|
Articolo pubblicato il 17-11-2005
Autore: Antonello Pasini
CNR - Istituto sull'Inquinamento Atmosferico, Roma
Numero 22 - Anno 2
17 Novembre 2005
|
|
 Intelligenza artificiale per lo studio del clima
Il tema dei cambiamenti climatici è particolarmente scottante e si trova attualmente al centro di un ampio dibattito, non solo scientifico. In particolare, i modelli di simulazione del clima sono spesso accusati di non ricostruire adeguatamente la complessità del sistema in esame.
In questo contesto, all'Istituto sull'Inquinamento Atmosferico del CNR (IIA-CNR) di Roma è stato creato un modello a rete neurale, che simula semplici funzionalità del cervello umano, in grado di ricostruire la temperatura dell'aria a varie scale a partire dai dati dei fattori che "forzano" dall'esterno il sistema clima, siano essi naturali o di origine umana, valutandone anche la rispettiva influenza sull'andamento termico riscontrato negli ultimi 140 anni.
Figura 1. Cellula neuronale
I modelli di simulazione del clima
Fino a pochi decenni fa lo studio dell'atmosfera e del clima è stato di stampo puramente osservativo. La meteorologia e la climatologia erano caratterizzate da una grande difficoltà nel comprendere teoricamente (e nel predire) il comportamento dei sistemi allo studio.
Il difficile non era tanto il comprendere e formalizzare i processi di base che avvengono in atmosfera o nel più vasto sistema Terra: ad esempio, si conoscevano già le leggi termodinamiche che regolano quel particolare miscuglio di gas e acqua che forma l'atmosfera, si sapeva trattare l'aria come un fluido e applicarle le relative leggi (anche se l'equazione fondamentale della fluidodinamica, l'equazione di Navier-Stokes, non è in generale risolvibile analiticamente), era noto l'effetto dell'interazione della radiazione infrarossa terrestre su alcuni gas come l'anidride carbonica. Tutte queste conoscenze sono state il frutto dello studio separato di singoli fenomeni e processi in condizioni semplificate di laboratorio, mediante l'applicazione del metodo sperimentale galileiano.
La vera difficoltà si incontrava qualora si volesse ricostruire il comportamento del sistema reale a grande scala, dove tutti questi elementi che si possono studiare in laboratorio vanno ad interagire in maniera complessa e difficilmente quantificabile a priori. Tale comportamento non è ovviamente ricostruibile in laboratorio.
Oggi questa attività di ricomposizione dei singoli processi e fenomeni di base di cui si ha una conoscenza teorica si attua non in un laboratorio reale, bensì in un "laboratorio virtuale": il computer. In un calcolatore, infatti, si può far "correre" un modello matematico che simuli il comportamento del sistema climatico. Qui si parte proprio dai singoli "pezzi" di realtà studiati separatamente in un laboratorio reale, facendoli ora interagire l'uno con l'altro. Così, si considerano i "pezzi" di teoria che li descrivono in termini di equazioni e li si compone in uno o più sistemi di equazioni interagenti. Inoltre, le variabili di queste equazioni hanno proprio un corrispettivo in grandezze fisiche nel sistema reale. Pertanto, una volta risolti numericamente questi sistemi di equazioni al passare del tempo, si è giunti ad effettuare una "simulazione" del sistema reale, ottenendo informazioni sull'evoluzione di tutte le variabili importanti dal punto di vista climatico (ad esempio temperatura e precipitazioni).
Questi modelli simulativi del clima sono ovviamente validati sulla ricostruzione del clima passato e poi applicati a proiezioni relative al clima futuro, sotto la spinta di scenari effettivamente osservati nel passato o previsti per il futuro per gli elementi che "forzano" il clima dall'esterno, come ad esempio i valori della radiazione solare, delle eruzioni vulcaniche, delle emissioni di origine umana relative ai cosiddetti "gas ad effetto serra" come l'anidride carbonica o relative ad altri inquinanti.
Buona parte del dibattito attuale intorno al tema dei cambiamenti climatici si basa sui risultati di questi modelli, in particolare per la parte relativa all'attribuzione delle cause che hanno contribuito a creare il clima osservato nel passato e, ovviamente, per quanto concerne gli scenari climatici che essi ipotizzano per il futuro.
Figura 2. Semplicissima rete feed-forward con 3 input e 1 output
I limiti dei modelli simulativi e l'esplorazione di un approccio diverso
Per ovvi motivi di spazio, non possiamo qui trattare dei modelli simulativi di clima in maniera più completa: si veda, a questo proposito [1], dove viene presentata un'introduzione a tali modelli che evidenzia anche la loro importanza concettuale e metodologica, oltre che pratica.
Nonostante ciò, si sarà capito come questi modelli siano estremamente articolati nella loro struttura. Innanzi tutto, nella modellizzazione bisogna tener presente che tanti fenomeni e processi diversi concorrono alla realizzazione del clima; inoltre, questi avvengono all'interno di diversi sottosistemi del sistema Terra (atmosfera, oceani, ghiacci, biosfera, ecc.) o alla loro interfaccia; infine, la dinamica che si va a considerare è effettivamente complessa. Ciò significa, in particolare, che non esiste più una netta distinzione tra cause ed effetti, bensì che esistono catene circolari causa-effetto dove l'ultimo effetto della catena va a retroagire sulla causa prima che aveva originato la catena stessa. Si parla allora di feedback.
