Una mappatura migliorata con l'intelligenza artificiale offre ai decisori un nuovo strumento per proteggere le infrastrutture mentre l’Artico si riscal
I suoli permafrost sono una componente critica del ciclo globale del carbonio e sono importanti a livello locale perché regolano il flusso idrologico dagli altopiani ai fiumi. Inoltre, il degrado dei suoli permafrost causa il cedimento della superficie terrestre, danneggiando infrastrutture cruciali per le comunità locali. Le mappe regionali ed emisferiche del permafrost sono troppo grossolane per risolvere le distribuzioni su una scala rilevante per le valutazioni della stabilità delle infrastrutture o per illuminare gli impatti geomorfici del disgelo del permafrost.
Nuove intuizioni provenienti dall’intelligenza artificiale sulla copertura del permafrost nell’Artico potrebbero presto fornire ai politici e ai gestori del territorio la visione ad alta risoluzione di cui hanno bisogno per prevedere le minacce legate ai cambiamenti climatici per infrastrutture come oleodotti, strade e strutture di sicurezza nazionale.
Il dottor Evan Thaler (1), ricercatore post-dottorato Chick Keller presso il Los Alamos National Laboratory e autore corrispondente di un articolo su un’applicazione innovativa dell’intelligenza artificiale ai dati del permafrost pubblicato sulla rivista Earth and Space Science (2), dice: «L'Artico si sta riscaldando quattro volte più velocemente rispetto al resto del globo, e il permafrost è una componente dell'Artico che sta cambiando molto rapidamente. I modelli attuali non forniscono la risoluzione necessaria per comprendere come il disgelo del permafrost stia cambiando l'ambiente e influenzando le infrastrutture. Il nostro modello crea mappe ad alta risoluzione che ci dicono dove si trova il permafrost adesso e dove è probabile che cambi in futuro».
I modelli di intelligenza artificiale identificano anche le caratteristiche paesaggistiche ed ecologiche che guidano le previsioni, come il verde vegetativo, l’angolo di pendenza del paesaggio e la durata del manto nevoso.
Intelligenza artificiale e dati sul campo
Il dottor Thaler faceva parte di un team con i colleghi ricercatori di Los Alamos Joel Rowland, Jon Schwenk e Katrina Bennett, oltre a collaboratori del Lawrence Berkeley National Laboratory, che utilizzava una forma di intelligenza artificiale chiamata apprendimento automatico supervisionato. Il lavoro ha testato l’accuratezza di tre diversi approcci di intelligenza artificiale rispetto ai dati sul campo raccolti dai ricercatori di Los Alamos da tre bacini idrografici con permafrost irregolare nella penisola di Seward in Alaska.
Il permafrost, ovvero il terreno che rimane al di sotto della temperatura di congelamento per due anni o più, copre circa un sesto del territorio esposto nell’emisfero settentrionale, ha affermato Thaler. Lo scioglimento del permafrost sta già distruggendo strade, oleodotti e altre strutture costruite su di esso e comporta anche una serie di rischi ambientali.
Man mano che la temperatura dell’aria si riscalda a causa dei cambiamenti climatici, il terreno in via di scongelamento rilascia acqua. Scorre verso i terreni più bassi, i fiumi, i laghi e l’oceano, provocando il cedimento della superficie terrestre, trasportando minerali, alterando la direzione delle falde acquifere, modificando la chimica del suolo e rilasciando carbonio nell’atmosfera.
Risultati utili
La risoluzione dell’attuale modello panartico più utilizzato per il permafrost è di circa un terzo di miglio quadrato, decisamente troppo approssimativa per prevedere, ad esempio, come il cambiamento del permafrost minerà una strada o un oleodotto. Il nuovo modello AI di Los Alamos determina la copertura del permafrost superficiale con una risoluzione di poco meno di 9 metri quadrati, più piccola di un tipico parcheggio e molto più pratica per valutare il rischio in un luogo specifico.
