Hanno scaldato tutti gli oceani di 2 °C: come ha reagito l’IA che simula il clima

Aumentare di 2 °C la temperatura superficiale di tutti gli oceani dentro un modello e osservare come reagiscono atmosfera, pioggia e terre emerse. È il test usato da un nuovo studio per valutare tre modelli atmosferici basati sull’intelligenza artificiale fuori dalle condizioni sulle quali erano stati addestrati.

I risultati pubblicati il 3 settembre sono misti. I modelli riproducono diversi aspetti medi del clima attuale e alcuni rispondono in modo credibile per le precipitazioni globali. Emergono però differenze ampie nel riscaldamento dei continenti, nella circolazione atmosferica e nel bilancio radiativo. Il lavoro non stabilisce quale tempo farà in Italia e non è una previsione del clima del 2050: è una prova controllata sulla coerenza fisica delle risposte.

Che cosa hanno davvero provato

Gli autori hanno confrontato cBottle, ACE2-ERA5 e NeuralGCM con AM4, un modello atmosferico tradizionale sviluppato al Geophysical Fluid Dynamics Laboratory della NOAA. I tre sistemi con apprendimento automatico differiscono per architettura e grado di integrazione con la dinamica fisica. NeuralGCM, per esempio, combina una componente appresa dai dati con un nucleo dinamico.

Ogni modello è stato eseguito prima con un ciclo annuale di temperature marine e ghiaccio ricavato dal periodo 1981-2014. Nel secondo esperimento, a ogni punto oceanico sono stati aggiunti uniformemente 2 °C. Il confronto misura la risposta di equilibrio dell’atmosfera a una perturbazione semplice e identica per tutti.

Questa configurazione non riproduce un futuro climatico completo. L’oceano non reagisce alle variazioni dell’atmosfera, la distribuzione del riscaldamento è uniforme e non viene simulato direttamente l’aumento della CO₂. Anche AM4 costituisce un riferimento, non una verità perfetta. Il valore del test sta nella possibilità di verificare se emergano risposte climatiche robuste quando i modelli con IA vengono spinti oltre il clima presente contenuto nei dati di addestramento.

La pioggia è il risultato più convincente

Tutti e tre i modelli con IA producono un aumento della precipitazione media globale vicino al 3% per ogni grado di riscaldamento imposto agli oceani. La risposta è confrontabile con quella di AM4 e con l’ordine di grandezza atteso dalla fisica del sistema climatico. ACE2 e NeuralGCM riproducono anche il rafforzamento medio del contrasto fra regioni tropicali piovose e regioni più asciutte.

Per le precipitazioni tropicali più intense, valutate attraverso il percentile 99,9, gli aumenti sono del 4,5% per grado in cBottle, 3,1% in ACE2 e 3,8% in NeuralGCM. AM4 raggiunge il 4,6%. La vicinanza dei numeri aggregati non garantisce però che ogni meccanismo sia corretto.

Lo studio trova errori che possono compensarsi. Un modello può ottenere una variazione media plausibile pur rappresentando in modo imperfetto il rapporto fra umidità atmosferica e pioggia. Per valutare l’affidabilità occorre quindi controllare non soltanto il totale globale, ma anche distribuzione geografica, estremi e legami fra le variabili.

Sulle terre emerse emergono differenze grandi

La risposta dei continenti separa nettamente alcuni sistemi. Nel modello fisico AM4, la temperatura media dell’aria sulle terre emerse aumenta di 2,67 °C quando l’oceano viene riscaldato di 2 °C. cBottle produce soltanto 0,12 °C e ACE2 0,26 °C. In questi due casi manca quasi interamente l’amplificazione del riscaldamento sulla terra rispetto al mare.

NeuralGCM si avvicina di più alla struttura attesa e rappresenta un riscaldamento continentale rafforzato. Rimangono differenze, soprattutto alle alte latitudini, dove l’aumento termico risulta sottostimato. Gli autori collegano parte del problema alla necessità di estrapolare oltre la distribuzione dei dati utilizzati durante l’addestramento.

Altri esperimenti citati nel lavoro mostrano che ACE2 migliora quando viene addestrato anche su climi perturbati prodotti da un modello fisico. È un’indicazione metodologica: esporre un sistema soltanto alla variabilità recente può non bastare per insegnargli come cambiano i bilanci energetici in condizioni nuove.

Venti e radiazione mostrano i limiti fisici

Nel modello tradizionale e in NeuralGCM, la troposfera tropicale superiore si riscalda più della superficie e i venti occidentali in quota si rafforzano. cBottle e ACE2 non ricostruiscono altrettanto bene questa risposta. Tutti i modelli con IA mostrano inoltre deviazioni nella circolazione meridiana; in alcuni calcoli di cBottle e ACE2 compaiono flussi di massa difficili da conciliare con i vincoli dinamici.

Il bilancio radiativo aggiunge un altro controllo. Per cBottle, il riscaldamento uniforme degli oceani porta a un aumento netto dell’energia al limite superiore dell’atmosfera, una risposta giudicata fisicamente poco realistica dagli autori. ACE2 produce il segno generale atteso, ma con una variazione della radiazione infrarossa uscente più debole rispetto ad AM4. NeuralGCM non forniva le variabili radiative necessarie per lo stesso confronto.

Queste differenze contano perché temperatura, vento, nuvole e radiazione devono restare collegati da bilanci coerenti. Un errore piccolo nella previsione meteorologica di pochi giorni può avere effetti diversi da un errore che persiste per decenni in una simulazione climatica.

Come leggere una previsione atmosferica prodotta con IA

Il lavoro riguarda simulazioni climatiche di equilibrio, non la capacità di prevedere il tempo della prossima settimana. Un modello può essere molto abile nel seguire l’evoluzione atmosferica a breve termine e avere ancora limiti quando viene sottoposto a temperature mai viste durante l’addestramento. Le due prestazioni vanno misurate con prove differenti.

Per lo stesso motivo, questo esperimento non permette di assegnare nuove temperature o piogge future alle varie parti del pianeta. La perturbazione uniforme di 2 °C serve a isolare una risposta, mentre il riscaldamento reale varia fra bacini, stagioni e latitudini e interagisce con oceano, ghiaccio, vegetazione e gas serra.

La conclusione più utile è un criterio di verifica. Prima di affidare a un modello con IA una proiezione climatica occorre controllare variabile per variabile se conserva energia, massa e relazioni dinamiche anche fuori dal clima di addestramento. I risultati sulla pioggia mostrano potenzialità concrete; quelli su continenti, circolazione e radiazione indicano dove la validazione deve diventare più severa. Sistemi ibridi e dati provenienti da climi perturbati possono ridurre alcuni limiti, ma ogni miglioramento richiede nuovi confronti indipendenti.