An Explainable Deep Learning Framework for Evapotranspiration Prediction Using Hydro-Meteorological Data

L'acqua è il filo che cuce l'atmosfera alla terra, muovendosi costantemente tra il cielo e il suolo. Quando la pioggia cade, una parte di essa penetra nel terreno, un'altra scorre nei fiumi e un'altra ancora scompare nuovamente nell'aria sotto forma di vapore attraverso un processo chiamato evapotraspirazione. Questa è una combinazione dell'evaporazione dell'acqua dal suolo e del rilascio di umidità da parte delle piante attraverso le loro foglie. Comprendere esattamente quanta acqua compia questo viaggio è fondamentale. Esso dice agli agricoltori quando irrigare, aiuta gli ingegneri a progettare bacini artificiali e permette ai gestori dei disastri di prevedere quando i fiumi potrebbero gonfiarsi in alluvioni. Per decenni, gli scienziati si sono affidati a formule complesse per stimare questi movimenti d'acqua, ma questi metodi spesso richiedono montagne di dati meteorologici e una calibrazione attenta che li rende difficili da utilizzare in luoghi dove i registri sono incompleti.

Un nuovo approccio, dettagliato in una ricerca recente, suggerisce che i computer possono apprendere questi schemi idrici direttamente dalla storia, senza bisogno di formule rigide. Questo studio introduce un framework che utilizza il deep learning, un tipo di intelligenza artificiale capace di trovare schemi nascosti in enormi quantità di informazioni. I ricercatori hanno combinato diverse architetture informatiche affinché agissero come una squadra: alcune per individuare schemi locali nel paesaggio, altre per ricordare come il tempo cambia nel tempo, e un sistema speciale per spiegare esattamente perché il computer ha fatto una specifica previsione. Intrecciando dati meteorologici, posizione geografica e questo nuovo tipo di intelligenza artificiale, lo studio offre un modo più chiaro e trasparente per prevedere come l'acqua si muove attraverso la Terra, un passo vitale per la gestione delle risorse in un clima che cambia.

I ricercatori si sono posti l'obiettivo di costruire un sistema in grado di prevedere l'evapotraspirazione e l'evapotraspirazione potenziale, che è la quantità massima di acqua che potrebbe evaporare se l'acqua fosse illimitata. Per farlo, hanno raccolto dati secondari su precipitazioni, temperatura, umidità, velocità del vento, radiazione solare e la specifica latitudine e longitudine di una località. Invece di affidarsi a un singolo modello informatico, hanno addestrato quattro diversi tipi di reti di deep learning per analizzare queste informazioni. Un tipo, noto come rete neurale, ha servito come base per trovare relazioni generali. Un altro, una rete convoluzionale, è stata progettata per analizzare i dati come se fossero un'immagine, aiutando a identificare come caratteristiche quali la temperatura o la pioggia varino attraverso diverse parti di un paesaggio. Altri due tipi, noti come reti ricorrenti, sono stati costruiti specificamente per comprendere il tempo. Essi potevano osservare una sequenza di eventi meteorologici e ricordare come la pioggia o l'umidità di ieri influenzassero le condizioni di oggi.

Lo studio ha scoperto che queste diverse menti informatiche avevano punti di forza distinti. Le reti progettate per gestire il tempo, che possono ricordare gli eventi meteorologici passati, si sono dimostrate migliori nel catturare il flusso dei modelli idrologici rispetto alle reti standard che guardano solo al presente. Questo ha senso, poiché il movimento dell'acqua è una storia che si dispiega nell'arco di giorni e settimane, non solo in un singolo istante. Le reti che hanno analizzato le caratteristiche spaziali hanno inoltre migliorato le previsioni riconoscendo che un tratto di terra caldo e secco si comporta diversamente da una valle umida, anche se la temperatura dell'aria è la stessa. Combinando questi approcci, il framework ha creato un quadro più completo di come l'acqua si muove nell'ambiente.

Tuttavia, un ostacolo maggiore per l'intelligenza artificiale è che spesso agisce come una "scatola nera", fornendo una risposta senza spiegare come sia giunta a tale conclusione. In campi come la gestione delle acque, dove le decisioni influenzano milioni di vite, sapere il "perché" è importante quanto sapere il "cosa". Per risolvere questo problema, i ricercatori hanno integrato uno strumento chiamato SHAP, che agisce come una lente d'ingrandimento per il processo decisionale del computer. Questo strumento scompone la previsione finale per mostrare esattamente quanto ogni fattore abbia contribuito. L'analisi ha rivelato che le precipitazioni, la temperatura e la radiazione solare erano i driver primari dell'evapotraspirazione, mentre l'umidità e la velocità del vento giocavano ruoli significativi. Crucialmente, il sistema ha mostrato che la posizione geografica stessa era importante, confermando che il luogo in cui un posto si trova sulla mappa influenza il suo ciclo dell'acqua.

I risultati sono stati visualizzati su mappe che mostravano come l'evapotraspirazione vari in una regione. Le aree con temperature più elevate e luce solare intensa mostravano tassi più alti di perdita d'acqua, mentre le località più umide trattenevano più umidità. Questa visione spaziale ha permesso ai ricercatori di vedere il ciclo dell'acqua non solo come un numero, ma come un paesaggio che muta e cambia. Lo studio suggerisce che, integrando questi diversi modelli informatici con mappe geografiche e strumenti spiegabili, gli scienziati possono andare oltre la semplice supposizione. Il framework non si limita a prevedere il futuro; esso spiega la logica dietro la previsione, rendendolo uno strumento affidabile per i pianificatori.

Questa ricerca non pretende di aver risolto ogni problema nella previsione dell'acqua. Lo studio si è basato su dati esistenti e ha offerto un confronto qualitativo di come questi diversi modelli informatici si siano comportati, piuttosto che fornire un insieme definitivo di numeri per ogni possibile scenario. Gli autori osservano che il lavoro futuro dovrà testare questi metodi con dataset più ampi e variabili più complesse, come l'umidità del suolo e la salute della vegetazione. Eppure, il lavoro stabilisce un percorso chiaro. Dimostra che possiamo costruire sistemi intelligenti che siano non solo accurati, ma anche comprensibili. Per i gestori delle nostre risorse idriche, questo significa avere uno strumento che possa prevedere inondazioni e siccità mostrando chiaramente il meteo e la geografia che guidano tali previsioni, trasformando dati complessi in conoscenza azionabile per un futuro più resiliente.