Un uovo studio pubblicato su Nature Communications Earth & Environment con il titolo Feature selection for data-driven seasonal forecasts of European heatwaves, evidenzia il ruolo di leadership del Centro Euro-Mediterraneo sui Cambiamenti Climatici (CMCC) nell’integrare intelligenza artificiale all’avanguardia con la scienza del clima per affrontare una delle sfide climatiche più urgenti d’Europa: le ondate di calore.
Lo studio dimostra come tecniche di machine learning (ML) e artificial intelligence (AI) stiano rivoluzionando la scienza del clima, consentendo previsioni più accurate ed economicamente vantaggiose rispetto agli approcci tradizionali. Dove i sistemi dinamici convenzionali richiedono enormi risorse computazionali e hanno difficoltà di affidabilità nelle regioni dell’Europa settentrionale, questo approccio data-driven offre un’alternativa.
“Il machine learning diventerà una parte fondamentale di come studiamo la variabilità climatica” afferma McAdam. “Questo studio ha dimostrato l’utilità del ML nella previsione degli eventi estremi, ma rappresenta solo un primo passo nella definizione di come ottenere risultati interpretabili e con significato fisico”.
Le ondate di calore provocano impatti devastanti in tutta Europa, tra cui perdite agricole, picchi di consumo energetico, crisi sanitarie e aumento della mortalità. Eventi recenti e letali nel 2003, 2010 e 2022 sottolineano l’urgenza di sistemi di allerta precoce capaci di mitigare gli impatti delle ondate di calore. Ciò è particolarmente importante poiché le proiezioni climatiche suggeriscono un’ulteriore intensificazione delle ondate di calore nei prossimi decenni, rendendo la previsione stagionale sempre più cruciale.
“Un’allerta precoce per estati estremamente calde può aiutare la società a prepararsi, riducendo perdite economiche e rischi per la vita” spiega McAdam. “Previsioni stagionali effettuate in primavera possono, in linea di principio, indicare se un’estate sarà più calda della media”.
Una metodologia innovativa
Il sistema utilizza un optimisation-based feature selection framework che identifica la combinazione ottimale di variabili atmosferiche, oceaniche e terrestri per prevedere la probabilità di ondate di calore in Europa. Grazie a tecniche di ML, l’approccio analizza circa 2.000 potenziali predictors per selezionare le combinazioni più rilevanti per ogni localizzazione geografica.
Il metodo non solo eguaglia, e in alcuni casi supera, i sistemi di previsione tradizionali, ma fornisce anche informazioni su quali predictors sono stati utilizzati nel processo – una risorsa scientifica di grande valore. La possibilità di individuare quali atmospheric e oceanic predictors contribuiscono maggiormente all’abilità predittiva in diverse aree e momenti dell’anno può guidare ricerche future sui meccanismi fisici alla base degli eventi di calore estremo.
Per esempio, la ricerca rivela che l’umidità del suolo in Europa, i pattern di temperatura e la circolazione atmosferica sono i predictors locali più critici, mentre segnali remoti dal Pacifico e dall’Atlantico tropicale contribuiscono anch’essi alla prevedibilità.
La scarsa performance su Scandinavia ed Europa centro-settentrionale è stata storicamente una difficoltà nella previsione stagionale, mentre il nuovo approccio data-driven sviluppato nello studio migliora l’abilità predittiva proprio in queste aree.
Inoltre, uno degli aspetti più innovativi dello studio è l’addestramento del sistema ML su simulazioni paleoclimatiche che coprono gli anni 0-1850, fornendo una quantità di dati di training superiore rispetto ai soli dati osservativi disponibili. Nonostante questo approccio inusuale, il sistema è riuscito a trasferire con successo il suo learning per prevedere accuratamente le ondate di calore reali dal 1993 al 2016.
“Non esistono ancora abbastanza dati reali per addestrare adeguatamente la previsione, quindi i modelli ML hanno imparato i driver delle ondate di calore in un mondo modellizzato, ma sono stati poi applicati con successo al mondo reale” afferma McAdam.
Una questione di efficienza
Oltre all’aumento di efficienza, la drastica riduzione dei requisiti computazionali rende la previsione stagionale con questa tecnica accessibile a una gamma più ampia di ricercatori e istituzioni. Mentre i sistemi dinamici tradizionali richiedono enormi risorse di supercalcolo, questo approccio si concentra specificamente sulla previsione delle ondate di calore con un overhead computazionale minimo.
“La nostra ricerca ha esteso con successo le previsioni data-driven basate su ML alla scala stagionale utilizzando una frazione minima delle risorse computazionali richieste dagli approcci tradizionali” osserva McAdam.
Fornendo previsioni stagionali affidabili delle ondate di calore con mesi di anticipo, il sistema consente misure proattive per ridurne l’impatto su società ed economia. Ciò apre nuove possibilità per i servizi climatici in settori come agricoltura, salute pubblica, gestione energetica e pianificazione delle emergenze, oltre a creare l’opportunità di combinare approcci ML con i sistemi dinamici prodotti dal CMCC, sfruttando così i punti di forza di entrambi.
Il framework ha inoltre il potenziale per essere adattato ad altri eventi estremi, date di avvio e stagioni target, rappresentando una tappa significativa nella missione del CMCC di far progredire la scienza del clima attraverso metodologie innovative e stabilire nuovi standard per la previsione stagionale e la valutazione dei rischi climatici.
