Intelligenza Artificiale: sistema di previsione migliora fino al 25% il tracciamento degli sversamenti di petrolio in mare
Un nuovo studio, guidato dai ricercatori del CMCC, migliora significativamente le previsioni delle traiettorie delle maree nere integrando l’intelligenza artificiale con modelli numerici oceanici tradizionali. La ricerca mostra come ottenere previsioni più accurate e tempestive, realizzare più rapidamente analisi e test degli scenari: si tratta di un’evoluzione di grande importanza a supporto delle attività di risposta alle emergenze.
Risultati principali
- Un utilizzo integrato dell’intelligenza artificiale e della modellistica tradizionale ha portato a un miglioramento significativo delle previsioni di traiettoria degli sversamenti di petrolio in mare
- Migliora l’accuratezza dei risultati: fino al 20% di precisione in più nel confronto con osservazioni satellitari e fino al 25% in più nel tracciamento della posizione delle macchie di petrolio.
- Il modello integrato con AI è validato con dati reali, quelli della marea nera di Baniyas (Siria, 2021), dove oltre 12.000 metri cubi di petrolio si sono riversati nel Mediterraneo.
- Questo framework è trasferibile e adattabile ad altri sistemi di previsione ambientale che affrontano sfide simili di incertezza.
Le maree nere possono essere tra i disastri ambientali più devastanti, capaci di compromettere gli ecosistemi marini, danneggiare gravemente le comunità costiere e generare danni economici e ambientali duraturi. I modelli numerici tradizionali, come MEDSLIK-II, simulano il movimento e la trasformazione delle particelle di petrolio nell’acqua marina, ma la loro accuratezza è stata finora limitata dalla dipendenza dal lavoro degli esperti per la calibrazione dei parametri fisici critici. Questo processo non riesce sempre a catturare la complessità e la variabilità delle condizioni oceaniche e atmosferiche reali.
Pubblicato sulla rivista Ecological Informatics, lo studio “Improving oil slick trajectory simulations with Bayesian optimization” affronta questa sfida introducendo la Bayesian optimization – una tecnica di intelligenza artificiale (AI) che apprende automaticamente dalle osservazioni satellitari per regolare i parametri fisici del modello. Un approccio ibrido che riesce a combinare l’affidabilità della modellistica basata sulla fisica con l’efficienza e l’adattabilità dell’AI.
“Questo lavoro rappresenta un passo avanti significativo nel colmare il divario tra la modellistica numerica oceanica tradizionale e le metodologie AI, mostrando che soluzioni ibride possono sfruttare efficacemente i punti di forza di entrambi i mondi”, spiega Gabriele Accarino, ricercatore del CMCC e della Columbia University, nonché autore principale dello studio. “Accoppiando il framework di Bayesian optimization con il modello comunitario MEDSLIK-II e con osservazioni satellitari, abbiamo introdotto un prototipo per i sistemi operativi di previsione di nuova generazione.”
Macchie di petrolio selezionate dal 24 al 27 agosto 2021 relative all’incidente della fuoriuscita di petrolio a Baniyas, in Siria. Ogni pannello mostra le fasi consecutive della chiazza di petrolio secondo le rilevazioni satellitari e i tempi di rivisitazione. Fonte: Accarino et al, 2025
Applicazioni concrete
“Le maree nere hanno impatti seri sugli ecosistemi e sulle attività umane, e prevederne l’evoluzione è cruciale per interventi efficaci”, sottolinea Marco De Carlo, ricercatore CMCC e co-autore dello studio. “I modelli numerici tradizionali sono utili ma si basano su parametri scelti manualmente, il che può introdurre incertezza. Piuttosto che sostituire la fisica, il nostro approccio ibrido la integra, migliorando il realismo e l’affidabilità delle simulazioni, e ottenendo buoni risultati anche con dati scarsi.”
