Intelligenza artificiale, un aiuto contro i cambiamenti climatici: progetti e prospettive

Dal monitoraggio delle immagini satellitari per valutare l’impatto dei disastri ambientali a livello locale alla lotta alle emissioni di anidride carbonica, passando per previsioni meteo a lunghissimo termine per mitigare gli impatti del clima che cambia. Ecco come l’AI può dire la sua nella lotta ai cambiamenti climatici

Ciò che emerge dalla conferenza ONU sui cambiamenti climatici “COP26” di Glasgow (Scozia, Regno Unito) è sempre il solito stallo che vede una parte del globo, principalmente quella occidentale, che si sforza di migliorare (e, con sacrifici, migliora!) e un’altra parte – la più geograficamente vasta ed “inquinante” – ferma sulle sue posizioni da svariati anni. Mettendo da parte le questioni affrontate e le decisioni che (forse non) verranno prese durante la conferenza novembrina scozzese, la tematica in oggetto può essere affrontata anche dal punto di vista tecnologico.

Ed anche qui l’Intelligenza Artificiale entra di prepotenza in gioco nell’ambizioso tentativo di apportare miglioramenti al rapporto tra gli esseri umani ed il sofferente clima terrestre. Di seguito alcuni recenti progetti tecnologici “a zero chiacchiere” che – ottimisticamente – ci aiuteranno ad affrontare alcuni cambiamenti climatici dei prossimi anni… o mesi.

Cop26, tutte le speranze e le sfide per salvarci dal disastro climatico

Indice degli argomenti

AI e monitoraggio degli impatti ambientali: il modello “Sunny Lives”

La multinazionale americana IBM e la ONG indiana Sustainable Environment and Ecological Development Society (SEEDS) hanno sviluppato “Sunny Lives”, un modello alimentato dall’Intelligenza Artificiale che valuta l’impatto dei disastri, utilizzando immagini satellitari ad alta risoluzione per valutare i rischi di pericolo a livello locale. Tale progetto ha visto la collaborazione di Microsoft, nell’ambito del suo programma globale “Artificial Intelligence for Humanitarian Action”^[1].

Sunny Lives rileva le “impronte” degli edifici e assegna loro punteggi di rischio relativo con valori che vanno da uno a cinque. Il modello prende in considerazione il tipo di pericolo – come inondazioni o ondate di calore – analizza l’esposizione sulla base di parametri geografici – come la pendenza e la vegetazione – e utilizza la classificazione degli edifici per la vulnerabilità socio-economica degli abitanti. Il punteggio di rischio relativo assegnato, dopo aver rilevato le impronte degli edifici, è successivamente utilizzato per dare priorità alle famiglie a più alto rischio, permettendo un intervento ad hoc delle autorità competenti. Per esempio, una casa di cemento e un’abitazione con il tetto di paglia affronterebbero con prevedibile differenza l’impatto di un ciclone tropicale, anche se i due edifici fossero situati uno accanto all’altro. In questo ambito, Microsoft ha utilizzato l’apprendimento automatico (“Machine Learning”, branca dell’Intelligenza Artificiale) per agevolare il processo di identificazione delle abitazioni e delle relative tipologie.

In India, le immagini satellitari di insediamenti a basso reddito, in quartieri ad alta densità abitativa e fortemente vulnerabili, sono state utilizzate per identificare sette diverse categorie di abitazioni, tra le quali spiccano quelle con tetti di tela, quelle con tetti di lamiera e quelle con tetti rivestiti di tegole. Sunny Lives è stato utilizzato su più ampia scala per la prima volta durante il ciclone Yaas nel maggio 2021. Le indagini sull’impatto post-disastro hanno evidenziato che il 97% delle famiglie indiane interessate ha trovato le informazioni prodotte dal modello utili, apportando una riduzione di perdite “materiali” ed un’adozione di misure preventive che hanno anticipato l’arrivo del ciclone. Un modello di Intelligenza Artificiale come Sunny Lives offre una possibilità infinita di applicazioni in diverse geografie urbane e con differenti “rischi multipli”. La SEEDS, infatti, pensa di integrare l’uso del modello per l’adattamento al cambiamento climatico e la gestione dei disastri in modo che il rischio locale delle comunità sia compreso ed affrontato scientificamente.

