Emulatori ML per oceano, cicloni e soglie climatiche

Gli emulatori di machine learning per i processi atmosferici hanno trasformato le previsioni meteo in pochi anni. Le versioni per l'oceano si sono evolute più lentamente, e il motivo è chiaro. In atmosfera, la maggior parte dell'energia risiede in fenomeni di scala relativamente grande. Nell'oceano, invece, contano soprattutto i vortici di mesoscala, circa un ordine di grandezza più piccoli. A ciò si aggiungono coste frastagliate, stretti canali e mari coperti di ghiaccio, aspetti che i modelli atmosferici possono ignorare. Per questo le simulazioni oceaniche vengono condotte su griglie localmente raffittite o del tutto non strutturate, mentre i modelli basati sui dati venivano addestrati su normali griglie latitudine-longitudine.

L'oceano sulla propria griglia

Il lavoro su HClimRep-Ocean propone un emulatore che opera direttamente sulla griglia nativa non strutturata del modello FESOM2. È stato addestrato su un'integrazione di controllo di 209 anni di AWI-CM3 e viene avviato senza forzante atmosferico: riceve lo stato dell'atmosfera solo all'inizio, isolando così la predicibilità portata dall'oceano stesso. Le prestazioni dipendono molto dal campo considerato. Per le correnti, l'emulatore supera tutti i modelli di riferimento nella previsione a 30 giorni. Per temperatura e salinità, invece, resta migliore l'anomalia di persistenza smorzata. Gli autori spiegano questo risultato con la fisica: la variabilità delle correnti è in larga parte geostrofica e generata internamente, mentre le fluttuazioni di temperatura superficiale e salinità sono guidate dal tempo atmosferico. Sul benchmark OceanBench, la variante addestrata sulla reanalisi ha raggiunto l'errore RMSE più basso rispetto alla reanalisi GLORYS tra tutti i sistemi valutati.

Scenari di soglia ad alta risoluzione

Il secondo insieme di strumenti serve a valutare gli effetti dei punti di non ritorno climatici. Il dataset ClimTip-GML è il primo insieme di dati corretto e raffittito a livello globale per valutare l'impatto di scenari di transizione su larga scala. Copre otto variabili chiave a una risoluzione di 0,25 gradi da tre modelli di circolazione generale, CESM1-CAM5, HadGEM3-GC31-MM e MPI-ESM1-2-HR, e simulazioni secolari per condizioni preindustriali e storiche. A queste si aggiungono scenari di riscaldamento di 2 gradi Celsius, con o senza il superamento della soglia della circolazione atlantica o della foresta amazzonica. La correzione del bias e il raffittimento sono eseguiti con metodi di machine learning generativo addestrati sulla reanalisi, mantenendo la coerenza fisica nello spazio, nel tempo e tra tutte e otto le variabili. La validazione ha mostrato una netta riduzione dei bias, un miglioramento della variabilità su piccola scala e delle correlazioni multivariabili, e una risposta coerente di lungo periodo alla forzante esterna.

La fisica come vincolo

Il terzo lavoro riguarda i cicloni tropicali e il fenomeno dell'intensificazione rapida, che resta uno degli elementi più difficili da prevedere. Gli autori uniscono due approcci. I modelli numerici pienamente fisici riescono a descrivere i processi responsabili dell'intensificazione, ma sono costosi. I modelli puramente basati sui dati, invece, non offrono una spiegazione fisica. Il loro ibrido, FAST-ML, usa una parametrizzazione neurale a due flussi che preleva campi tridimensionali ERA5 per diagnosticare il controllo ventilante: il wind shear nell'ambiente e il deficit di entropia nella troposfera media. I parametri sono ottimizzati end-to-end attraverso il modello differenziabile di intensità FAST, così l'evoluzione della tempesta resta subordinata alle leggi della termodinamica. Rispetto al suo riferimento fisico, il modello riduce l'indice CRPS di circa il 31 per cento a un orizzonte di 60 ore e quasi dimezza il tasso di falsi allarmi per l'intensificazione rapida, senza perdere sensibilità nel rilevamento. In una configurazione di ensemble a cento membri produce previsioni comparabili a FNV3 per le tempeste studiate, e i test zero-shot sull'est Pacifico suggeriscono la trasferibilità tra bacini.

La conclusione comune di questi lavori è metodologica: un emulatore non deve essere universale per essere utile, ma va valutato campo per campo. Un modello che vince sulle correnti perde sulla temperatura, e non è una sconfitta, ma un'informazione su dove finisce la sua predicibilità.