Utilizzando il modello di intelligenza artificiale addestrato sui dati di tre siti della penisola di Seward, il team ha generato una mappa che mostra ampie aree prive di permafrost attorno ai siti di Seward, corrispondendo ai dati sul campo con una precisione dell’83%. Utilizzando il modello panartico per il confronto, il team ha generato una mappa degli stessi siti, ma il modello ha raggiunto solo il 50% di precisione.
«È il prodotto panartico con la massima precisione fino ad oggi, ma ovviamente non è abbastanza buono per previsioni specifiche per il sito», ha detto Thaler. «Il prodotto panartico prevede che il 100% di quel sito sia permafrost, ma il nostro modello prevede solo il 68%, che sappiamo essere più vicino alla percentuale reale basata sui dati sul campo».
Alimentare i modelli di intelligenza artificiale
Questo studio iniziale ha dimostrato il concetto del modello di Los Alamos sui dati di Seward, fornendo una precisione accettabile per terreni simili al luogo in cui sono stati raccolti i dati sul campo. Per misurare la trasferibilità di ciascun modello, il team lo ha anche addestrato sui dati di un sito, quindi ha eseguito il modello utilizzando i dati di un secondo sito con terreno diverso su cui il modello non era stato addestrato. Nessuno dei modelli si è trasferito bene creando una mappa che corrispondesse ai risultati effettivi nel secondo sito.
Il dottor Thaler ha affermato che il team svolgerà ulteriore lavoro sugli algoritmi di intelligenza artificiale per migliorare la trasferibilità del modello ad altre aree dell’Artico. «Vogliamo essere in grado di eseguire l'addestramento su un set di dati e quindi applicare il modello a un luogo mai visto prima. Abbiamo solo bisogno di più dati provenienti da paesaggi più diversi per addestrare i modelli e speriamo di raccoglierli presto», ha affermato.
Parte dello studio prevedeva il confronto dell’accuratezza di tre diversi approcci di intelligenza artificiale – alberi estremamente randomizzati, macchine vettoriali di supporto e una rete neurale artificiale – per vedere quale modello si avvicinava di più alla corrispondenza con i dati della “verità sul terreno” raccolti nelle osservazioni sul campo nella penisola di Seward. Parte di questi dati è stata utilizzata per addestrare i modelli di intelligenza artificiale. Ciascun modello ha poi generato una mappa basata su dati invisibili che prevedono l’estensione del permafrost vicino alla superficie.
Mentre la ricerca di Los Alamos ha dimostrato un netto miglioramento rispetto al modello pan-artico migliore e ampiamente utilizzato, i risultati dei tre modelli di intelligenza artificiale del team sono stati contrastanti, con le macchine vettoriali di supporto che mostravano le maggiori promesse di trasferibilità.
Finanziatori del progetto: Department of Energy Office of Science, Office of Biological and Environmental Research through the Next Generation Ecosystem Experiment (NGEE) Arctic and Laboratory Directed Research and Development (LDRD) at Los Alamos National Laboratory.
Riferimenti:
(1) Evan Thaler
Descrizione foto: Il pannello di sinistra mostra l’estensione del permafrost vicino alla superficie (area bluastra, sovrapposta alle immagini satellitari) stimata dal prodotto cartografico panartico più comunemente utilizzato per un sito in Alaska. Il pannello di destra mostra la stima per lo stesso sito generata da un nuovo modello di intelligenza artificiale sviluppato dal Los Alamos National Laboratory. Nel pannello di destra, la mancanza di sovrapposizione blu dove le immagini satellitari sono chiaramente visibili indica che in quelle località non è presente permafrost. Questa immagine più accurata è stata generata da un modello di machine learning a foresta casuale. - Credit: Los Alamos National Laboratory.
Autore traduzione riassuntiva e adattamento linguistico: Edoardo Capuano / Articolo originale: New AI makes better permafrost maps