COP26: Greta Thunberg calls summit "a failure and PR event"

Lotta alle emissioni di anidride carbonica

Diverse aziende si sono impegnate a fermare il cambiamento climatico partendo dalla lotta alle emissioni di anidride carbonica.

L’azienda statunitense di cloud computing Salesforce, ad esempio, ha messo in piedi la Salesforce Sustainability Cloud con la missione di tracciare tali inquinanti. Anche Microsoft sta per varare uno strumento per il calcolo delle emissioni di anidride carbonica chiamato Microsoft Cloud for Sustainability, probabilmente disponibile entro la metà del 2022.

IBM, invece, ha recentemente presentato una suite di software di intelligenza ambientale che utilizza l’Intelligenza Artificiale per aiutare le organizzazioni a prepararsi e rispondere ai rischi climatici. Il team preposto di IBM ha affermato che la suite aiuterà le imprese che l’hanno implementata a valutare più facilmente il loro impatto sul pianeta, provvedendo a ridurre anche la complessità della conformità normativa del settore. La suite del colosso statunitense acquisisce i dati meteorologici esistenti da varie fonti col fine di raccogliere e compilare i dati corrispondenti. IBM ha affermato che la sua soluzione è di tipo “Software as a Service” (SaaS) ed è progettata per aiutare le organizzazioni a monitorare le condizioni ambientali “dirompenti”, prevedendo i potenziali impatti del cambiamento climatico e dando priorità agli sforzi di mitigazione. La mitigazione lavora per aiutare le organizzazioni a raggiungere i loro obiettivi di emissioni nette a “carbonio zero”, ottimizzando le loro emissioni e rendendo i loro processi aziendali più sostenibili. L’obiettivo del team IBM, in termini di adattamento, è in pratica quello di aiutare le aziende ad adattarsi a condizioni meteorologiche estreme.

Le previsioni del tempo vengono fatte su un range di una o due settimane. Nel futuro, forse, si potrà pensare a previsioni meteo che vanno da sei mesi o tre anni. Quest’ultimo è un orizzonte che rappresenta un’importante area di opportunità dal punto di vista della pianificazione e del processo decisionale delle aziende (e dei governi). Ottenere una tecnologia che aiuti a prendere decisioni su questi lassi infiniti di tempo sarà la sfida che IBM e altre aziende del settore affronteranno nei prossimi mesi.^[2]

Le previsioni metereologiche

Avendo citato le previsioni meteo a lunghissimo termine che “impegnano” gli esperti IBM, esaminiamo un altro interessante progetto statunitense in merito. La University of Minnesota, in collaborazione con la Columbia University, sta partecipando a un nuovo progetto da venticinque milioni di dollari che ridurrà le incertezze nelle proiezioni del cambiamento climatico utilizzando l’Intelligenza Artificiale. In poche parole, proiezioni più accurate sul cambiamento climatico possono aiutare politici e scienziati a creare congiuntamente misure concrete per mitigare gli impatti del clima che cambia in futuro. Il centro Learning the Earth with AI and Physics (LEAP) della Columbia University mira a sviluppare modelli di proiezione attraverso l’uso di nuove tecnologie, con alcune differenze circa l’utilizzo delle tradizionali tecniche di modellazione utilizzate in passato. Il LEAP mira a scardinare il sistema poco efficiente degli attuali modelli meteorologici che hanno comportato conseguenze devastanti sulla vita di milioni di persone, come nel caso degli incendi in California e dei recenti uragani degli USA sud-orientali.

Prevedere con grande accuratezza il futuro cambiamento climatico permetterà agli scienziati di reagire ai futuri modelli meteorologici e ai disastri naturali, delineando possibili misure preventive atte a scongiurare o mitigare conseguenze negative. Le attuali proiezioni del cambiamento climatico mostrano che il livello del mare potrebbe aumentare da mezzo metro a due metri nei prossimi decenni. Un aumento del livello del mare di mezzo metro potrebbe comportare la necessità di costruire più argini (ad esempio, un sistema di dighe mobili o fisse), mentre un aumento del livello del mare di due metri potrebbe essere finanziariamente devastante in alcuni luoghi (ad esempio, città come Venezia sparirebbero). Creare un modello di proiezione più preciso aiuterebbe a ridurre questo divario e a fornire una guida più chiara per intraprendere le migliori misure di mitigazione possibili.

