Un nuovo modello di machine learning prova a ricostruire lo spessore nascosto dei ghiacciai nel mondo, con risultati particolarmente interessanti nelle regioni artiche.
Perché mappare il ghiaccio
Quando si osserva un ghiacciaio dall’alto, attraverso una fotografia o un’immagine satellitare, quello che vediamo è soltanto la sua superficie. Sotto quella distesa bianca però possono nascondersi centinaia di metri di ghiaccio, modellati dalla topografia del terreno e dal movimento lento, avvenuto nel corso di migliaia di anni, della massa glaciale. Sapere quanto materiale si trova realmente sotto il livello del suolo è fondamentale per capire non soltanto quanto sia grande oggi un ghiacciaio, ma anche quanto potrebbe contribuire all’innalzamento del livello del mare nei prossimi decenni a causa dell’aumento delle temperature medie a cui stiamo assistendo.
Questa è una delle domande a cui prova a rispondere un nuovo studio pubblicato su Scientific Data. Un gruppo internazionale di ricercatori guidato dall’Università Ca’ Foscari di Venezia ha realizzato una nuova stima globale dello spessore dei ghiacciai utilizzando IceBoost v2.0, un modello di machine learning addestrato su oltre sette milioni di misurazioni dello spessore del ghiaccio. Il risultato è un enorme dataset che restituisce una mappa dello spessore per centinaia di migliaia di masse glaciali in tutto il mondo, compresi quelli delle regioni artiche.
Oltre a quello che vediamo
Misurare direttamente lo spessore di un ghiacciaio è tutt’altro che semplice. Le informazioni disponibili arrivano soprattutto da campagne effettuate sul campo o da rilievi aerei, spesso utilizzando radar capaci di attraversare il ghiaccio e raggiungere il substrato roccioso. Nel corso degli ultimi decenni sono state raccolte milioni di misurazioni, successivamente riunite in database internazionali come GlaThiDa, il Glacier Thickness Database. Il problema è che queste misurazioni non sono distribuite uniformemente sul pianeta, alcuni ghiacciai sono stati studiati in grande dettaglio, mentre per altri esistono pochissimi dati o addirittura nessuna misurazione diretta, ed è qui che entra in gioco IceBoost.
Il modello è stato addestrato utilizzando dati relativi a 1.661 ghiacciai e più di 7 milioni di misurazioni. Le informazioni non riguardano soltanto lo spessore, il sistema considera 26 variabili, tra cui elevazione, pendenza e curvatura della superficie, velocità di movimento, temperatura, bilancio di massa, distanza dai margini e dall’oceano. In altre parole, cerca di riconoscere le relazioni tra le caratteristiche osservabili a occhio nudo e lo spessore del ghiaccio misurato direttamente. Non significa, quindi, che l’intelligenza artificiale abbia “visto” il fondo di ogni ghiacciaio. Il modello utilizza ciò che è già stato misurato per stimare ciò che accade in quelli per cui le informazioni dirette sono scarse.
Una fotografia globale
Il risultato è una delle più estese ricostruzioni disponibili dello spessore glaciale mai realizzate fino ad ora. IceBoost è stato utilizzato per esempio per modellare oltre a 955 masse glaciali collegate ai margini della calotta groenlandese nella prima versione dell’inventario. Nel complesso, la stima ottenuta indica un volume globale di circa 150.000 km³, con un’incertezza di 38.000 km³. Tradotto in termini di innalzamento del livello del mare, la quantità di ghiaccio corrisponde a un sea-level equivalent di circa 323 millimetri.
Numeri che a prima vista possono sembrare sorprendenti, ma che mostrano quanto sia importante conoscere meglio la quantità di ghiaccio ancora presente sulla Terra. L’aumento della velocità di fusione avvenuto negli ultimi anni ha causato la perdita di circa il 5% della loro massa complessiva negli ultimi due decenni, con perdite che in alcune regioni arrivano fino al 39%. Questo fattore contribuisce oggi a circa un quarto (o poco più) dell’innalzamento complessivo del livello del mare sul pianeta.
L’Artico è uno dei luoghi in cui il modello funziona meglio
Uno degli aspetti più interessanti dello studio riguarda proprio l’Artico, dove IceBoost sembra offrire un miglioramento particolarmente significativo rispetto ad alcuni modelli precedenti.
Confrontato con le misurazioni disponibili, il nuovo modello presenta un errore quadratico medio dal 20 al 45% inferiore rispetto agli altri modelli nelle regioni dell’High Arctic. Non è un dettaglio secondario, infatti proprio alle alte latitudini si concentra una parte consistente dei dati utilizzati per l’addestramento, provenienti anche da campagne radar effettuate in Canada, Groenlandia, Svalbard e nelle regioni periferiche dell’Antartide. Tra i risultati più interessanti c’è quello relativo al Geikie Plateau, nella Groenlandia orientale. Qui IceBoost stima una quantità di ghiaccio quasi doppia rispetto a quella precedentemente riportata. Una differenza di questa portata non riguarda soltanto la sua “contabilità”, ma può contribuire a migliorare la conoscenza della topografia nascosta sotto la superficie glaciale, cioè del terreno sul quale poggia.
Il nuovo dataset non elimina naturalmente il problema dell’incertezza, ma uno degli aspetti più interessanti dello studio è proprio il tentativo di quantificarla. I ricercatori hanno sottoposto il modello a svariate simulazioni, modificando ripetutamente le variabili di ingresso entro i rispettivi margini di errore. In questo modo hanno potuto stimare quanto le incertezze nei dati di partenza si ripercuotano sulla previsione finale dello spessore. Il risultato è particolarmente rilevante nelle aree dove il ghiaccio è spesso e la superficie relativamente poco inclinata. Qui piccole variazioni nella pendenza possono produrre variazioni più importanti nella stima dello spessore. I ricercatori utilizzano anche un indicatore chiamato Jensen Gap, che permette di individuare le zone in cui l’incertezza degli input interagisce maggiormente con il comportamento non lineare del modello.
Dal fondo dei ghiacciai al loro futuro
Il valore di IceBoost dunque non sta soltanto nell’aver prodotto una nuova cifra per il volume complessivo dei ghiacciai. Il vero risultato è la disponibilità di una mappa distribuita dello spessore del ghiaccio, che permette di passare da una stima generale a una visione molto più dettagliata di come sia distribuito all’interno delle singole masse glaciali
I dataset sono stati resi pubblicamente disponibili, insieme alle mappe delle incertezze e al modello stesso. Questo significa che altri ricercatori potranno utilizzarli per studiare l’evoluzione futura dei ghiacciai, migliorare le proiezioni sull’innalzamento del livello del mare e individuare le aree dove nuove campagne di misura potrebbero essere più utili. In un Artico che cambia rapidamente, conoscere soltanto la superficie non è più sufficiente. Per capire quanto ghiaccio rimane, quanto potrebbe andare perduto e quali conseguenze potrebbe avere quella perdita, bisogna sapere anche cosa si nasconde sotto quella superficie.
IceBoost non offre quindi una fotografia perfetta e definitiva del mondo glaciale, ma qualcosa di altrettanto importante: una nuova mappa delle nostre conoscenze e delle nostre incertezze. In un ambiente che sta cambiando più velocemente della capacità di aggiornarne le misure, sapere dove siamo più sicuri e dove invece ci manca ancora informazione può essere il primo passo per capire meglio il futuro del ghiaccio artico.
Pietro Boniciolli
Osservatorio Artico © Tutti i diritti riservati
