Storm surge forecasts from a global tide-gauge network

L'inondazione costiera è una minaccia complessa, ma la sua componente più mortale è spesso l'onda di tempesta (storm surge): un muro d'acqua spinto a riva dal vento e dalla pressione di una tempesta. A differenza di uno tsunami, che è innescato da un terremoto, un'onda di tempesta è una risposta diretta alle condizioni meteorologiche. Per le comunità che vivono ai margini dell'oceano, sapere quando arriverà questo muro d'acqua e quanto alto si alzerà è una questione di vita o di morte. Eppure, la capacità di prevedere questi eventi non è condivisa equamente. Mentre le nazioni ricche, con finanziamenti dedicati e modelli informatici avanzati, possono emettere avvisi affidabili, vaste estensioni delle coste del mondo, in particolare nei paesi in via di sviluppo e negli stati insulari, rimangono prive di qualsiasi guida di previsione locale. Il divario tra chi possiede avvisi e chi no lascia milioni di persone vulnerabili a un pericolo che si prevede peggiorerà con l'innalzamento del livello del mare.

Per decenni, gli scienziati si sono affidati a massicce simulazioni informatiche basate sulla fisica per modellare queste onde di tempesta. Questi modelli tentano di ricreare l'intero oceano e l'atmosfera, calcolando come il vento e la pressione interagiscono con la forma del fondale marino. Sebbene potenti, queste simulazioni sono computazionalmente costose e richiedono costantemente dati di alta qualità per essere eseguite. Di conseguenza, spesso non possono fornire la guida specifica e locale necessaria per ogni costa della Terra. Negli ultimi anni, è emersa un'opportunità diversa: l'uso dell'intelligenza artificiale per apprendere schemi dai dati storici. Tuttavia, la maggior parte di questi tenti precedenti era limitata. Potevano prevedere le onde di tempesta solo per i luoghi specifici in cui erano state addestrate, oppure si affidavano a dati sintetici che non riflettevano la realtà disordinata dell'oceano. La sfida rimaneva: un singolo modello poteva imparare dall'intera rete mondiale di mareografi e poi prevedere con successo le onde di tempesta in luoghi che non aveva mai visto prima?

In un nuovo studio, i ricercatori Heshan Chen e Andrew Kruczkiewicz si sono posti l'obiettivo di rispondere a questa domanda costruendo un modello addestrato su una rete globale di 760 mareografi. Non si sono limitati ad addestrare il modello a riconoscere schemi in queste posizioni specifiche; hanno testato la sua capacità di prevedere le onde di tempesta in 84 diversi mareografi e in intere regioni che non hanno contribuito in alcun modo con dati al processo di addestramento. Questo è noto come un test "zero-shot", uno standard rigoroso nella scienza della previsione che chiede se un sistema possa generalizzare la propria conoscenza a ambienti completamente nuovi. I risultati sono stati sorprendenti. Il modello ha previsto con successo le onde di temposta in 81 degli 84 mareografi di test, superando un metodo semplice chiamato "persistenza" — che assume che il livello dell'acqua rimanga esattamente com'è in questo momento — in quasi ogni località. Ciò includeva mareografi in ogni continente abitato, dall'Africa all'America del Sud, dimostrando che il modello aveva appreso la fisica sottostante del modo in cui le tempeste spingono l'acqua, piuttosto che limitarsi a memorizzare la storia locale.

I ricercatori hanno scoperto che il successo del modello dipendeva fortemente dalla diversità dei dati che riceveva. Non bastava avere un gran numero di mareografi di addestramento; i mareografi dovevano rappresentare diversi tipi di coste e comportamenti delle tempeste. Quando il team ha testato il modello su regioni che non aveva mai visto, come l'Europa o il Giappone, il modello ha funzionato bene, ma la sua precisione era legata a quanto bene quegli specifici ambienti costieri fossero rappresentati nel set di addestramento. Ad esempio, il modello ha faticato leggermente di più con le uniche onde di tempesta guidate dal vento del Mare del Nord perché quel tipo specifico di costa era meno comune nei dati di addestramento. Tuttavia, quando hanno aumentato la diversità del set di addestramento aggiungendo mareografi da diverse parti del mondo, la capacità del modello di prevedere le onde di tempesta in queste regioni sconosciute è migliorata significativamente. Ciò suggerisce che la chiave per la previsione globale non è solo più dati, ma dati che catturino la piena varietà di come l'oceano reagisce al tempo meteorologico.

