Dopo aver raggiunto il livello più basso dall’inizio delle osservazioni, nel gennaio 2013, il Lago Michigan ha battuto il record opposto nell’estate del 2020, causando allagamenti, erosione costiera e la chiusura di strade lungo le rive. La differenza tra i due record di livello era di quasi 2 m. Secondo l’articolo, inversioni simili si sono verificate a distanza di alcuni mesi anche nei laghi Superiore, Erie e Ontario. Per prevedere livelli così variabili e spiegare le cause delle oscillazioni, i ricercatori hanno utilizzato modelli di intelligenza artificiale (IA).

Contesto

Il livello dei laghi è influenzato da pioggia e neve, evaporazione, afflussi e deflussi, ma anche dalle decisioni umane. È inoltre legato alla profondità dei porti, alla stabilità delle coste, al prelievo di acqua potabile e alla sopravvivenza delle zone umide costiere. Perciò, oltre a prevedere i livelli, spiegare quali fattori ne determinano le variazioni può essere importante per la gestione delle dighe e del rischio di allagamento.

I ricercatori hanno addestrato otto algoritmi utilizzando i dati mensili sui livelli dei laghi Superiore, Michigan, Erie e Ontario dal 1982 al 2022. A ciascun algoritmo sono state fornite nove variabili, tra cui la temperatura e gli afflussi, considerando sia i valori del mese in corso sia quelli registrati fino a sei mesi prima. In questo modo, per esempio, il modello poteva esaminare la relazione tra il livello di giugno e la neve di gennaio.

L’errore dei quattro algoritmi con le prestazioni migliori si è ridotto a circa 12 cm. Quello dei modelli semplici era di 14-21 cm. I ricercatori hanno utilizzato sia SHAP (un metodo che suddivide il contributo di ciascuna variabile al risultato previsto) sia l’analisi VARS, che osserva come l’influenza delle variabili cambi nel tempo quando si interviene su di esse.

SHAP mostra quanto ciascuna variabile contribuisca all’aumento o alla diminuzione del livello in un determinato mese. Tuttavia, non indica quanto tempo impieghi un segnale ad attraversare il bacino idrografico (l’area in cui le acque confluiscono in un unico punto). Con l’analisi VARS, i ricercatori hanno esaminato l’effetto dell’intervento sulle variabili dopo un mese e dopo sei mesi, per analizzare lo sfasamento temporale.

Che cosa significa questa notizia

I ricercatori si aspettavano che l’influenza delle variabili sul livello dei laghi diminuisse man mano che si guardava più indietro nel tempo, ma hanno osservato che aumentava dopo 3-4 mesi. La loro conclusione è che questi laghi reagiscono alle condizioni delle stagioni precedenti più che al meteo del giorno prima. La spiegazione secondo cui la neve di gennaio può influire sul livello di giugno mostra perché, nelle previsioni stagionali, sia necessario considerare anche le condizioni di alcuni mesi prima.

Il risultato è significativo perché dimostra che i livelli dei laghi non si spiegano soltanto con il meteo a breve termine. Se i modelli di previsione stagionale tengono conto anche di variabili dei mesi precedenti, come la temperatura e gli afflussi, potrebbero individuare meglio gli indizi sulle variazioni dei livelli. Tuttavia, i soli valori dell’errore riportati nello studio non permettono di sapere quanto queste previsioni siano utili sul campo o quanto possano cambiare i risultati della gestione delle dighe o delle alluvioni.

Il Lago Ontario ha messo in luce anche i limiti del modello. L’errore del modello per questo lago era superiore di oltre il 50% rispetto alle attese e l’articolo lo collega alle decisioni umane. La centrale idroelettrica Moses-Saunders, vicino a Cornwall, in Ontario, gestisce il livello dell’acqua secondo regole operative modificate quotidianamente. Tuttavia, poiché il modello riceveva i valori mensili medi delle variabili, la sequenza delle decisioni che aveva determinato il deflusso mensile poteva scomparire nella media.

Per il caso del Lago Ontario, i ricercatori hanno proposto di fornire al modello, oltre alle variabili climatiche, anche le regole operative utilizzate per gestire il livello dell’acqua. Si tratta di una proposta relativa al ruolo delle decisioni umane in questo lago e non si può generalizzare dicendo che le stesse condizioni siano necessarie per tutte le previsioni stagionali.

I ricercatori hanno dichiarato di stare applicando questo approccio, in collaborazione con Ouranos, anche a uno studio sulla ricarica delle falde acquifere nel Québec meridionale. Per questo lavoro si utilizzano modelli basati sulla fisica (modelli che rappresentano i principi fisici alla base dei fenomeni naturali). Lo studio indica che, per problemi ambientali complessi come i livelli dei laghi, modelli in grado di spiegare le ragioni dei risultati possono contribuire a esaminare e discutere le decisioni gestionali.

Fatti accertati e aspetti ancora ignoti

Fatti accertati

  • I ricercatori hanno addestrato otto algoritmi utilizzando i dati mensili sui livelli di quattro laghi dal 1982 al 2022.
  • Ogni algoritmo considerava nove variabili, tra cui la temperatura e gli afflussi, con valori dal mese in corso fino a un massimo di sei mesi prima.
  • L’errore dei quattro algoritmi con le prestazioni migliori era di circa 12 cm, mentre quello dei modelli semplici era di 14-21 cm.
  • Contrariamente alle attese, secondo cui l’influenza delle variabili si sarebbe attenuata guardando più indietro nel tempo, i ricercatori hanno osservato che aumentava dopo 3-4 mesi.
  • Il livello del Lago Ontario è gestito secondo le regole operative giornaliere della centrale idroelettrica Moses-Saunders; i ricercatori hanno proposto di fornire tali regole al modello.

Aspetti ancora ignoti

  • Qual è l’elenco completo degli otto algoritmi e delle nove variabili utilizzati nello studio?
  • Con quale metodo di validazione e per quale periodo di previsione è stata valutata la precisione del modello?
  • Quanto si ridurrebbe l’errore di previsione includendo nel modello le regole operative del Lago Ontario?

Che cosa possono verificare i lettori

  • Quando si consultano i risultati di una previsione dei livelli, è necessario considerare non soltanto i valori di accuratezza, ma anche il periodo di previsione e il metodo di validazione. L’articolo originale non specifica questi criteri nel dettaglio.
  • Se si utilizzano previsioni dell’IA per le alluvioni o la gestione delle dighe, si può verificare se i dati in ingresso includano soltanto le medie mensili di clima e deflusso o anche le regole operative effettive e il processo decisionale.
  • Per interpretare le previsioni stagionali dei livelli, si può verificare se nell’analisi siano incluse non solo le condizioni meteorologiche del mese in corso, ma anche quelle dei mesi precedenti. I ricercatori hanno concluso che le condizioni delle stagioni precedenti possono influire sui livelli.