Intelligenza artificiale: un supporto per evitare le catastrofi naturali?

Il riscaldamento globale contribuisce all’incremento del verificarsi di eventi climatici estremi. Le tecnologie innovative possono aiutare a comprenderne le dinamiche, supportando i decisori nella gestione dei rischi attuali e futuri, anche grazie ad una migliore capacità di prevedere i rischi attesi e quantificarne i potenziali impatti.

Tra le nuove tecnologie viene sperimentata l’applicazione del machine learning, in grado di sfruttare il potenziale della grande mole e varietà di dati disponibile per il monitoraggio ambientale.

Un team di scienziati di Fondazione Cmcc ed Università Ca’ Foscari Venezia, nello studio “Exploring machine learning potential for climate change risk assessment” ha rivisto oltre 1200 articoli sul tema pubblicati negli ultimi 20 anni, mettendo in luce potenzialità e limiti del machine learning in questo ambito.

Due le potenzialità del machine learning che emergono dallo studio. La prima è che questi algoritmi riescono ad imparare dai dati: più dati ha a disposizione, più l’algoritmo impara. Grazie alla sua capacità di analizzare ed elaborare grandi quantità di dati, il machine learning permette di dipanare relazioni complesse sottese al funzionamento dei sistemi socio-ecologici, sfruttando l’enorme disponibilità di dati (big data) che arrivano oggi da varie fonti, tra cui sensori per analisi ambientali ad alta frequenza temporale, social media, dati ed immagini satellitari, droni.

La seconda è che possono combinare dati di diverso tipo, riuscendo quindi a valutare l’entità di un rischio tenendo conto di tutte le sue dimensioni, che non comprendono solamente il pericolo che lo innesca (ad esempio un aumento delle precipitazioni), ma anche la vulnerabilità e l’esposizione del sistema socio-economico su cui il pericolo si abbatte, fattori determinanti nella quantificazione degli impatti.

Se il modello viene addestrato con dati dettagliati sugli eventi di inondazione degli ultimi 20 anni, includendo la loro posizione e l’indicazione del tipo di contesto (urbano o naturale) interessato, il modello è in grado di proiettare, in uno scenario dato da condizioni climatiche future, quale sarà la probabilità che un evento accada in un certo punto, e calcolarne il rischio di provocare impatti dannosi per la società e l’ambiente.

Il prossimo passo secondo gli autori dello studio, è quello di sviluppare modelli di machine learning che siano sempre più capaci di studiare e districare le complesse interrelazioni spazio-temporali tra diverse variabili climatiche, ambientali e socio-economiche, migliorando così la comprensione del comportamento dei sistemi complessi.

Fonte: Corcom