Le ondate di calore sono ormai il volto più concreto e devastante della crisi climatica europea: campi bruciati, ospedali sotto pressione, città trasformate in fornaci. Con la moltiplicazione degli eventi catastrofici il bisogno di previsioni stagionali affidabili è diventato una priorità strategica. Ora, un nuovo studio firmato dal Cmcc – Centro Euro-Mediterraneo sui Cambiamenti Climatici e pubblicato su Nature Communications Earth & Environment segna un passo decisivo in questa direzione.
Il lavoro, dal titolo Feature selection for data-drivenseasonal forecasts of Europeanheatwaves, dimostra che l’intelligenza artificiale può essere una chiave per anticipare le estati estreme. “Il machine learning diventerà una parte fondamentale di come studiamo la variabilità climatica”, afferma McAdam, tra gli autori principali della ricerca. “Questo studio ha dimostrato l’utilità del machine learning nella previsione degli eventi estremi, ma rappresenta solo un primo passo nella definizione di come ottenere risultati interpretabili e con significato fisico”.
Quando l’IA prevede il caldo
A differenza dei modelli climatici tradizionali, che simulano in modo dinamico l’evoluzione dell’atmosfera e degli oceani ma richiedono immense risorse computazionali, l’approccio del Cmcc è data-driven: utilizza algoritmi di machine learning per individuare pattern ricorrenti nei dati storici e collegarli alle condizioni che precedono le ondate di calore.
Il cuore del metodo è un “optimisation-based feature selection framework”, un sistema capace di selezionare la combinazione ottimale di variabili atmosferiche, oceaniche e terrestri tra oltre duemila potenziali “predictors”. In pratica, l’IA impara a riconoscere quali fattori – dalle anomalie di temperatura marina alla pressione in quota, fino all’umidità del suolo – anticipano il rischio di un’ondata di calore in una determinata area d’Europa.
La ricerca rivela, per esempio, che l’umidità del suolo in Europa, i pattern di temperatura e la circolazione atmosferica sono i predittori locali più importanti, mentre segnali remoti dal Pacifico e dall’Atlantico tropicale contribuiscono alla prevedibilità delle ondate di calore europee. È un tassello fondamentale per comprendere come i sistemi climatici globali interagiscano e influenzino i fenomeni estremi sul continente.
Storicamente, le previsioni stagionali hanno mostrato scarse performance in Scandinavia e nell’Europa centro-settentrionale, regioni particolarmente difficili da modellizzare per la grande variabilità meteorologica. Il nuovo approccio del Cmcc migliora in modo significativo proprio l’abilità predittiva in queste aree, riducendo uno dei principali limiti dei modelli convenzionali.
L’IA impara dal passato per leggere il futuro
Uno degli aspetti più innovativi dello studio è l’addestramento del sistema su simulazioni paleoclimatiche che coprono un arco di quasi duemila anni, dall’anno 0 al 1850. Questo espediente ha permesso di fornire al modello un’enorme quantità di dati di “allenamento”, molto superiore rispetto ai soli dati osservativi moderni.
Oltre al salto di qualità nelle performance, lo studio introduce un altro vantaggio decisivo: la drastica riduzione dei requisiti computazionali. “La nostra ricerca ha esteso con successo le previsioni data-driven basate su ML alla scala stagionale utilizzando una frazione minima delle risorse di supercalcolo richieste dagli approcci tradizionali”, osserva McAdam. In sostanza, un sistema che prima era appannaggio dei centri di ricerca più avanzati diventa ora accessibile a una platea molto più ampia di istituzioni e ricercatori.
Dalla previsione all’adattamento
La possibilità di disporre di previsioni stagionali affidabili con mesi di anticipo apre nuove prospettive per la società e per l’economia. Se un’estate eccezionalmente calda viene annunciata già in primavera, è possibile pianificare misure di adattamento mirate: strategie agricole, gestione energetica, prevenzione sanitaria e piani di emergenza urbana.
In futuro, l’approccio potrebbe essere integrato con i sistemi dinamici tradizionali prodotti dallo stesso Cmcc, combinando la potenza interpretativa dei modelli fisici con la rapidità e la flessibilità del machine learning. Il framework sviluppato ha inoltre il potenziale per essere adattato ad altri eventi estremi, come siccità, piogge torrenziali o tempeste, aprendo la strada a una nuova generazione di previsioni climatiche ibride.
