Uno studio condotto da scienziati tedeschi di Jena e Amburgo mostra comel’intelligenza artificiale (AI) può migliorare la nostra comprensione del clima e del sistema terrestre. In particolare, i processi dinamici complessi come gli uragani, la propagazione del fuoco e la dinamica della vegetazione possono essere meglio descritti con l’aiuto di AI.
Di conseguenza, i modelli di sistema climatico e terrestre saranno migliorati, con nuovi modelli che combinano intelligenza artificiale e modellazione fisica. Negli ultimi decenni sono stati studiati principalmente proprietà statiche utilizzando approcci di apprendimento automatico.
Come, ad esempio, la distribuzione delle proprietà del suolo dalla scala locale a quella globale. Da qualche tempo, è stato possibile affrontare processi più dinamici utilizzando tecniche di deep learning più sofisticate. Ciò consente ad esempio di quantificare la fotosintesi globale sulla terra con la considerazione simultanea delle variazioni stagionali e di breve periodo.
Ipotizzando dai dati di osservazione
Grazie ad una miriade di sensori, è disponibile un enorme numero di dati del sistema terrestre, ma fino ad ora si è indietro sia nell’analisi che nell’interpretazione”. Come spiega Max Markus Reichstein, amministratore delegato del Max Planck Institute for Biogeochemistry di Jena. Oltre che membro del consiglio di amministrazione del Michael-Stifel-Center Jena (MSCJ).
È qui che le tecniche di deep learning diventano uno strumento promettente, al di là delle classiche applicazioni di machine learning come il riconoscimento delle immagini, l’elaborazione del linguaggio naturale o AlphaGo. Aggiunge il coautore Joachim Denzler del Computer Vision Group della Friedrich Schiller University Jena (FSU). E membro di MSCJ.
Esempi di applicazione sono eventi estremi come spari di fuoco o uragani, che sono processi molto complessi influenzati dalle condizioni locali ma anche dal loro contesto temporale e spaziale. Questo vale anche per il trasporto atmosferico e oceanico. Il movimento del suolo e le dinamiche della vegetazione, alcuni dei temi classici della scienza del sistema terrestre.
Intelligenza artificiale per migliorare i modelli di sistema climatico e terrestre
Tuttavia, sono piuttosto difficili gli approcci di deep learning. Essi si basano su dati statistici che non garantiscono la coerenza fisica di per sé. Dipendono fortemente dalla qualità dei dati e possono incontrare difficoltà con le estrapolazioni. Inoltre, il requisito per l’elaborazione dei dati e la capacità di archiviazione è molto alto.
La ricerca discute tutti questi requisiti e ostacoli e sviluppa una strategia per combinare efficacemente l’apprendimento automatico con la modellazione fisica. Se entrambe le tecniche sono riunite, vengono creati i cosiddetti modelli ibridi.
Ad esempio, possono essere utilizzati per modellare il moto dell’acqua oceanica per prevedere la temperatura della superficie del mare. Mentre le temperature sono modellate fisicamente, il movimento dell’acqua oceanica è rappresentato da un approccio di apprendimento automatico. L’idea è combinare il meglio di due mondi.
Gli scienziati sostengono che il rilevamento e il preallarme di eventi estremi, nonché la previsione stagionale e a lungo termine del clima trarranno grande beneficio dagli approcci di deep-learning e di modellazione ibrida discussi.
