L’aiuto di machine learning e intelligenza artificiale
Il riscaldamento globale sta provocando eventi meteorologici estremi. Per questo è diventato essenziale studiare il clima e valutare ogni rischio a esso collegato. Oggi questo è possibile grazie all’impiego di machine learning, branca dell’intelligenza artificiale.
Machine learning o apprendimento automatico consiste in una serie di algoritmi in grado di apprendere grandi quantità di dati e analizzarli.
Infatti, in futuro, i cambiamenti climatici in atto causeranno l’interazione tra diverse forme di pericolo e impatti negativi trasversali su diversi settori e sistemi naturali e antropici.
Per questo la capacità e l’affidabilità di elaborazione del machine learning fanno sì che questa tecnologia sia uno strumento prezioso per monitorare l’ambiente ed elaborare azioni di intervento.
Monitoraggio delle immagini satellitari per valutare l’impatto dei disastri ambientali a livello locale, otta alle emissioni di anidride carbonica, previsioni meteo a lungo termine per mitigare gli impatti dei disastri climatici. Questi sono solo alcuni dei campi di applicazione in cui l’intelligenza artificiale (IA) può contribuire per far fronte ai cambiamenti del clima.
Per questo gli scienziati stanno iniziando a sfruttare dette tecnologie per districare il fitto labirinto di dati e raffinare la climatologia. Il fine è elaborare previsioni più accurate che consentano alla società e alla natura di adattarsi al futuro.
In questo modo il campo della ricerca può aiutare a comprendere le diverse interazioni e dinamiche. Inoltre supporta i decisori nella gestione dei rischi attuali e futuri, grazie soprattutto a una migliore capacità di prevedere i rischi attesi e quantificarne i potenziali impatti.
Eventi meteorologici estremi: la ricerca su machine learning
Ma l’aumento di ricerche riguardo l’applicazione dei metodi di machine learning come sta incidendo sulla valutazione dei rischi indotti dai cambiamenti climatici?
Di questo tratta lo studio “Exploring machine learning potential for climate change risk assessment”, condotto dai ricercatori di Fondazione CMCC e Università Ca’ Foscari Venezia.
Il CMCC- Centro Euro-Mediterraneo sui Cambiamenti Climatici mira a promuovere la conoscenza nel campo della variabilità climatica, le sue cause e gli impatti, attraverso lo sviluppo di simulazioni di modelli dell’atmosfera, dell’oceano, della superficie e dell’idrologia sotterranea.
Questo studio conduce una revisione approfondita di oltre milleduecento articoli degli ultimi venti anni. Mette in luce le potenzialità e i limiti del machine learning per la valutazione del rischio del cambiamento climatico.
Ideare strategie per affrontare le sfide climatiche
Le più recenti politiche internazionali ed europee stanno spingendo i Paesi ad affrontare il cambiamento climatico attraverso strategie sia di mitigazione sia di adattamento.
In questo modo si cerca di affrontare le sfide climatiche. Si aiutano i cittadini, le comunità e le regioni a comprendere, prepararsi e gestire i rischi legati al clima.
Tuttavia la molteplicità di agenti e fattori di stress, la complessità delle interrelazioni e l’alto grado di incertezza coinvolti rendono difficile la valutazione degli impatti del cambiamento climatico.
Ma la disponibilità di questi “big data”, nozioni ad alto volume e velocità e di grande varietà, ha ispirato la comunità di ricerca a testare nuovi approcci e strumenti metodologici. Tra queste l’applicazione di tecniche di machine learning.
«Più dati ci sono, migliori diventano gli strumenti – sostiene il dottor Peter Düben, ricercatore presso l’ECMWF (European Centre for Medium-Range Weather Forecasts) -. Con l’aumentare della quantità di dati disponibili, gli strumenti di machine learning migliorano e possono quindi diventare sempre più utili per gli scienziati del settore».
