Prevedere gli eventi climatici dell'Atlantico con mesi di anticipo

E se fosse possibile prevedere gli eventi climatici estremi dell’Atlantico con mesi di anticipo? Un nuovo studio, guidato dalla ricercatrice del CMCC Marie-Lou Bachèlery, sfrutta e potenzialità dell’intelligenza artificiale (IA) per prevedere gli eventi del Niño atlantico e del Benguela con mesi di anticipo, offrendo un’opportunità senza precedenti per salvaguardare gli ecosistemi marini e le economie locali. Questa apre la strada verso future applicazioni su altri fenomeni difficili da prevedere in tutto il mondo, rivoluzionando la scoperta dei sistemi di allerta precoce a beneficio delle comunità di tutto il pianeta.

Risultati principali: migliori modelli per una maggiore resilienza

Gli eventi del Niño Atlantico/Benguela hanno un impatto significativo sulla regione dell’Atlantico tropicale, con conseguenze di vasta portata sugli ecosistemi marini locali, sui climi africani e sull’Oscillazione Meridionale El Niño.
I sistemi di previsione dinamica devono affrontare sfide significative quando cercano di prevedere gli eventi climatici dell’Atlantico tropicale.
Utilizzando il deep learning, uno studio guidato dal CMCC ha previsto i Niño atlantici/Benguela con un anticipo di 3-4 mesi, dimostrando il potenziale dell’intelligenza artificiale nel migliorare la comprensione e la previsione di eventi climatici critici.
Lo studio ha previsto con precisione i forti eventi di Niño Atlantico/Benguela del 2021 con quattro mesi di anticipo rispetto alla loro manifestazione. I sistemi tradizionali non li avevano rilevati.
Questo lavoro rappresenta un primo promettente passo per l’applicazione dell’intelligenza artificiale (IA) a fenomeni climatici difficili da prevedere e ad altre variabili importanti come i livelli di ossigeno e la produttività della pesca.

L’Atlantico tropicale ospita alcuni degli ecosistemi marini più ricchi al mondo, tra cui il sistema di risalita Angola-Benguela lungo la costa occidentale dell’Africa. Questa particolare regione, caratterizzata da intense dinamiche di risalita, supporta un ecosistema marino diversificato e sostiene i mezzi di sussistenza delle comunità di pescatori locali, con impatti anche su nazioni lontane. Tuttavia, questi ecosistemi si trovano a dover affrontare sfide crescenti a causa di estremi climatici come gli eventi di Atlantic Niño e Benguela Niño – anomalie di riscaldamento o raffreddamento delle acque oceaniche che alterano i modelli di precipitazione, la vita marina e la produttività della pesca.

Le dichiarazioni

“La sola pesca intensiva non può spiegare le fluttuazioni che si stanno manifestando negli stock ittici. Anche gli estremi climatici stanno giocando un ruolo cruciale. La loro previsione è quindi diventata una sfida scientifica cruciale”, afferma il ricercatore del CMCC Marie-Lou Bachèlery, autore principale dello studio Predicting Atlantic and Benguela Niño Events with Deep Learning, pubblicato su Science Advances.

Per le regioni che dipendono dall’oceano, un sistema di allerta precoce per questi eventi potrebbe fare una grande differenza, rivoluzionando la gestione degli ecosistemi marini e garantendo la sostenibilità a lungo termine delle loro risorse. Per affrontare questa sfida, lo studio esplora il potenziale di tecniche innovative come l’IA e gli algoritmi di deep learning.

Questo uso innovativo dell’IA segna un passo significativo verso le previsioni più accurate e affidabili, mettendo in discussione la convinzione di lunga data sull’imprevedibilità degli eventi climatici nell’Atlantico tropicale e getta le basi per l’applicazione di queste metodologie in altre applicazioni.

Il team ha sviluppato una rete neurale convoluzionale (CNN), un tipo di algoritmo di deep learning addestrato su 90 anni di dati storici della temperatura dell’oceano. Il modello ha dimostrato un’accuratezza straordinaria, prevedendo questi eventi estremi con un anticipo di 3-4 mesi – fino a 5 mesi per le manifestazioni di picco. Questo livello di preavviso supera i modelli climatici tradizionali, i quali spesso fanno fatica a catturare le interazioni complesse tra oceano e atmosfera nell’Atlantico tropicale.

“Il nostro modello di deep learning ha identificato segnali precursori sottili che portano a questi eventi di riscaldamento, come onde oceaniche a movimento lento”, spiega Bachèlery. “Apprendendo direttamente dai dati, l’IA ha evitato alcuni degli errori, tra cui i pregiudizi e le interazioni mancanti, che si trovano nei modelli climatici globali”.

Uno dei risultati più significativi è stata la previsione accurata degli eventi estremi di Atlantic Niño e Benguela Niño del 2021 – con 4 mesi di anticipo – mentre i modelli tradizionali li hanno mancati interamente. “Questa è un’innovazione importante: abbiamo introdotto l’IA nella scienza del clima in un modo che non solo migliora le previsioni, ma offre anche una nuova prospettiva per comprendere gli eventi estremi. È un modello che in futuro potrebbe anche essere applicato ad altri fenomeni climatici di difficile previsione”, afferma Bachèlery.

Uno dei prossimi passi sarà lo sviluppo di una piattaforma web per condividere le previsioni, in modo che pescatori, gestori delle risorse marine e pianificatori costieri possano accedere a un sistema di allerta precoce. “È fondamentale che le nostre previsioni siano allineate con le esigenze di chi dipende dagli ecosistemi marini”, sottolinea Bachèlery. “Coinvolgendo gli attori locali e adattando le informazioni alle loro necessità, speriamo che queste previsioni migliorino i processi decisionali e aiutino le comunità a prepararsi agli impatti degli Atlantic e Benguela Niño. Vedere la nostra ricerca passare dal mondo accademico a uno strumento utile per la società è incredibilmente gratificante”.

Al CMCC, Bachèlery sta lavorando all’ampliamento dello studio – condotto durante una borsa di ricerca Marie Curie all’Università di Bergen in Norvegia, in collaborazione con NERSC, l’Università di Cambridge e LEGOS in Francia – migliorando ulteriormente il modello e applicandolo alla previsione di altre variabili importanti, come i livelli di ossigeno e la produttività della pesca.