Natura complessa, calcoli complessi
Lo strumento – il cosiddetto “indice umido” – si basa su un’intelligenza artificiale addestrata su dati liberamente disponibili sulle dinamiche che influenzano il rischio di inondazioni. I dati provengono da immagini satellitari e previsioni meteorologiche, nonché informazioni sui livelli del suolo e dell’acqua di mare e sulla topografia del paesaggio.
Tuttavia, il movimento e l’accumulo dell’acqua nei paesaggi aperti sono difficili da calcolare perché molti parametri influenzano il modo in cui l’acqua si muove e si accumula. Per gestire questa complessità, è stata utilizzata l’intelligenza artificiale nello sviluppo del modello dietro l’indice umido.
Utilizzando principi di progettazione specifici nella costruzione del modello e alimentandolo con dati accuratamente selezionati, i ricercatori hanno incorporato la comprensione del movimento, della distribuzione e dell’interazione dell’acqua con l’ambiente circostante, secondo Roland Löwe. È uno degli sviluppatori dell’indice umido e professore associato presso DTU specializzato nel comportamento dell’acqua.
Sia gli alti che i bassi
Il comune di Jammerbugt ha testato lo strumento nel 2023. I risultati mostrano previsioni migliori del previsto per i mesi primaverili umidi. Tuttavia, durante il periodo estivo, quando la Danimarca era quasi colpita dalla siccità, lo strumento ha previsto erroneamente le inondazioni nelle stesse aree che erano state allagate durante la primavera piovosa.
Le previsioni errate erano dovute al fatto che lo strumento veniva addestrato con troppo pochi dati dei mesi estivi. Questo perché i satelliti non possono registrare l’acqua sotto la vegetazione e dato che fx. i campi sono coperti da piante durante l’estate, il set di dati in quel periodo dell’anno è più piccolo.
“Un allarme tempestivo deve essere relativamente accurato affinché i cittadini possano fidarsi del sistema. Questo è il motivo per cui abbiamo scelto di fare un giro di prova, dove solo i cittadini selezionati lo hanno controllato regolarmente – e dove noi come comune avevamo droni in volo per convalidare le previsioni”, spiega la responsabile del progetto Heidi Egeberg Johansen del comune di Jammerbugt.
Tuttavia, sottolinea che l’esperienza complessiva dimostra che i partner del progetto hanno creato uno strumento con un grande potenziale. Pertanto il comune sta cercando finanziamenti per riqualificare ed eventualmente adattare il modello, che rimarrà offline finché i lavori non saranno terminati, afferma Heidi Egeberg Johansen.
Calcoli e decisioni più rapidi
I calcoli accurati sono fondamentali, non solo quando i cittadini e i servizi di emergenza devono preparare tubi dell’acqua e sacchi di sabbia, ma anche quando, ad esempio, i comuni devono decidere come espandere al meglio i propri sistemi di drenaggio per gestire il clima più umido del futuro. Le simulazioni tradizionali possono facilmente produrre calcoli attendibili sulla capacità dei sistemi di deviare l’acqua in diversi scenari, ma secondo Roland Löwe, richiedono un’eternità per essere completati.
“In pratica, ciò significa che ogni volta che i pianificatori devono analizzare qualcosa, devono assumere consulenti che scompaiono in una scatola per due mesi prima di poter tornare con i risultati. E questo è semplicemente troppo scomodo”, spiega.
Per abbreviare i tempi di calcolo mantenendo la precisione fisica, i ricercatori si affidano al machine learning scientifico, una branca dell’intelligenza artificiale che combina due approcci diversi.
Due approcci in uno
Uno è l’apprendimento automatico, in cui un computer capisce come analizzare una grande quantità di dati e fa previsioni senza avere una comprensione teorica dei fenomeni che sta analizzando. Il filtro antispam nella tua email o la funzione di riconoscimento facciale nel tuo telefono sono esempi di machine learning.
L’altro approccio è il calcolo scientifico, che può, ad esempio, simulare i processi fisici, che in questo caso riguarda il modo in cui l’acqua si muove attraverso un dato spazio sotto l’influenza di diversi fattori.
“Il vantaggio di combinare i due approcci è che si ottengono modelli di machine learning che hanno una comprensione integrata di come ci si aspetta che il sistema si comporti. Ciò aiuta a garantire che i modelli generino previsioni rapide che abbiano senso fisicamente e non siano dappertutto, il che può rappresentare un problema con i modelli di apprendimento automatico”, afferma Roland Löwe.
In un progetto in cui il professore, insieme alla startup WaterZerv e al professore associato della DTU Allan Peter Engsig-Karup, ha utilizzato l’apprendimento automatico scientifico per prevedere il movimento dell’acqua attraverso i sistemi di drenaggio, è riuscito a eseguire calcoli 100 volte più velocemente rispetto ai modelli tradizionali.
“Quindi, invece di esternalizzare un progetto, è possibile riunire i decisori rilevanti in una stanza per eseguire i modelli dal vivo e ottenere i risultati più o meno immediatamente. Puoi quindi sederti e provare diverse opzioni per trovare la soluzione migliore per una determinata situazione”, spiega.
Fonte: DTU
Da un’altra testata giornalistica. news de www.technology.org
