Dalle proposte di film ai veicoli a guida autonoma, l'apprendimento automatico ha rivoluzionato la vita moderna. Gli esperti ora lo stanno usando per aiutare a risolvere uno dei più grandi problemi dell'umanità:il cambiamento climatico.

Con l'apprendimento automatico, possiamo usare la nostra abbondanza di dati storici e osservazioni sul clima per migliorare le previsioni del clima futuro della Terra. E queste previsioni avranno un ruolo importante nel ridurre il nostro impatto climatico negli anni a venire.

Che cos'è l'apprendimento automatico?

L'apprendimento automatico è una branca dell'intelligenza artificiale. Anche se è diventata una specie di parola d'ordine, è essenzialmente un processo di estrazione di modelli dai dati.

Gli algoritmi di apprendimento automatico utilizzano i set di dati disponibili per sviluppare un modello. Questo modello può quindi effettuare previsioni in base a nuovi dati che non facevano parte del set di dati originale.

Tornando al nostro problema climatico, ci sono due approcci principali con cui l'apprendimento automatico può aiutarci a comprendere meglio il clima:osservazioni e modelli.

Negli ultimi anni, la quantità di dati disponibili dall'osservazione e dai modelli climatici è cresciuta in modo esponenziale. È impossibile per gli umani affrontare tutto questo. Fortunatamente, le macchine possono farlo per noi.

Osservazioni dallo spazio

I satelliti monitorano continuamente la superficie dell'oceano, fornendo agli scienziati informazioni utili su come stanno cambiando i flussi oceanici.

La missione satellitare SWOT (Surface Water and Ocean Topography) della NASA, il cui lancio è previsto per la fine del prossimo anno, mira a osservare la superficie dell'oceano con dettagli senza precedenti rispetto ai satelliti attuali.

Ma un satellite non può osservare l'intero oceano in una volta. Può vedere solo la porzione di oceano sottostante. E il satellite SWOT avrà bisogno di 21 giorni per superare ogni punto del globo.

C'è un modo per inserire i dati mancanti, quindi possiamo avere un quadro globale completo della superficie dell'oceano in un dato momento?

È qui che entra in gioco l'apprendimento automatico. Gli algoritmi di apprendimento automatico possono utilizzare i dati recuperati dal satellite SWOT per prevedere i dati mancanti tra ogni rivoluzione SWOT.

Ostacoli nella modellazione climatica

Le osservazioni ci informano del presente. Però, per prevedere il clima futuro dobbiamo fare affidamento su modelli climatici completi.

L'ultimo rapporto sul clima dell'IPCC è stato informato dalle proiezioni climatiche di vari gruppi di ricerca in tutto il mondo. Questi ricercatori hanno eseguito una moltitudine di modelli climatici che rappresentano diversi scenari di emissioni che hanno prodotto proiezioni di centinaia di anni nel futuro.

Per modellare il clima, i computer ricoprono una griglia computazionale sugli oceani, atmosfera e terra. Quindi, partendo dal clima di oggi, possono risolvere le equazioni del moto del fluido e del calore all'interno di ogni riquadro di questa griglia per modellare come si evolverà il clima in futuro.

La dimensione di ogni casella nella griglia è ciò che chiamiamo "risoluzione" del modello. Più piccola è la dimensione della scatola, più fini sono i dettagli del flusso che il modello può catturare.

Ma l'esecuzione di modelli climatici che proiettano in avanti di centinaia di anni mette in ginocchio anche i supercomputer più potenti. Così, attualmente siamo costretti a eseguire questi modelli con una risoluzione grossolana. Infatti, a volte è così grossolano che il flusso non assomiglia per niente alla vita reale.

Per esempio, i modelli oceanici utilizzati per le proiezioni climatiche in genere assomigliano a quello in basso a sinistra. Ma in realtà, il flusso dell'oceano assomiglia molto di più all'immagine a destra.

Sfortunatamente, attualmente non disponiamo della potenza di calcolo necessaria per eseguire modelli climatici realistici e ad alta risoluzione per le proiezioni climatiche.

Gli scienziati del clima stanno cercando di trovare modi per incorporare gli effetti della multa, movimenti turbolenti su piccola scala nell'immagine in alto a destra nel modello climatico a risoluzione grossolana a sinistra.

Se possiamo farlo, possiamo generare proiezioni climatiche più accurate, ancora computazionalmente fattibile. Questo è ciò che chiamiamo "parametrizzazione", il Santo Graal della modellazione climatica.

Semplicemente, questo è il momento in cui possiamo ottenere un modello che non includa necessariamente tutte le funzionalità di flusso complesse su piccola scala (che richiedono enormi quantità di potenza di elaborazione), ma che possa comunque integrare i loro effetti nel modello generale in un modo più semplice ed economico.

Un'immagine più chiara

Alcune parametrizzazioni esistono già nei modelli a risoluzione grossolana, ma spesso non fanno un buon lavoro integrando le funzionalità di flusso su piccola scala in modo efficace.

Gli algoritmi di apprendimento automatico possono utilizzare l'output di risultati realistici, modelli climatici ad alta risoluzione (come quello in alto a destra) per sviluppare parametrizzazioni molto più accurate.

Man mano che la nostra capacità di calcolo cresce, insieme ai nostri dati climatici, saremo in grado di utilizzare algoritmi di apprendimento automatico sempre più sofisticati per vagliare queste informazioni e fornire modelli e proiezioni climatiche migliori.

Questo articolo è stato ripubblicato da The Conversation con una licenza Creative Commons. Leggi l'articolo originale.