Con l’aumento degli eventi meteorologici estremi, che stanno diventando sempre più frequenti nel nostro clima di riscaldamento, previsioni accurate stanno diventando più critiche per tutti noi, dagli agricoltori agli abitanti delle città alle imprese di tutto il mondo. Ad oggi, i modelli climatici non sono riusciti a prevedere con precisione l’intensità delle precipitazioni, in particolare quelle estreme. Mentre in natura le precipitazioni possono essere molto varie, con molti estremi di precipitazione, i modelli climatici prevedono una variazione minore delle precipitazioni con una tendenza alla pioggia leggera.
Pezzo mancante negli algoritmi attuali: organizzazione cloud
I ricercatori hanno lavorato per sviluppare algoritmi che miglioreranno l’accuratezza delle previsioni ma, come riferiscono gli scienziati del clima della Columbia Engineering, mancava un pezzo di informazione nelle tradizionali parametrizzazioni dei modelli climatici: un modo per descrivere la struttura e l’organizzazione delle nuvole che è così fine non viene catturato sulla griglia computazionale in uso. Queste misurazioni dell’organizzazione influenzano le previsioni sia dell’intensità delle precipitazioni che della sua stocasticità, la variabilità delle fluttuazioni casuali dell’intensità delle precipitazioni. Finora non esisteva un modo efficace e accurato per misurare la struttura del cloud e quantificarne l’impatto.
Un nuovo studio di un team guidato da Pierre Gentine, direttore del Centro Learning the Earth with Artificial Intelligence and Physics (LEAP), ha utilizzato simulazioni globali di risoluzione delle tempeste e apprendimento automatico per creare un algoritmo in grado di gestire separatamente due diverse scale di cloud organizzazione: quelli risolti da un modello climatico, e quelli che non possono essere risolti perché troppo piccoli. Questo nuovo approccio affronta l’informazione mancante nelle parametrizzazioni dei modelli climatici tradizionali e fornisce un modo per prevedere l’intensità e la variabilità delle precipitazioni in modo più preciso.
“Le nostre scoperte sono particolarmente entusiasmanti perché, per molti anni, la comunità scientifica ha discusso se includere l’organizzazione delle nuvole nei modelli climatici”, hanno affermato Gentine, Maurice Ewing e J. Lamar Worzel, professore di geofisica presso i dipartimenti di ingegneria della terra e dell’ambiente e della terra. Scienze Ambientali e membro del Data Science Institute. “Il nostro lavoro fornisce una risposta al dibattito e una nuova soluzione per includere l’organizzazione, dimostrando che l’inclusione di queste informazioni può migliorare significativamente la nostra previsione dell’intensità e della variabilità delle precipitazioni”.
Utilizzo dell’intelligenza artificiale per progettare algoritmi di reti neurali
Sarah Shamekh, una studentessa di dottorato che lavora con Gentine, ha sviluppato un algoritmo di rete neurale che apprende le informazioni rilevanti sul ruolo dell’organizzazione delle nuvole su scala fine (scale non risolte) sulle precipitazioni. Poiché Shamekh non ha definito in anticipo una metrica o una formula, il modello impara implicitamente – da solo – come misurare il raggruppamento delle nuvole, una metrica di organizzazione, e quindi utilizza questa metrica per migliorare la previsione delle precipitazioni. Shamekh ha addestrato l’algoritmo su un campo di umidità ad alta risoluzione, codificando il grado di organizzazione su piccola scala.
“Abbiamo scoperto che la nostra metrica organizzativa spiega quasi interamente la variabilità delle precipitazioni e potrebbe sostituire una parametrizzazione stocastica nei modelli climatici”, ha affermato Shamekh, autore principale dello studio, pubblicato l’8 maggio 2023 da PNAS. “L’inclusione di queste informazioni ha migliorato significativamente la previsione delle precipitazioni su scala rilevante per i modelli climatici, prevedendo con precisione gli estremi delle precipitazioni e la variabilità spaziale”.
L’algoritmo di apprendimento automatico migliorerà le proiezioni future
I ricercatori stanno ora utilizzando il loro approccio di apprendimento automatico, che apprende implicitamente la metrica dell’organizzazione del cloud sub-griglia, nei modelli climatici. Ciò dovrebbe migliorare in modo significativo la previsione dell’intensità e della variabilità delle precipitazioni, compresi gli eventi di precipitazioni estreme, e consentire agli scienziati di prevedere meglio i cambiamenti futuri nel ciclo dell’acqua e i modelli meteorologici estremi in un clima di riscaldamento.
Lavoro futuro
Questa ricerca apre anche nuove strade di indagine, come l’esplorazione della possibilità che le precipitazioni creino memoria, in cui l’atmosfera conserva informazioni sulle condizioni meteorologiche recenti, che a loro volta influenzano le condizioni atmosferiche in seguito, nel sistema climatico. Questo nuovo approccio potrebbe avere applicazioni ad ampio raggio oltre la semplice modellazione delle precipitazioni, inclusa una migliore modellazione della calotta glaciale e della superficie oceanica.
Da un’altra testata giornalistica. news de www.sciencedaily.com
