Un approccio ibrido che fonde modelli numerici oceanici e intelligenza artificiale migliora le previsioni delle chiazze di petrolio, con fino al 25% di precisione in più nel tracciamento della posizione. L’obiettivo: supportare le emergenze ambientali con mappe più affidabili e tempestive.
Dalla fisica ai dati: come funziona
Lo studio, pubblicato su Ecological Informatics, introduce la Bayesian optimization per calibrare automaticamente i parametri di MEDSLIK-II a partire da osservazioni satellitari. In questo modo si supera la tradizionale, e spesso incerta, taratura manuale degli esperti, combinando rigore fisico e adattabilità dell’AI.
Le voci dei ricercatori
Per Gabriele Accarino (CMCC e Columbia University), l’integrazione tra Bayesian optimization, MEDSLIK-II e dati satellitari costituisce un prototipo per sistemi operativi di nuova generazione. Marco De Carlo (CMCC) sottolinea che l’AI non sostituisce la fisica, ma la rafforza, offrendo risultati solidi anche con dati scarsi. Igor Ruiz Atake (CMCC) evidenzia che l’ottimizzazione automatica libera tempo agli esperti per la diagnosi dell’evento, un aspetto cruciale nelle emergenze marine.
La prova sul campo: lo sversamento di Baniyas (2021)
Validato sul caso di Baniyas, Siria (24–27 agosto 2021), l’approccio mostra miglioramenti significativi:
-
Accuratezza spaziale: fino a +20% nel confronto con i satelliti sulla forma e diffusione della chiazza.
-
Tracciamento della posizione: fino a +25% rispetto alle previsioni standard.
-
Skill score complessivo: in media da 7,97% a 20,66%, rispetto alle simulazioni di controllo.
Questi guadagni restano consistenti su più step temporali e crescono nei periodi di forte variabilità di marea, confermando l’efficacia in condizioni dinamiche.
Benefici operativi: velocità, aggiornamenti e trasferibilità
Il modello di machine learning accelera la fase di calibrazione, consentendo analisi e scenari più rapidi. Il sistema può aggiornarsi in tempo reale con nuove osservazioni ed è trasferibile su diverse aree geografiche e domini affini, dalla modellistica atmosferica alla circolazione oceanica, rendendolo una soluzione pronta per l’uso operativo.
Oltre le maree nere: verso una AI guidata dalla fisica
Il framework segna un cambio di paradigma: la physics-informed AI diventa un pilastro della gestione del rischio e delle strategie di resilienza climatica, riducendo incertezze e errori storici nella rappresentazione dei processi su piccola scala.
La potenza di calcolo dietro lo studio
Le simulazioni sono state eseguite sul JUNO Hybrid Cluster del CMCC, tra le infrastrutture di calcolo più avanzate in Europa per clima e ambiente. Il team ha progettato il workflow di ottimizzazione, integrato i componenti di ML e validato i risultati con dati satellitari.