Errorcastnet: IA Correttiva Migliora la Modellazione Idrologica Nazionale

I recenti progressi nell'ambito della previsione delle inondazioni su scala continentale, che sfruttano l'intelligenza artificiale basata sul deep learning, indicano un potenziale trasformativo per la modellazione idrologica globale. Le inondazioni costituiscono la principale causa di decessi legati a eventi meteorologici a livello mondiale, rendendo i sistemi di allerta precoce strumenti essenziali per la mitigazione dei rischi.

Un nuovo framework, denominato Errorcastnet, è stato sviluppato da ricercatori presso l'Università del Michigan per agire come strato correttivo sui modelli idrologici nazionali esistenti, come il National Water Model (NWM) dell'Amministrazione Nazionale Oceanica e Atmosferica (NOAA) degli Stati Uniti. Questo sistema di apprendimento profondo è progettato per identificare e correggere gli errori sistematici nei pronostici precedenti del NWM, esaminando inondazioni storiche e le relative previsioni.

I test eseguiti su molteplici eventi storici hanno dimostrato che l'integrazione di Errorcastnet con il National Water Model incrementa l'accuratezza delle previsioni di un fattore compreso tra quattro e sei volte, coprendo previsioni rapide per migliaia di località. La ricerca, pubblicata su AGU Advances, evidenzia che questo approccio ibrido combina i punti di forza dei modelli basati sulla fisica, come il NWM, con la capacità di apprendimento dell'IA.

L'efficacia dei modelli di Deep Learning, come le reti Long Short-Term Memory (LSTM), è supportata anche da studi che ne evidenziano la superiorità rispetto ai modelli idrologici concettuali tradizionali nella previsione del deflusso fluviale. L'addestramento regionale di queste reti LSTM su bacini multipli facilita il trasferimento di conoscenza, migliorando le prestazioni sia in località con dati storici (gauged) che in quelle prive di essi (ungauged).

La capacità di Errorcastnet di generare previsioni rapide e precise su vasta scala si allinea con la tendenza globale a integrare l'analisi dei dati complessi per la gestione delle risorse idriche. I modelli operativi di Google per la previsione delle inondazioni, che utilizzano reti LSTM e sono operativi dal 2018, hanno dimostrato la loro applicabilità su vaste aree, come avvenuto durante la stagione dei monsoni del 2021 in India e Bangladesh, dove sono stati inviati oltre 100 milioni di avvisi. Tali avvisi vengono diffusi tramite piattaforme come Google Flood Hub, che integra le previsioni in tempo reale direttamente in Google Search e Maps, assicurando che l'informazione raggiunga tempestivamente le comunità colpite.

Mentre gran parte della ricerca si concentra sulla previsione a breve termine, i progressi come Errorcastnet, che si sovrappongono a modelli su scala continentale, contribuiscono a colmare il divario nella previsione di inondazioni a lungo termine, elemento cruciale per le strategie di gestione delle risorse idriche su larga scala.