nazioni Unite (Goal 13: Take urgent action to combat climate change and its impacts) e al centro dell’Accordo di Parigi sul clima.

Riguardo a quest’ultimo, ricordiamo che la COP26 – Convenzione delle Nazioni Unite sui cambiamenti climatici, tenutasi a Glasgow dal 31 ottobre al 12 novembre 2021 – si è conclusa con l’impegno, da parte dei duecento paesi firmatari dell’Accordo originario (2016), a portare – entro il 2030 – il riscaldamento globale sotto 1 grado e mezzo dai livelli pre-industriali, a tagliare del 45% le emissioni di CO2, per poi raggiungere il traguardo delle zero emissioni nette intorno al 2050.

E a febbraio del 2022, il Consiglio dell’Unione Europea, nell’accelerare quanto concordato a Glasgow, compie un’azione inedita, ribadendo «la necessità di integrare i diritti umani nell’azione per il clima».

Da qui l’importanza cardine di modelli climatici dalle performance elevate, in grado di simulare e di prevedere anche eventi come le onde di calore estremo («condizione meteorologica caratterizzata dall’espansione di un’area di alta pressione di origine subtropicale verso zone a clima temperato», secondo la definizione che ne dà Wikipedia), in modo da consentire la pianificazione di emergenza e il processo decisionale che ne consegue, tesi a salvaguardare vite umane.

L’intelligenza artificiale per la ricerca sul clima punta alla rilevazione delle onde di calore

Lo studio a cura della School of Earth Sciences presso la Zhejiang University, in Cina – dal titolo “Analysis of lower-boundary climate factors contributing to the summer heatwave frequency over eastern Europe using a machine-learning model” – va in quella direzione, dimostrando come l’intelligenza artificiale per la ricerca sul clima abbia una valenza nel simulare le variazioni della frequenza delle onde di calore (dette anche “Heat Wave Frequency” o HWF).

In particolare, gli autori, nel costruire il modello di machine learning da utilizzare nell’ambito del proprio studio, si sono avvalsi del Light Gradient Boosting Machine (LightGBM), un framework gratuito e open source per l’apprendimento automatico.

L’obiettivo era realizzare sia la simulazione retrospettiva dell’HWF estivo nell’Europa orientale (riferito ai mesi di giugno, luglio e agosto), per il periodo di tempo compreso tra 1981 e il 2020, sia la sua simulazione in tempo reale per il periodo 2011–2020.

Oltre a questo, il team ha inteso analizzare in modo incrociato – sempre per mezzo del modello ML sviluppato – i dati relativi ai diversi fattori climatici implicati in tale variazione, vale a dire la temperatura della superficie del mare, l’umidità del suolo, l’estensione del manto nevoso e la concentrazione di ghiaccio marino.

I dati sulla temperatura massima giornaliera sono stati attinti dal set di dati orari ERA5-Land, a cura del Copernicus Climate Change Service del Centro europeo per le previsioni meteorologiche a medio raggio. Mentre, i dati mensili relativi alla temperatura della superficie del mare e alla concentrazione di ghiaccio marino sono stati ottenuti dall’inglese Hadley Centre for Climate Prediction and Research per lo studio del riscaldamento globale. Infine, il set di dati sull’estensione del manto nevoso è stato recuperato dal Global Snow Laboratory della Rutgers University (USA) e i dati sull’umidità del suolo dai set di dati NCEP/NCAR Reanalysis.

Simulazione retrospettiva e in tempo reale dell’HWF estivo nell’Europa orientale

Nell’ambito dello studio in tema di intelligenza artificiale per la ricerca sul clima, al fine di verificare la fattibilità dell’esperimento di simulazione delle variazioni della frequenza delle onde di calore, sono state eseguite simulazioni retrospettive per il periodo compreso tra il 1981 al 2020, considerando le variabili rappresentate dalla temperatura della superficie del mare, dall’umidità del suolo, dall’estensione del manto nevoso e dalla concentrazione di ghiaccio marino.

