Machine learning: gli Earth System Models (ESM) rappresentano lo strumento principale per comprendere il sistema climatico e prevedere i cambiamenti futuri. Tuttavia, anche i modelli più avanzati presentano ancora un significativo grado di incertezza. Un nuovo studio guidato dal CMCC (Centro Euro-Mediterraneo sui Cambiamenti Climatici) propone un approccio innovativo basato sul machine learning che consente di ridurre queste incertezze fino al 54%, migliorando così la precisione e l’affidabilità delle proiezioni climatiche a lungo termine.
Machine learning: anno record e soglia critica superata
Secondo l’ultimo rapporto del Copernicus Climate Change Service, il 2024 è stato l’anno più caldo mai registrato dal 1850. Per la prima volta, la temperatura media globale ha superato di 1,5°C i livelli preindustriali, infrangendo la soglia stabilita dall’Accordo di Parigi per contenere gli effetti più gravi del riscaldamento globale.
Un nuovo standard per le proiezioni climatiche
Lo studio, condotto in collaborazione con la Columbia University, l’Università della California Irvine e il centro spaziale tedesco DLR, introduce l’uso del Transfer Learning per allineare i modelli climatici complessi alle osservazioni del mondo reale. Questa tecnica permette di sfruttare reti neurali profonde pre-addestrate per trasferire conoscenze da compiti ricchi di dati ad altri più specifici, migliorando notevolmente la capacità predittiva dei modelli anche in presenza di dati limitati.
Risultati concreti
- Riduzione dell’incertezza nella temperatura dell’aria tra il 47% e il 54% rispetto alle stime IPCC e ad altri approcci avanzati.
- Miglioramento significativo delle proiezioni per diversi scenari futuri (SSP 2-4.5, 3-7.0, 5-8.5).
- Maggiore affidabilità delle mappe di temperatura per il periodo 2081–2098.
Implicazioni per le politiche climatiche
La riduzione dell’incertezza migliora la capacità di prendere decisioni strategiche, fornendo indicazioni più solide a governi e istituzioni per la definizione di politiche di mitigazione e adattamento.
Machine learning: un passo avanti nella modellazione climatica
Questo lavoro dimostra il potenziale del machine learning nel colmare il divario tra simulazioni e realtà osservata, segnando un avanzamento fondamentale nella comprensione e gestione dei rischi climatici. Secondo gli autori, si tratta di un punto di svolta nel modo in cui l’intelligenza artificiale può supportare la scienza del clima, offrendo nuove possibilità per affrontare le sfide poste dal cambiamento climatico.
Leggi lo studio
F. Immorlano, V. Eyring, T. le Monnier de Gouville, G. Accarino, D. Elia, S. Mandt, G. Aloisio, P. Gentine, Transferring climate change physical knowledge, Proc. Natl. Acad. Sci. U.S.A. 122 (15) e2413503122 (2025). https://doi.org/10.1073/pnas.2413503122
Gabriele Accarino e Francesco Immorlano sono attualmente ricercatori post-doc presso Learning the Earth with Artificial Intelligence & Physics (LEAP).
(Fonte: CMCC)