Prevedere eventi meteorologici estremi e valutare il rischio
Queste tecnologie permettono di compiere diverse analisi su una vasta gamma di complesse problematiche ambientali:
- previsione e modellazione di eventi meteorologici, come inondazioni, frane e siccità;
- caratterizzazione delle fonti di pericolo;
- rilevamento di risorse potenzialmente esposte e caratterizzazione della loro vulnerabilità;
- integrazione di conoscenze quantitative e qualitative per la valutazione di scenari di rischio.
In particolare, dallo studio emergono due grandi potenzialità del machine learning in questo settore.
La prima è che questi algoritmi riescono a imparare dai dati. Grazie alla capacità di analizzare ed elaborare grandi quantità di dati, il machine learning permette di indagare le relazioni complesse insite nei sistemi socio-ecologici.
Mentre la seconda riguarda la capacità di combinare dati di diverso tipo, riuscendo a valutare l’entità di un rischio, tenendo conto di tutte le variabili. Perciò non valuta solo il pericolo che lo innesca, come può essere un aumento delle precipitazioni, ma anche la vulnerabilità e l’esposizione del sistema socio-economico su cui il pericolo si abbatte. Quest’ultimi sono fattori determinanti per prevedere e quantificare gli impatti.
L’importanza di sviluppare modelli di machine learning
Tuttavia, nonostante i vantaggi, sono ancora ridotti gli studi che utilizzano questi modelli elaborando scenari di rischio futuri nel lungo periodo. Inoltre, le attuali valutazioni del rischio sottostimano la componente dinamica, l’esposizione spazio-temporale e i cambiamenti di vulnerabilità.
Perciò, secondo lo studio, il prossimo passo dovrà essere quello di sviluppare modelli di machine learning che siano sempre più capaci di studiare e districare le complesse interrelazioni spazio-temporali tra diverse variabili climatiche, ambientali e socio-economiche.
«In vista della crescente abbondanza dei dati a disposizione e della complessità dei modelli di machine learning, il mondo della ricerca avrà la possibilità (e il dovere) di migliorare la comprensione dei rischi legati ai cambiamenti climatici– spiega Elisa Furlan, ricercatrice alla Fondazione CMCC e all’Università Ca’ Foscari Venezia -. L’obiettivo principale sarà quello di fornire scenari multi rischio accurati e affidabili, che siano in grado di guidare una solida pianificazione dell’adattamento e la gestione e riduzione del rischio di catastrofi».
Esempi di IA: valutare eventi meteorologici estremi
Nel panorama contemporaneo sono molti gli esempi di applicazione dell’intelligenza artificiale e delle tecnologie di machine learning nel settore ambientale.
La multinazionale americana IBM e la ONG indiana Sustainable Environment and Ecological Development Society (SEEDS) hanno sviluppato “Sunny Lives”. Questo è un modello alimentato dall’intelligenza artificiale che valuta l’impatto dei disastri naturali, utilizzando immagini satellitari per valutare i rischi di pericolo a livello locale.
Sempre l’IBM ha presentato una suite di software che utilizza l’intelligenza artificiale per aiutare le organizzazioni a prepararsi a rispondere ai rischi climatici. Attraverso questa tecnologia sarà possibile, per le imprese, valutare più facilmente il proprio impatto sul pianeta.
Inoltre il Climate Change Service e il CAMS (Copernicus Atmosphere Monitoring Service) stanno testando l’utilizzo dell’IA per individuare le variazioni della copertura arborea e del suolo, raffinando le previsioni della qualità dell’aria nelle città. Allo stesso modo l’University of Washington vuole usare queste tecnologie per tracciare e prevedere le ondate di calore marine.
Invece tecnologie di machine learning sono gli strumenti utilizzati dagli esperti del British Antarctic Survey (BAS), al Turing Institute, per localizzare, tracciare e monitorare la frammentazione degli iceberg nel Mare di Amundsen, al largo delle coste occidentali dell’Antartide.
Infine anche l’agricoltura sta raccogliendo i frutti dell’intelligenza artificiale. La piattaforma cloud “FarmBeats” di Microsoft Azure ha lo scopo di riunire i dati provenienti da sensori, telecamere e droni per costruire modelli di machine learning per monitorare le colture e incrementare la resilienza degli agricoltori al cambiamento climatico.
