Un modello di machine learning addestrato su oltre 7 milioni di misurazioni ha ricostruito lo spessore dei ghiacciai terrestri su scala globale, stimando circa 149mila chilometri cubi di ghiaccio. Si chiama IceBoost v2.0 e nasce da una ricerca internazionale che vede tra i protagonisti l’Università Ca’ Foscari Venezia. Il nuovo dataset permette di migliorare la conoscenza delle riserve d’acqua dolce e le proiezioni sull’innalzamento dei mari, mostrando contemporaneamente una delle applicazioni più concrete dell’Intelligenza Artificiale alla ricerca climatica.
L’Intelligenza Artificiale può servire anche a capire quanto ghiaccio rimane sul pianeta.
È l’obiettivo di IceBoost v2.0, un nuovo modello di machine learning sviluppato da un gruppo internazionale di ricercatori guidato da Niccolò Maffezzoli dell’Università Ca’ Foscari Venezia.
Lo studio, pubblicato sulla rivista scientifica Scientific Data del gruppo Nature, affronta uno dei problemi fondamentali della glaciologia: conoscere non soltanto l’estensione superficiale dei ghiacciai, relativamente facile da osservare attraverso i satelliti, ma anche il loro spessore.
Una variabile molto più difficile da misurare e decisiva per calcolare il volume complessivo del ghiaccio presente sulla Terra.
Oltre 7 milioni di misurazioni per addestrare l’algoritmo
La scala del progetto è significativa.
IceBoost v2.0 è stato addestrato utilizzando oltre 7 milioni di misurazioni dello spessore del ghiaccio, provenienti da osservazioni effettuate su 1.661 ghiacciai distribuiti nel mondo.
A questi dati sono state associate informazioni fisiche e geometriche come topografia, pendenza, velocità del ghiaccio e caratteristiche della superficie.
Il sistema utilizza due modelli basati su gradient-boosted decision trees, una tecnica di machine learning che permette di individuare relazioni complesse tra grandi quantità di variabili.
Una volta addestrato, il modello è stato applicato ai ghiacciai censiti nelle due versioni più recenti del Randolph Glacier Inventory, il principale inventario globale utilizzato dalla comunità scientifica.
Nella versione più aggiornata, RGI 7.0, vengono considerati 274.531 ghiacciai.
Sulla Terra circa 149mila chilometri cubi di ghiaccio
Il risultato principale riguarda il volume complessivo.
Secondo IceBoost v2.0, i ghiacciai contenuti nel database RGI 7.0 conservano circa 149mila chilometri cubi di ghiaccio, con un margine di incertezza di ±38mila km³.
Il risultato è sostanzialmente coerente con le precedenti stime scientifiche.
Ma il valore del progetto non risiede soltanto nella nuova quantificazione globale.
IceBoost produce infatti mappe dello spessore distribuito dei singoli ghiacciai, permettendo di ricostruire anche la geometria del terreno nascosto sotto il ghiaccio.
Una conoscenza fondamentale per capire come un ghiacciaio potrebbe evolvere nei prossimi decenni.
Se tutto quel ghiaccio fondesse: 32 centimetri di oceano
La stima ha anche una traduzione immediata sul possibile innalzamento del livello del mare.
Il volume calcolato corrisponde a un sea-level equivalent di circa 323 millimetri, con un’incertezza di ±91 millimetri.
In altri termini, la quantità di ghiaccio contenuta nei ghiacciai considerati dal modello equivale teoricamente a circa 32 centimetri di innalzamento medio globale degli oceani.
Non significa naturalmente che questo aumento avverrà automaticamente o in tempi brevi.
Il dato misura il potenziale equivalente del ghiaccio attualmente immagazzinato e costituisce uno degli input necessari per costruire modelli climatici e scenari futuri più affidabili.
Nell’Artico l’errore scende fino al 45%
Uno degli aspetti più interessanti riguarda le prestazioni del modello.
Rispetto ad altre metodologie utilizzate per stimare lo spessore dei ghiacciai, IceBoost v2.0 riduce l’errore tra il 20% e il 45% nelle regioni dell’Alto Artico.
È proprio alle alte latitudini che il sistema raggiunge le prestazioni migliori, grazie alla maggiore quantità di dati disponibili per l’addestramento.