In questa situazione, il modellista da un lato deve necessariamente effettuare una scelta degli elementi che ritiene fondamentali per la ricostruzione del clima, dall'altro lato deve stabilire il corretto bilanciamento tra le varie rappresentazioni teoriche (ad esempio di fenomeni che si influenzano a vicenda, con feedback). Frequentemente è necessario arrivare a questo bilanciamento attraverso l'aggiustamento in qualche modo "artigianale" di alcuni parametri del modello (fine tuning), bilanciamento che risulta molto delicato in questo sistema non lineare.
Risulta quindi estremamente difficile giungere ad una ricomposizione univoca del sistema clima a partire dagli elementi che si ritengono fondamentali. Ciò, ovviamente, alimenta critiche che possono indebolire notevolmente la valenza dei risultati dei modelli qui discussi.
In questo quadro, anziché seguire l'iter scomposizione-ricomposizione descritto in precedenza, forse vale la pena dare uno sguardo d'insieme al sistema ed eseguire un'analisi complessiva del suo comportamento visto come il risultato che si ottiene dopo tutte le interazioni e i feedback tra i vari sottosistemi che lo compongono. In tal modo, ad esempio, si possono cercare relazioni tra diverse variabili macroscopiche che forniscano lumi sul comportamento del clima.
Ebbene, una metodica che consente di fare tutto ciò è la modellistica basata su reti neurali artificiali.
Senza entrare minimamente in dettagli tecnici (si può consultare [2] per un testo in italiano), si può comunque dire che tale metodica si discosta dai metodi di intelligenza artificiale classica, in quanto non consiste in programmi di calcolo che si basano su regole e linguaggio simbolico. In realtà le reti neurali artificiali sono sistemi (costruiti via hardware o simulati via software) che, pur rappresentando una "brutta copia" del cervello di un semplicissimo animale (Figura 1), "apprendono" dall'analisi dei dati di un sistema nello stesso modo in cui il cervello umano apprende dall'osservazione dell'ambiente circostante. Di fatto, il meccanismo di apprendimento è molto simile: neuroni artificiali (singole unità di calcolo) sono interconnessi tramite sinapsi artificiali che si rafforzano o si indeboliscono nel corso del processo di analisi, "plasmando" così questo piccolo cervello.
Alcuni tra i modelli più semplici di reti neurali artificiali (le reti cosiddette feed-forward, vedi Figura 2), alla fine di un certo numero di cicli di visione e analisi di dati relativi ad un sistema (addestramento), riescono a stabilire relazioni di influenza tra alcune variabili di input e una o più variabili di output. Se la fase di addestramento è svolta correttamente, queste relazioni risultano valide non solo per i dati analizzati dalla rete durante questa fase, ma anche per gli altri dati (delle stesse variabili) non noti alla rete ma appartenenti allo stesso sistema. In tal modo si ottengono dalla rete relazioni (o, se vogliamo, leggi) generali sul comportamento del sistema stesso.
Nell'approccio allo studio di un sistema mediante reti neurali artificiali abbiamo quindi adottato un punto di vista diverso da quello di scomposizione-ricomposizione del reale, tipico dei modelli simulativi. In particolare, non abbiamo fatto uso di semplificazioni e ipotesi fisiche come quelle inserite in quei modelli.
Ebbene, nella scienza dei sistemi complessi una strategia che si sta rivelando vincente è quella di analizzarli quando possibile a partire da approcci diversi, approcci intesi non come alternativi, ma come complementari. Talvolta, addirittura, tali approcci possono interagire più fattivamente: posso citare l'esempio di uno studio sulla previsione delle caratteristiche della bassa atmosfera in cui, dopo aver applicato la nostra conoscenza teorica, si è lasciata l'analisi di ciò che rimaneva non spiegato ad un modello a rete neurale, che è riuscito a scoprirvi una dinamica nascosta [3].
I risultati di una ricerca recente
Dopo aver verificato in alcune ricerche precedenti come un modello a rete neurale sia in grado di stabilire legami e leggi fisiche in sistemi complessi come quelli ambientali, l'obiettivo del gruppo che opera al CNR-IIA è stato allora quello di applicare tale modello alla ricostruzione del clima passato.
Nel far ciò, almeno in questo primo stadio di sviluppo della ricerca, si è scelto di non applicare per nulla la nostra conoscenza teorica del sistema clima, dunque anche di non effettuare semplificazioni e ipotesi fisiche come quelle inserite nei classici modelli di simulazione del clima. I risultati ottenuti dai miei colleghi e da me risultano quindi particolarmente interessanti in quanto ottenuti in maniera indipendente da queste scelte.
