L'Artico è una delle regioni del pianeta che sta subendo più rapidamente gli effetti della crisi climatica.
Alla fusione accelerata dei ghiacci si aggiunge l’impatto degli inquinanti atmosferici trasportati dalle correnti provenienti da altre aree del mondo, tra cui le polveri sottili, che possono contribuire ad accelerare lo scioglimento delle superfici ghiacciate e avere effetti sulla salute delle popolazioni locali.
Per affrontare questa sfida, un gruppo di ricercatori del Consiglio nazionale delle ricerche (Cnr-Iia) e del Joint research centre della Commissione europea ha ottimizzato un innovativo modello di intelligenza artificiale capace di migliorare sensibilmente la previsione delle concentrazioni di Pm10 nell’Artico e nel Nord Europa. Lo studio, pubblicato sulla rivista Npj Clean air del gruppo Nature, mostra come l’integrazione tra intelligenza artificiale e modelli atmosferici tradizionali possa offrire strumenti più efficaci per il monitoraggio ambientale e la tutela degli ecosistemi più vulnerabili. Ne parliamo con Antonello Pasini, fisico del clima del Cnr-Iia e coautore della ricerca insieme a Alice Cuzzucoli.
Professor Pasini perché oggi è così difficile prevedere gli episodi di inquinamento da Pm10 (polveri sottili) nelle regioni artiche e del Nord Europa? Quali sono le principali criticità dei modelli tradizionali?
Innanzi tutto, c’è un problema di densità delle stazioni di misura. In quegli ambienti remoti i punti di osservazione sono sparsi e molto distanti tra loro: questo non permette di avere un quadro di cosa avviene in molte realtà locali dove il Pm10 può avere impatti anche molto importanti. E tutto ciò si riflette ovviamente anche sulla conoscenza dello stato dell’atmosfera, necessariamente molto approssimato, da cui partono i modelli Cams di Copernicus per ottenere le loro previsioni. Inoltre, i modelli meteo-chimici Cams sono ottimizzati per latitudini inferiori. Certamente, le leggi della fisica e della chimica (le cui equazioni sono risolte numericamente alla risoluzione spaziale dei modelli) sono sempre le stesse, ma è la descrizione dei fenomeni che avvengono al di sotto di quella risoluzione che deve essere ottimizzata per il grande Nord, e invece attualmente non lo è.
Il vostro studio mostra che l’intelligenza artificiale può superare le prestazioni dei modelli utilizzati da Copernicus. Che cosa “vede” l’IA che i modelli convenzionali faticano a cogliere?
Il modello che abbiamo ottimizzato e applicato ha due caratteristiche fondamentali che lo rendono adatto a ottenere previsioni migliori. Da un lato, la nostra IA ha la capacità di ottenere previsioni locali più precise da previsioni di area più generiche dei modelli Cams tenendo conto implicitamente delle caratteristiche locali dei territori e delle circolazioni: è quello che chiamiamo attività di downscaling (abbassamento di scala). D’altro lato, il nostro modello (un Crossformer, della classe Transformer, che è alla base dei cosiddetti Large language models come Chatgpt ) ha la capacità di prevedere la continuazione di serie temporali di dati su singoli punti di rilevamento e, nel nostro caso, prende in considerazione anche le informazioni che vengono dai dintorni. Tutto questo Per continuare la lettura dell'articolo abbonati alla rivistaQuesto articolo è riservato agli abbonati
Se sei già abbonato effettua il login
