Tecnologia

Prevedere le traiettorie degli sversamenti di petrolio con più precisione è possibile grazie al modello ibrido del Cmcc. L’invenzione – pubblicata su “Ecological Informatics” – unisce fisica e intelligenza artificiale per interventi più rapidi ed efficaci.

Un salto avanti nelle previsioni delle maree nere: integrando l’intelligenza artificiale con modelli fisici già in uso, lo studio, pubblicato su “Ecological Informatics”, dimostra di poter aumentare l’accuratezza delle traiettorie di sversamento fino al 20-25%. Il punto di forza della ricerca condotta dal Cmcc (Centro euro-mediterraneo sui cambiamenti climatici) è l’approccio ibrido: un modello numerico tradizionale come Medslik-II - già utilizzato per simulare il movimento dell’olio in mare - viene potenziato mediante Bayesian optimization, una tecnica di AI che calibra automaticamente i parametri fisici in funzione delle osservazioni satellitari.
I test reali si sono basati sui dati della marea nera di Baniyas (Siria, 2021), che ha riversato oltre 12mila metri cubi di petrolio nel Mediterraneo. In questo caso, il framework misto ha migliorato la precisione spaziale fino al 20% e il tracciamento della posizione fino al 25%, confrontando i risultati con osservazioni reali.
 
Accarino (Cmcc): “Impatti seri sugli ecosistemi”
Secondo Gabriele Accarino, principale autore della ricerca, “Questo lavoro rappresenta un passo avanti significativo nel colmare il divario tra la modellistica numerica oceanica tradizionale e le metodologie AI, mostrando che soluzioni ibride possono sfruttare efficacemente i punti di forza di entrambi i mondi”. Precisa Marco De Carlo, ricercatore Cmcc e co-autore dello studio: “Le maree nere hanno impatti seri sugli ecosistemi e sulle attività umane, e prevederne l’evoluzione è cruciale per interventi efficaci. I modelli numerici tradizionali sono utili ma si basano su parametri scelti manualmente, il che può introdurre incertezza. Piuttosto che sostituire la fisica, il nostro approccio ibrido la integra, migliorando il realismo e l’affidabilità delle simulazioni, e ottenendo buoni risultati anche con dati scarsi”.
 
Margini d’errore ridotti
Dal punto di vista operativo, questo modello consente di compiere analisi e test scenari in tempi più rapidi, calibrando i parametri in modo efficiente e reagendo in tempo reale all’arrivo di nuove osservazioni. Il carattere trasferibile e adattabile del sistema rende possibile applicarlo anche ad altri contesti ambientali complessi, come modelli atmosferici o di circolazione generale oceanica. Oltre alla novità tecnica, questa ricerca indica un cambio culturale nella previsione ambientale: un modello che fonde intelligenza artificiale e fisica operativa può ridurre i margini d’errore nei processi decisionali in situazioni di crisi ambientale.
Va tuttavia evidenziata una limitazione: l’ottimizzazione presentata opera sulla superficie dello sversamento, senza considerare il bilancio di massa né fasi sub-superficiali. Per dimostrarne la robustezza occorrerà applicarla ad altri casi reali, con variabilità ambientale differente. In ogni caso, siamo di fronte a innovazioni che sono già strumenti strategici per tutelare ambienti marini e comunità costiere.
 
Leggi lo studio “Improving oil slick trajectory simulations with Bayesian optimization”: https://doi.org/10.1016/j.ecoinf.202...
 
[email protected]
[email protected]