Migliorare le previsioni sulle precipitazioni nel Mediterraneo
Nel corso del XX secolo il Mediterraneo ha registrato un notevole riscaldamento, che secondo i ricercatori è dovuto a cambiamenti climatici di natura antropogenica. Tra gli impatti recenti figurano ondate di calore e fenomeni di siccità, causa di cattivi raccolti, incendi boschivi e carenze idriche che, a loro volta, hanno provocato notevoli perdite economiche. Secondo le previsioni dei modelli climatici, in questa regione si verificheranno ulteriori condizioni di riscaldamento e prosciugamento. Una migliore previsione a breve termine degli eventi meteorologici estremi nel Mediterraneo consentirebbe alle autorità di prepararsi ad affrontarli, mitigandone le ripercussioni sulla salute, l’energia e l’agricoltura. «Il problema risiede nel fatto che le previsioni in un quadro temporale di realizzazione da sub-stagionale a stagionale, con un anticipo compreso all’incirca tra i dieci giorni e una stagione, rientrano nella cosiddetta “lacuna di previsione meteo-climatica”, caratterizzata da un’efficacia non ottimale dei modelli predittivi», spiega Marlene Kretschmer, coordinatrice del progetto e ricercatrice borsista del programma di azioni Marie Skłodowska-Curie per il progetto CausalBoost, finanziato dall’UE. CausalBoost ha combinato «strumenti di causalità» con modelli operativi di previsione con un triplice scopo, ovvero individuare le fonti di prevedibilità delle condizioni meteorologiche invernali nel Mediterraneo, comprendere le modalità di interazione di tali fattori scatenanti e valutare l’efficacia con cui questi processi vengono rilevati dai modelli predittivi. I risultati del progetto sono stati pubblicati in varie riviste a libero accesso sottoposte a revisione paritaria, mentre alcuni dei codici software sono stati caricati su GitHub.
Chiarire i rapporti di causa-effetto
Una sfida fondamentale quando si cerca di migliorare le previsioni delle precipitazioni su scale temporali da sub-stagionali a stagionali è costituita dall’individuazione delle fonti di prevedibilità. Secondo quanto atteso, esse dovrebbero trovarsi nelle condizioni limite a più lenta trasformazione del sistema climatico, quali le temperature del ghiaccio marino e della superficie del mare, che sono in grado di influenzare le condizioni meteorologiche regionali e i modelli climatici a grande distanza tramite interazioni con l’atmosfera. Ciononostante, la complessità del sistema climatico rende difficile identificare i diversi fattori trainanti, quantificarne i contributi e isolare i fattori causali specifici. La comprensione dei rapporti causa-effetto è ovviamente una sfida comune in ambito scientifico. Nella climatologia, poiché solitamente non è possibile effettuare esperimenti reali, la soluzione più comune è costituita dallo svolgimento di simulazioni dei modelli climatici. Un suo limite, tuttavia, è che il risultato dipende dalla fedeltà con cui il modello climatico rappresenta il mondo reale. «La nostra idea principale era quella di combinare i punti di forza dei metodi basati sulla fisica più convenzionali con i metodi statistici innovativi fondati sull’apprendimento automatico, estraendo una maggiore quantità di informazioni a partire dai dati climatici», sottolinea Kretschmer, attiva presso l’Università di Reading, l’ateneo che ha ospitato il progetto.
L’algoritmo che districa i rapporti causali
Tra le tecniche di apprendimento automatico impiegate vi era un «algoritmo di scoperta causale», ovvero un approccio matematico che ricava i rapporti causa-effetto dai dati osservazionali. Il funzionamento prevede che gli utenti inseriscano dati relativi ai processi fisici nel corso del tempo: in tal modo, l’algoritmo «apprende» il nesso causale tra questi processi. Questo metodo è un progresso relativamente recente che offre un potente strumento per integrare gli esperimenti sui modelli climatici. Tramite l’algoritmo di apprendimento automatico, CausalBoost ha analizzato una vasta gamma di diversi insiemi di dati, tra cui dati osservazionali, dati da modelli climatici predittivi da sub-stagionale a stagionale e dati provenienti da previsioni mediante modelli climatici in vari scenari di emissioni. Ciò ha consentito di migliorare la comprensione dei fattori alla base delle precipitazioni nel Mediterraneo. Un esempio è stato il ruolo del cosiddetto vortice polare stratosferico, un sistema di intensi venti occidentali che hanno origine nelle stagioni fredde dell’emisfero boreale nella stratosfera dell’Artico. Risaputamente, le fasi forti e deboli di questo vortice influenzano le precipitazioni nel Mediterraneo. «La nostra analisi dettagliata del suo ruolo contribuisce a una migliore comprensione dei meccanismi sottostanti, che a loro volta possono fornire informazioni utili per elaborare modelli climatici d’avanguardia», spiega Kretschmer.
La promessa della post-elaborazione
CausalBoost contribuisce a spianare la strada per previsioni di ampia portata sulle previsioni nel Mediterraneo, grazie a cui i responsabili decisionali attivi nei settori influenzati dalle condizioni meteorologiche potranno consultare dati di cruciale importanza che li aiuteranno a effettuare pianificazioni più efficaci. Kretschmer intende ora combinare previsioni empiriche e basate su osservazioni con altre ottenute dai modelli predittivi dinamici basati sulla statistica bayesiana. «Se veniamo a sapere che un processo specifico non viene acquisito in modo adeguato da un modello, possiamo “correggerlo” effettuando una post-elaborazione delle previsioni mediante le tecniche di modellizzazione bayesiana, il che dovrebbe consentire di realizzare previsioni più precise», conclude Kretschmer.
Parole chiave
CausalBoost, cambiamenti climatici, precipitazioni, previsione, Mediterraneo, ondate di calore, stagione, siccità, causale, modellizzazione, previsioni