Il LEAP della Columbia University combina i vantaggi di due tecniche di modellazione frequentemente usate per fare previsioni: una tecnica modella i processi fisici del cambiamento climatico (come il riscaldamento globale) su un computer (ad esempio, le classiche previsioni del tempo); un’altra tecnica tradizionale è l’apprendimento automatico, che utilizza grandi quantità di dati per fare previsioni. Il colosso statunitense Amazon, ad esempio, lo usa per raccomandare nuovi prodotti agli utenti in base agli acquisti effettuati in passato. Tuttavia, ci sono dei limiti. Le tecnologie basate sulla fisica non possono fornire tutti i dettagli necessari per fare previsioni estremamente precise, mentre l’apprendimento automatico non applica la conoscenza scientifica e non può trarre conclusioni da dati ipotetici. Il LEAP, tuttavia, al momento sta sviluppando una nuova tecnologia che combinerà i vantaggi delle tecniche tradizionali, permettendo previsioni precise partendo da dati “limitati”.^[3]

Le simulazioni climatiche

Le simulazioni effettuate al computer, che gli scienziati utilizzano per comprendere l’evoluzione del clima sulla Terra, offrono una ricchezza di informazioni a disposizione degli enti governativi e delle aziende private. Tuttavia, i modelli climatici, al di là della loro complessità, contengono un certo grado di incertezza. Affrontare questa difficoltà si sta rivelando sempre più importante, dato che coloro che devono prendere decisioni (si pensi agli organi politici) si pongono domande sempre più complesse e sono di fronte a decisioni non sempre facili o popolari da prendere. Per migliorare le simulazioni climatiche, gli scienziati stanno guardando al potenziale dell’Intelligenza Artificiale, la quale – com’è noto – ha apportato profonde innovazioni in diversi campi. I ricercatori sono entusiasti di esplorare come tale tecnologia possa essere utilizzata per rivoluzionare il modo in cui il sistema Terra, e specialmente il suo ciclo dell’acqua, può essere simulato al fine di migliorare drasticamente la comprensione e la rappresentazione del “mondo reale” da parte dell’uomo. Com’è stato esaminato, l’Intelligenza Artificiale offre il potenziale per aumentare drasticamente l’accuratezza delle previsioni fino a determinate “scale di interesse” per gli scienziati e per tutti i soggetti interessati nel campo della progettazione, del finanziamento e della distribuzione di soluzioni climatiche eque alle comunità più svantaggiate. Motivato da queste opportunità, lo United States Department of Energy (DOE) ha lanciato un progetto ad hoc sull’argomento: Artificial Intelligence for Earth System Predictability (AI4ESP). Dopo la raccolta di più di centocinquanta white paper da parte della comunità scientifica interessata, AI4ESP ospiterà a breve un workshop che includerà diciassette sessioni per un periodo di sei settimane; tale workshop è stato progettato per creare una nuova comunità scientifica che “sposerà” la ricerca sul clima con l’Intelligenza Artificiale, la matematica applicata e il supercalcolo (che permette di eseguire calcoli matematici ad elevate prestazioni). Collegando i ricercatori nella prevedibilità del sistema terrestre e nelle scienze informatiche, AI4ESP cerca di creare un cambiamento di paradigma nella simulazione del sistema terrestre, ispirando una nuova generazione di algoritmi di Intelligenza Artificiale specificamente mirati alla prevedibilità climatica del pianeta Terra.

I continui miglioramenti aumenteranno la capacità delle attuali simulazioni di fornire intuizioni più profonde sui problemi su scala comunitaria e su quelli che coinvolgono il tempo più estremo, permettendo potenzialmente alle parti interessate una migliore comprensione delle incertezze che circondano tali eventi.^[4]