La nostra è stata una tipica analisi di influenza delle forzanti esterne al sistema (sia naturali che antropogeniche) sull'andamento della temperatura negli ultimi 140 anni, sia a carattere globale che a scala nazionale. Lo scopo era quello di vedere se è possibile, nella storia recente, ricostruire l'andamento di questa variabile fondamentale per il clima del pianeta ed, eventualmente, "attribuirne" l'andamento stesso ad alcune concause più che ad altre.
Rimandando al riferimento [4] per un'analisi più dettagliata dei risultati, in sintesi si può dire che abbiamo trovato come i fattori principali che guidano l'andamento della temperatura media annuale a livello globale negli ultimi 140 anni siano ascrivibili soprattutto alle attività umane, cui si aggiunge un contributo sostanziale del fenomeno naturale di El Niño per quanto riguarda la variabilità climatica che si riscontra da un anno a quello immediatamente successivo.
Le 4 parti della Figura 3 mostrano le ricostruzioni (in verde) ottenute dalla rete neurale della temperatura globale osservata (in rosso) quando si parta dall'analisi delle sole forzanti naturali (a), delle sole forzanti antropogeniche (b), di tutte le forzanti (naturali + antropogeniche) (c), di tutte le forzanti + il fenomeno di El Niño (d). Sull'asse delle ordinate compaiono le "anomalie", cioè le differenze di temperatura relative alla media del periodo 1961-1990, presa come zero. Si nota, in particolare, come considerando le sole forzanti naturali non si riesca a ricostruire la temperatura in maniera soddisfacente e come, nel passaggio da (c) a (d), il fenomeno di El Niño contribuisca in maniera sostanziale a cogliere la variabilità da un anno a quello immediatamente successivo.
A proposito di quest'ultimo risultato, anche se la considerazione seguente non è inserita nell'articolo (che riguarda l'analisi delle temperature fino al 1999), vorrei sottolineare che gli ultimi dati disponibili consentono di porre l'anno 2005 sugli stessi valori di temperatura globale del 1998, che finora "detiene il record" di anno più caldo degli ultimi 140. Ebbene, allora si era nella condizione di un El Niño molto forte che ha contribuito a questo innalzamento di temperatura globale, mentre nel 2005 questo fenomeno non si sta verificando. Stando all'analisi di influenza appena effettuata, e dato che i dati delle forzanti naturali non sembrano aver avuto variazioni significative negli ultimi anni, si può ipotizzare, allora, che oggi il valore e il ruolo delle forzanti antropogeniche sia ancora incrementato.
Tornando ai risultati dell'articolo citato, a livello di singola nazione un caso di studio sugli inverni dell'Inghilterra centrale mostra che in questa zona, come in buona parte dell'Europa, la temperatura viene influenzata soprattutto da oscillazioni nella circolazione atmosferica sul Nord Atlantico. Ulteriori studi sono in atto per capire quanto l'andamento di questa oscillazione sia legato o meno al fenomeno del riscaldamento globale.
Con questa ricerca, dunque, abbiamo trovato risultati che complementano quelli dei modelli simulativi del clima che, dal canto loro, avevano già indicato una maggiore rilevanza delle forzanti antropogeniche rispetto a quelle naturali nella ricostruzione della temperatura globale (si veda, ad esempio, [5]). In più, abbiamo ora risultati accurati relativi all'influenza del fenomeno di El Niño e all'analisi effettuata a scala nazionale. Infine, i nostri risultati non possono essere soggetti a quelle critiche citate in precedenza, cui vengono sottoposti quelli derivanti dai modelli climatici standard.
Le ricerche sul nostro modello di intelligenza artificiale e sulle sue applicazioni continueranno. In particolare, con la stessa strategia utilizzata in questa ricerca il modello a rete neurale verrà applicato in futuro all'analisi dei fattori che stanno facendo mutare il regime delle precipitazioni. Con un approccio più fattivamente interagente, invece, cioè utilizzando anche la nostra conoscenza teorica e applicando il modello neurale "a valle" di un modello climatico standard, esso può risultare essenziale per ottenere una previsione affidabile a scala nazionale dei cambiamenti climatici futuri.
Riferimenti bibliografici
- A. Pasini (2003), I cambiamenti climatici. Meteorologia e clima simulato. Bruno Mondadori.
- D. Floreano, C. Mattiussi (2002), Manuale sulle reti neurali. Il Mulino.
- A. Pasini, F. Ameli (2003), Radon short range forecasting through time series preprocessing and neural network modeling, Geophysical Research Letters 30 (7), 1386, doi:10.1029/2002GL016726.
- A. Pasini, M. Lorè, F. Ameli (2005), Neural network modelling for the analysis of forcings/temperatures relationships at different scales in the climate system, Ecological Modelling (in stampa, disponibile online dal 30 settembre 2005: http://dx.doi.org/10.1016/j.ecolmodel.2005.08.012).
- IPCC (2001), Climate change 2001: the scientific basis (a cura di Houghton et al.). Third Assessment Report (Working Group 1): http://www.grida.no/climate/ipcc_tar/wg1/index.htm , p. 710.
|
Autore: Antonello Pasini
CNR - Istituto sull'Inquinamento Atmosferico, Roma
Scarica questo articolo nel tuo computer
  
© 2005 Scienzaonline.com
|
|
|
