Un gruppo di ricerca coordinato dall’Università Ca’ Foscari Venezia, in collaborazione con l’Istituto di scienze polari del Consiglio nazionale delle ricerche (Cnr-Isp), ha sviluppato un modello di machine learning denominato IceBoost v2.0, i cui risultati sono stati pubblicati sulla rivista Scientific Data del gruppo Nature. Elaborato da Niccolò Maffezzoli, fisico e ricercatore di Ca’ Foscari associato al Cnr-Isp, il sistema è stato addestrato analizzando oltre 7 milioni di misurazioni dirette dello spessore del ghiaccio incrociate con 26 variabili fisiche e geometriche, tra cui la velocità del ghiaccio, le temperature locali, la pendenza e la curvatura del terreno.
Calotta glaciale di Devon (Artico canadese settentrionale)
Il modello ha permesso di ricostruire la distribuzione e lo spessore di ogni ghiacciaio compreso nel Randolph Glacier Inventory, escludendo le calotte polari di Antartide e Groenlandia, e di rendere i dati liberamente consultabili attraverso una web-app interattiva raggiungibile all’indirizzo https://nmaffe.github.io/iceboost_webapp/ per l’esplorazione dei parametri globali. Secondo i dati emersi, i ghiacciai del pianeta conservano un volume complessivo stimato in circa 150 mila chilometri cubi di ghiaccio, corrispondenti a un potenziale innalzamento del livello medio dei mari pari a 32,3 centimetri in caso di fusione completa. Rispetto alle mappature precedenti, IceBoost v2.0 offre una precisione superiore fino al 40% nell’aderenza ai rilievi sul campo; sul Geikie Plateau, in Groenlandia orientale, dove lo spessore raggiunge i 2 chilometri, la nuova stima ha rilevato un volume quasi doppio rispetto alle rilevazioni passate.
Sulla rilevanza metodologica di questi parametri per la modellistica climatica, Niccolò Maffezzoli ha spiegato: “La distribuzione dello spessore del ghiaccio è una variabile fondamentale per i modelli glaciologici e climatici. Per prevedere come evolveranno i ghiacciai al 2100 e il loro contributo all’innalzamento del livello dei mari serve conoscerne lo stato attuale con il maggiore dettaglio possibile. Ricercatrici e ricercatori del Glacier Model Intercomparison Project (GlacierMIP4) che si stanno occupando delle prossime simulazioni per informare l’IPCC sull’evoluzione dei ghiacciai al 2100 utilizzeranno IceBoost v2.0 come unica rappresentazione della situazione attuale”.
Arcipelago delle Svalbard
Il dataset individua inoltre le aree geografiche con margini d’incertezza superiori che necessitano di ulteriori campagne di rilevamento, tra cui l’Himalaya, il Karakoram e gli ice fields della Patagonia, fornendo indicatori utili anche per la gestione delle riserve d’acqua dolce da cui dipendono circa 1,9 miliardi di persone a livello globale. Analizzando la complessità dei sistemi glaciali e le prospettive della ricerca, Maffezzoli ha concluso: “I ghiacciai sono sistemi complessi. La fisica che li descrive è nota. Tuttavia, molti parametri che entrano nelle equazioni sono ignoti oppure le variabili sono difficilmente misurabili. I modelli basati su machine learning offrono un approccio alternativo. Imparano dai dati, formulando previsioni senza una descrizione fisica imposta a priori. Spesso, se abbiamo dati sufficienti, questo approccio è vincente. In futuro andremo verso lo sviluppo di modelli ibridi, in cui la descrizione fisica e l’apprendimento dalle misure sperimentali lavoreranno insieme per produrre stime più accurate. Dobbiamo fare in fretta, i ghiacciai alle medie latitudini, Alpi comprese, scompariranno entro qualche decennio”. Lo studio è stato finanziato tramite una fellowship Marie Skłodowska-Curie Actions del programma Horizon Europe all’interno del progetto SKYNET, in collaborazione con l’Università della California Irvine, il Jet Propulsion Laboratory della NASA, il Dartmouth College e l’Università di Copenaghen.