Una parte critica dello studio è stata testare il modello in condizioni reali. Mentre i test iniziali utilizzavano dati meteorologici storici perfetti per vedere di cosa fosse capace il modello, i ricercatori lo hanno fatto girare anche utilizzando previsioni meteorologiche reali, che contengono errori e incertezze. Anche con questi input imperfetti, il modello ha mantenuto quattro quinti della sua abilità, superando ancora il semplice metodo della persistenza in 72 su 79 mareografi. Questa è una scoperta vitale per l'uso operativo, poiché dimostra che il sistema può lavorare con i dati imperfetti di cui i veri previsori dispongono realmente. Il modello ha anche dimostrato che avere un feed in tempo reale dei livelli locali dell'acqua è l'informazione più importante. Quando al modello è stato fornito il livello dell'acqua corrente in un determinato mareografo, la sua precisione è aumentata drasticamente. Senza questa osservazione locale, il modello performava comunque meglio del caso casuale, ma non poteva eguagliare la precisione di un sistema che sa esattamente dove si trova l'acqua al momento in cui inizia la previsione.

Lo studio ha anche confrontato questo nuovo approccio basato sull'intelligenza artificiale con il miglior modello globale basato sulla fisica attualmente disponibile, che è lo standard di riferimento per la previsione delle onde di tempesta. In un test diretto in cui entrambi i sistemi ricevevano la stessa osservazione del livello dell'acqua locale, il modello IA è stato più accurato per le condizioni generali a un anticipo di otto ore. Durante le tempeste più intense, i due sistemi si sono comportati in modo simile, senza che uno dominasse chiaramente l'altro. Tuttavia, il modello basato sulla fisica manteneva ancora un vantaggio in ambienti specifici, come il Mar Baltico, che è un bacino parzialmente chiuso, dove l'onda di tempesta è guidata da schemi di vento attraverso l'intero bacino piuttosto che solo in un singolo punto. Ciò evidenzia che, sebbene il modello IA sia uno strumento potente, non sostituisce la necessità di modelli basati sulla fisica in ogni situazione. Al contrario, i due approcci sono complementari: il modello IA offre un modo per portare previsioni locali di alta qualità a molte delle coste che attualmente non ne hanno, mentre i modelli fisici rimangono essenziali per le dinamiche oceaniche complesse e su larga scala.

Forse l'aspetto più pratico di questo lavoro è la capacità del modello di fornire non solo una singola previsione, ma un intervallo di possibilità. I ricercatori hanno addestrato il modello per produrre un "involucro di probabilità" (probability envelope), che indica ai previsori la probabilità che l'acqua raggiunga determinate altezze. Sebbene la previsione a punto singolo del modello a volte sottostimasse i picchi assoluti più estremi delle tempeste più forti, l'involucro di probabilità era ben calibrato. Ha coperto con successo la stragrande maggioranza delle ore durante una tempesta, fornendo ai responsabili delle emergenze un senso affidabile del rischio. Sebbene l'involucro non abbia catturato il picco assoluto più alto in ogni singolo evento estremo, ha fornito un quadro del pericolo molto migliore rispetto alla semplice ipotesi che l'acqua sarebbe rimasta al suo livello attuale. Questa informazione probabilistica è esattamente ciò di cui si ha bisogno per prendere decisioni informate su evacuazioni e allocazione di risorse.

Le implicazioni di questa ricerca vanno ben oltre i dettagli tecnici del modello. Per la prima volta, esiste un metodo provato per generare previsioni locali delle onde di tempesta competenti per qualsiasi costa del mondo, a condizione che ci sia un mareografo per fornire un punto di partenza. Questa capacità potrebbe cambiare fondamentalmente il modo in cui vengono costruiti i sistemi di allerta precoce, in particolare nei paesi meno sviluppati e negli stati insulari che sono stati storicamente esclusi dalla rete di previsione globale. I ricercatori sottolineano che avere una previsione è solo il primo passo; trasformare quella previsione in un avviso salvavita richiede governance locale, finanziamenti e capacità di agire. Tuttavia, eliminando la barriera tecnica del bisogno di un modello locale basato sulla fisica per ogni singola costa, questo lavoro apre la porta a una distribuzione più equa della sicurezza. Lo studio conclude che la strada da seguire consiste nel continuare a espandere la rete globale di mareografi e nel perfezionare questi modelli per coprire le lacune rimanenti nella diversità costiera, assicurando che la prossima generazione di avvisi raggiunga tutti, indipendentemente da dove vivono.