Credito:CC0 di pubblico dominio
La modellazione accurata degli eventi di precipitazioni estreme rimane una sfida importante per i modelli climatici. Questi modelli prevedono come il clima della terra potrebbe cambiare nel corso di decenni e persino secoli. Per migliorarli soprattutto per quanto riguarda gli eventi estremi, i ricercatori ora utilizzano metodi di apprendimento automatico altrimenti applicati alla generazione di immagini.
I computer utilizzano già l'intelligenza artificiale per migliorare la risoluzione di immagini sfocate, per creare immagini che imitano lo stile di pittori particolari sulla base di fotografie o per rendere realistici ritratti di persone che in realtà non esistono. Il metodo sottostante si basa su quelle che vengono chiamate GAN (Generative Adversarial Networks).
Un team guidato da Niklas Boers, professore di modellazione del sistema terrestre presso l'Università tecnica di Monaco (TUM) e ricercatore presso l'Istituto di Potsdam per la ricerca sull'impatto climatico (PIK) sta ora applicando questi algoritmi di apprendimento automatico alla ricerca sul clima. Il gruppo di ricerca ha recentemente pubblicato i suoi risultati su Nature Machine Intelligence .
Non tutti i processi possono essere presi in considerazione
"I modelli climatici differiscono dai modelli utilizzati per fare previsioni meteorologiche, soprattutto in termini di orizzonte temporale più ampio. L'orizzonte di previsione per le previsioni meteorologiche è di diversi giorni, mentre i modelli climatici eseguono simulazioni nel corso di decenni o addirittura secoli", spiega Philipp Hess, autore principale dell'associato di studio e ricerca presso la TUM Professorship for Earth System Modeling.
Il tempo può essere previsto abbastanza esattamente per alcuni giorni; la previsione può quindi essere successivamente verificata sulla base di osservazioni effettive. Quando si tratta di clima, tuttavia, l'obiettivo non è una previsione basata sul tempo, ma, tra le altre cose, proiezioni di come l'aumento delle emissioni di gas serra avrà un impatto sul clima della Terra a lungo termine.
Tuttavia, i modelli climatici non possono ancora tenere perfettamente conto di tutti i processi climatici rilevanti. Ciò è dovuto da un lato al fatto che alcuni processi non sono stati ancora compresi a sufficienza e, dall'altro, al fatto che simulazioni dettagliate richiederebbero troppo tempo e troppa potenza di calcolo. "Di conseguenza, i modelli climatici non possono ancora rappresentare eventi di precipitazioni estreme come vorremmo. Pertanto, abbiamo iniziato a utilizzare i GAN per ottimizzare questi modelli in relazione alla loro produzione di precipitazioni", afferma Niklas Boers.
Ottimizzazione dei modelli climatici con dati meteorologici
In parole povere, un GAN è costituito da due reti neurali. Una rete tenta di creare un esempio da un prodotto precedentemente definito, mentre l'altra cerca di distinguere questo esempio generato artificialmente da esempi reali. Le due reti competono così tra loro, migliorando continuamente il processo.
Un'applicazione pratica dei GAN sarebbe la "traduzione" dei dipinti di paesaggi in fotografie realistiche. Le due reti neurali acquisiscono immagini fotorealistiche generate sulla base del dipinto e le inviano avanti e indietro fino a quando le immagini create non possono più essere distinte dalle fotografie reali.
Il team di Niklas Boers ha adottato un approccio simile:i ricercatori hanno utilizzato un modello climatico relativamente semplice per dimostrare il potenziale dell'utilizzo dell'apprendimento automatico per migliorare tali modelli. Gli algoritmi del team utilizzano i dati meteorologici osservati. Utilizzando questi dati, il team ha addestrato il GAN a modificare le simulazioni del modello climatico in modo che non potessero più essere distinte dalle effettive osservazioni meteorologiche.
"In questo modo è possibile aumentare il grado di dettaglio e il realismo senza la necessità di complicati calcoli di processo aggiuntivi", afferma Markus Drücke, modellatore climatico presso PIK e coautore dello studio.
I GAN possono ridurre l'elettricità consumata nella modellazione climatica
Anche modelli climatici relativamente semplici sono complessi e vengono elaborati utilizzando supercomputer che consumano grandi quantità di energia. Più dettagli prende in considerazione il modello, più complicati diventano i calcoli e maggiore è la quantità di energia elettrica utilizzata. I calcoli coinvolti nell'applicazione di un GAN addestrato a una simulazione climatica sono tuttavia trascurabili rispetto alla quantità di calcolo richiesta per il modello climatico stesso.
"L'uso dei GAN per rendere i modelli climatici più dettagliati e più realistici è quindi pratico non solo per il miglioramento e l'accelerazione delle simulazioni, ma anche in termini di risparmio di elettricità", afferma Philipp Hess. + Esplora ulteriormente
