A comparative evaluation of Bayesian inference, fuzzy time series, and adaptive neuro-fuzzy inference systems for predicting the intensity of concurrent drought-pluvial events
Questo studio valuta l'inferenza bayesiana, le serie temporali fuzzy e i sistemi di inferenza neuro-fuzzy adattivi per la previsione delle intensità di eventi concomitanti di siccità e piogge intense utilizzando predittori sinottici, riscontrando che nessuno dei modelli supera i semplici baseline di persistenza o climatologici a causa della loro incapacità di catturare la distribuzione bimodale degli eventi, concludendo infine che l'intensità del CDPE è solo debolmente prevedibile dagli stati sinottici mensili contemporanei.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Il tempo è raramente uniforme in un intero continente. Mentre una parte del paese cuoce sotto un'ondata di calore, un'altra potrebbe annegare nella pioggia. A volte, questi estremi accadono contemporaneamente, creando un modello strano e potente in cui una siccità severa si trova direttamente accanto a un'inondazione severa all'interno dello stesso mese. Gli scienziati chiamano questi eventi "drought-pluvial" concomitanti. È un seesaw spaziale, un dipolo secco-umido che si estende attraverso gli Stati Uniti, guidato da complessi spostamenti nell'atmosfera. Comprendere come si formano questi eventi e se sia possibile prevederne l'intensità è fondamentale per gestire le risorse idriche e prepararsi ai disastri. Tuttavia, l'atmosfera è un sistema caotico e prevedere questi estremi specifici e simultanei si è rivelato difficile. I ricercatori spesso si rivolgono ad avanzati modelli informatici per trovare schemi nel caos, sperando di distinguere il segnale dal rumore. La domanda rimane: gli strumenti statistici moderni possono effettivamente prevedere l'intensità di questi estremi opposti, o sono semplicemente troppo imprevedibili?
Un ricercatore si è proposto di testare questa domanda sottoponendo a prova tre diversi tipi di modelli informatici. Si è concentrato su cinquantadue di questi eventi secco-umidi avvenuti in tutti gli Stati Uniti contigui. Per misurare l'intensità di ogni evento, ha osservato la differenza tra il punto più secco e quello più umido, utilizzando un punteggio standard che tiene conto sia della pioggia che di quanta acqua evapora dal terreno. Il ricercatore ha fornito a ciascun modello un set di sette indizi atmosferici, tra cui temperatura dell'aria, umidità, direzione del vento e velocità del vento, tratti da due diversi database meteorologici globali. Ha testato i modelli a tre diverse altezze nell'atmosfera, dalla superficie fino alla parte bassa del cielo, per vedere se la fonte dei dati o l'altitudine cambiassero i risultati. L'obiettivo era semplice: questi modelli potevano prevedere quanto sarebbe stato forte il contrasto secco-umido per un dato mese meglio di quanto non farebbe un semplice caso che ipotizza la media o assume che il tempo rimanga lo stesso del mese precedente?
I risultati sono stati sobri. Nessuno dei tre modelli, indipendentemente dai dati utilizzati o dall'altezza considerata, è riuscito a superare in modo affidabile le ipotesi più semplici possibili. Infatti, il predittore più efficace non è stato un algoritmo complesso, ma un'ipotesi di base secondo cui il tempo sarebbe stato molto simile a quello del mese precedente. Quando il ricercatore ha confrontato le previsioni dei modelli con gli eventi reali, ha scoperto che i metodi più sofisticati non sono riusciti a catturare la vera natura del fenomeno. Due dei modelli, che si basano sulla probabilità e sulle reti neurali, tendevano a giocare sul sicuro. Invece di prevedere le condizioni estreme di secchezza o di umidità che si sono effettivamente verificate, prevedevano costantemente valori vicini alla media, appiattendo di fatto proprio gli estremi che dovevano prevedere. Il terzo modello, che utilizza la logica fuzzy per gestire l'incertezza, è riuscito a prevedere una gamma più ampia di risultati, inclusi gli estremi, ma le sue ipotesi erano così disperse e imprecise che il suo tasso di errore complessivo era alto quanto quello dei modelli che restavano vicini alla media.
Lo studio ha anche esaminato cosa i modelli stessero "imparando" dai dati. Anche se i modelli non sono riusciti a prevedere l'intensità con precisione, concordavano su quali fattori atmosferici fossero più importanti. Sia il modello basato sulla probabilità che il modello a rete neurale hanno attribuito il peso maggiore ai pattern dei venti nord-sud e al movimento dell'umidità in quella direzione. Questo ha senso fisico, poiché questi eventi sono spesso organizzati dal movimento dell'aria che trasporta l'umidità da una regione umida verso una secca, o viceversa. I modelli avevano identificato correttamente gli ingredienti giusti, ma non riuscivano a combinarli per fare una previsione corretta del risultato finale. È come se uno chef avesse identificato correttamente le spezie principali in uno stufato, ma non riuscisse a indovinare il sapore finale. Il ricercatore ha scoperto che le informazioni disponibili in un singolo fotogramma meteorologico mensile non erano semplicemente sufficienti per determinare quanto sarebbe stato intenso il contrasto secco-umido.
Il ricercatore ha concluso che prevedere la forza di queste siccità e inondazioni simultanee è molto più difficile di quanto anticipato. I modelli testati, che fanno pochissime assunzioni su come i dati debbano comportarsi, sono crollati verso la media invece di catturare le oscillazioni selvagge della realtà. Sebbene avessero identificato correttamente che il trasporto di umidità nord-sud è il driver principale, questa conoscenza non si è tradotta in una previsione utile. Lo studio suggerisce che, per migliorare le previsioni, gli scienziati potrebbero dover guardare ai pattern meteorologici di diversi mesi precedenti l'evento, piuttosto che solo al mese in questione, e potrebbero dover costruire modelli separati per diverse stagioni. Per ora, l'intensità di questi drammatici dipoli secco-umidi rimane solo debolmente prevedibile dallo stato dell'atmosfera al momento in cui si verificano.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.