Il quadro cambia invece nelle regioni montuose, nei ghiacciai più piccoli e nelle aree a basse latitudini dove le osservazioni dirette sono meno numerose.
Gli stessi ricercatori sottolineano quindi un punto importante: l’AI non elimina il bisogno di dati scientifici di qualità.
Al contrario, ne aumenta il valore.
In Groenlandia IceBoost trova quasi il doppio del ghiaccio
Un caso particolarmente significativo emerge dal Geikie Plateau, nella Groenlandia orientale.
Applicando IceBoost a quest’area, i ricercatori hanno stimato una quantità di ghiaccio quasi doppia rispetto a quanto riportato precedentemente.
Il risultato non significa necessariamente che tutte le precedenti valutazioni fossero errate.
Dimostra però quanto una migliore ricostruzione della topografia nascosta sotto il ghiaccio possa modificare la conoscenza delle singole regioni glaciali.
Ed evidenzia una possibile applicazione futura del modello anche lungo i margini delle grandi calotte glaciali.
Dalle mappe dei ghiacciai alla gestione dell’acqua
Conoscere il volume di un ghiacciaio non è importante soltanto per prevedere l’innalzamento del mare.
I ghiacciai costituiscono riserve strategiche di acqua dolce per numerosi territori.
Sapere quanto ghiaccio rimane permette di costruire scenari più accurati sulla disponibilità futura di acqua e sulla portata dei bacini alimentati dallo scioglimento glaciale.
Il dataset prodotto da IceBoost potrà essere utilizzato per:
modellare l’evoluzione futura dei ghiacciai;
migliorare le proiezioni sull’innalzamento del livello del mare;
studiare la disponibilità futura di risorse idriche;
programmare campagne di rilevazione scientifica;
individuare le aree dove le misurazioni sono ancora insufficienti;
supportare politiche di gestione dell’acqua e adattamento climatico.
Il progetto diventa così interessante anche fuori dalla comunità glaciologica.
Un’AI nata anche a Venezia per un problema globale
Per il Veneto c’è un ulteriore elemento significativo.
Il primo autore dello studio, Niccolò Maffezzoli, afferisce al Dipartimento di Scienze Ambientali, Informatica e Statistica di Ca’ Foscari Venezia e all’Istituto di Scienze Polari del CNR.
Tra gli autori figura anche Sebastiano Vascon, ricercatore di Ca’ Foscari.
Il progetto mette insieme quindi due competenze apparentemente molto distanti: scienze climatiche e informatica.
Ed è forse proprio questo l’aspetto più interessante dal punto di vista dell’innovazione.
IceBoost non utilizza l’AI come prodotto finale.
La utilizza come infrastruttura scientifica per trasformare milioni di osservazioni incomplete in una nuova base dati globale.
L’Intelligenza Artificiale non sostituisce i ricercatori. Moltiplica i dati che possono utilizzare
Il progetto permette anche di ridimensionare una narrazione ormai dominante sull’Intelligenza Artificiale.
L’AI non significa soltanto chatbot, immagini, testi o automazione delle attività d’ufficio.
Esiste un mercato molto più ampio di applicazioni in cui il machine learning viene utilizzato per interpretare fenomeni fisici complessi.
Clima, agricoltura, energia, medicina, nuovi materiali, manifattura e osservazione della Terra rappresentano alcuni dei campi nei quali l’integrazione tra dati scientifici e algoritmi può generare innovazione.
IceBoost mostra contemporaneamente anche il limite di questo approccio.
Il modello è tanto efficace quanto sono buoni i dati utilizzati per addestrarlo.
Dove esistono molte misurazioni, come nell’Alto Artico, l’accuratezza aumenta.
Dove i dati sono scarsi, l’incertezza rimane maggiore.
L’AI, quindi, non rende inutile la ricerca sul campo.
Rende ancora più preziosi i dati prodotti dalla ricerca sul campo.
Ed è probabilmente questa una delle applicazioni dell’Intelligenza Artificiale che vedremo crescere maggiormente nei prossimi anni: non sostituire la scienza, ma permetterle di osservare fenomeni che fino a ieri erano troppo grandi, complessi o costosi da misurare su scala globale.