I risultati hanno dimostrato una coerenza tra le simulazioni retrospettive eseguite per mezzo del modello di machine learning LightGBM e quelle eseguite da un modello numerico tradizionale utilizzato per la convalida, con esiti migliori nel primo, soprattutto per quanto riguarda alcune regioni della Russia, ritenute dagli autori aree chiave dell’Europa orientale nell’esaminare gli eventi di temperature estreme.

Gli esperimenti di simulazione in tempo reale sono stati condotti con lo stesso metodo (variabili e regioni considerate), ma hanno riguardato il periodo che va dal 2011 (anno di inizio della ricerca) al 2020.

I risultati ottenuti dal sistema di intelligenza artificiale nella simulazione in tempo reale, con tutti i potenziali fattori climatici – osserva il team – hanno superato, per puntualità e precisione, quelli del modello tradizionale, specie in riferimento alla rilevazione della frequenza delle variazioni delle onde di calore nell’area del Mar Nero settentrionale.

Intelligenza artificiale per la ricerca sul clima: il contributo dei singoli fattori climatici alla rilevazione dell’aumento delle temperature

In tema di intelligenza artificiale per la ricerca sul clima, con l’obiettivo di valutare gli effetti dei singoli fattori climatici sull’aumento delle temperature e sulle conseguenti ondate di calore, sono stati condotti numerosi ulteriori esperimenti di simulazione in tempo reale utilizzando un solo fattore alla volta. Con quali risultati?

Le mappe dei coefficienti di correlazione temporale con i fattori climatici a campo singolo, ovvero temperatura superficiale del mare, estensione del manto nevoso e umidità del suolo – considerati nelle stagioni estive, invernali primaverili – mostrano dati positivi in relazione alla maggior parte delle regioni dell’Europa orientale.

Mentre, dove il modello di machine learning si discosta dai dati ottenuti durante le simulazioni retrospettive con metodo tradizionale (considerati dati di controllo), registrando risultati negativi, è nelle simulazioni in tempo reale focalizzate sulla concentrazione di ghiaccio marino come singolo fattore.

«I risultati indicano la temperatura superficiale del mare, l’estensione del manto nevoso e l’umidità del suolo come variabili che, in generale, danno un contributo positivo all’abilità del nostro sistema AI nella rilevazione delle frequenze delle onde di calore»

spiegano gli autori dello studio, aggiungendo che, poiché LightGBM è un modello di apprendimento automatico ad albero, «è possibile valutare i contributi degli esperimenti di simulazione riferiti a ciascun fattore climatico», dove, più precisamente:

• i dati sulla temperatura superficiale del mare corrispondono al 70% del successo del sistema di intelligenza artificiale nel rilevare le variazioni delle frequenze delle onde di calore
• i dati elativi all’umidità del suolo e al manto nevoso rappresentano, invece, rispettivamente il 20% e il 10%

Conclusioni e prospettive future

Insomma, gli esiti dello studio dell’Ateneo cinese in tema di intelligenza artificiale per la ricerca sul clima dimostrano che il sistema AI messo a punto è in grado di simulare in modo efficiente la variazione della frequenza delle ondate di caldo estive nell’Europa orientale e che il fattore climatico “temperatura superficiale del mare” contribuisce maggiormente alla simulazione. Anche se – precisano i ricercatori – «i relativi meccanismi devono poter essere approfonditi», per verificare se un numero maggiore di tali dati possa eventualmente affinare le performance dell’algoritmo di machine learning.

Un altro dato interessante emerso, riguarda la stagione presa in esame per elaborare la simulazione. Gli esperimenti che si basano sui fattori climatici registrati durante l’inverno (nei mesi di dicembre-gennaio-febbraio) immediatamente precedente all’arco temporale che si intende analizzare, hanno condotto a simulazioni più puntuali rispetto a quelle in cui sono state valutate le altre due stagioni, «indicando come le condizioni climatiche dell’inverno precedente siano “fattori di impatto vitali” per la variazione estiva delle ondate di calore riferite all’Europa orientale, contribuendo alla previsione della variazione estiva».

Naturalmente, resta da sondare, in futuro, l’applicazione del modello AI sviluppato dal team cinese nell’ambito di simulazioni e di analisi delle onde di calore che interessano altre aree geografiche, a loro volta al centro di altre tipologie di aventi climatici, influenzati da altri fattori ancora.