L’efficacia dell’approccio ibrido è stata validata dal team di ricerca utilizzando l’incidente della marea nera di Baniyas, Siria, del 2021. I risultati hanno mostrato miglioramenti notevoli: l’accuratezza spaziale risulta aumentata fino al 20% nel confronto con le osservazioni satellitari in merito alla forma e alla diffusione della chiazza di petrolio; il tracciamento della posizione migliora fino al 25% rispetto alle previsioni standard; il punteggio di skill complessivo (che confronta le distribuzioni spaziali degli sversamenti con parametri reali come osservazioni satellitari) migliora dal 7,97% al 20,66% in media rispetto alle simulazioni di controllo.
Questi progressi si sono mantenuti coerenti su più step temporali, soprattutto nei periodi di maggiore variabilità dello spostamento in base alle maree, dimostrando l’efficacia del metodo in condizioni ambientali dinamiche. Ciò si traduce in benefici significativi per i servizi di emergenza, che possono disporre di previsioni più accurate e quindi pianificare interventi più mirati, riducendo potenzialmente i danni agli ecosistemi marini.
Un altro vantaggio importante è che il modello di machine learning allenato contribuisce ad accelerare il modello numerico calibrandone i parametri in modo efficiente, consentendo analisi e test di scenari più rapidi.
“Il sistema può anche aggiornarsi in tempo reale con l’arrivo di nuove osservazioni. Inoltre è trasferibile e rilocabile, può quindi essere applicato ad aree geografiche diverse o ad altri contesti, come la modellistica atmosferica o oceanica”, continua De Carlo. “Questo lo rende non solo uno strumento di ricerca, ma anche una soluzione pratica per usi operativi, a supporto di processi decisionali che possono beneficiare della rapidità durante le emergenze ambientali.”
“Come oceanografo specializzato nelle simulazioni di inquinamento marino, so che l’esperienza del modellista è cruciale per rappresentare con successo eventi come gli sversamenti di petrolio,” afferma Igor Ruiz Atake, ricercatore CMCC e co-autore dello studio. “Il nostro team interdisciplinare ha sviluppato un approccio che cerca automaticamente i parametri ottimali del modello di marea nera. I risultati ottenuti devono ancora essere testati su altri eventi reali, ma ci aspettiamo che permettano agli esperti di dedicare più tempo alla comprensione complessiva dell’evento invece che agli aspetti tecnici. Nelle emergenze marine, il tempo è essenziale.”
Oltre la risposta alle maree nere
Questo framework innovativo ha un potenziale significativo anche per altri sistemi di previsione ambientale che affrontano sfide simili di incertezza e scarsità di osservazioni. Ad esempio, potrebbe essere applicato ai modelli atmosferici o di circolazione oceanica generale, contribuendo a ridurre gli errori di lunga data e migliorare la rappresentazione dei processi fisici su piccola scala.
“In questo senso, lo studio non introduce soltanto un contributo tecnico innovativo, ma segna anche un cambio di paradigma nella previsione ambientale, dove la physics-informed AI (fisica integrata con AI) diventa un pilastro della gestione operativa del rischio e delle strategie di resilienza climatica”, osserva Accarino.
Con il cambiamento climatico che continua a modificare le condizioni oceaniche e atmosferiche, approcci innovativi come questo sistema di modellistica potenziato dall’AI diventano sempre più importanti per proteggere gli ambienti marini e le comunità costiere dai disastri ambientali.
I risultati dello studio dimostrano che l’integrazione dell’intelligenza artificiale con la modellistica tradizionale può portare miglioramenti concreti, utili sia alla comprensione scientifica che alla capacità operativa di risposta alle emergenze.
Le simulazioni utilizzate nello studio sono state condotte con il JUNO Hybrid Cluster del CMCC, uno dei più avanzati centri di calcolo in Europa per la ricerca sul clima e l’ambiente. I ricercatori CMCC hanno guidato la progettazione del workflow di ottimizzazione, integrato i componenti di machine learning e validato i risultati con dati satellitari.
Per ulteriori informazioni:
Gabriele Accarino, Marco M. De Carlo, Igor Ruiz Atake, Donatello Elia, Anusha L. Dissanayake, Antonio Augusto Sepp Neves, Juan Peña Ibañez, Italo Epicoco, Paola Nassisi, Sandro Fiore, Giovanni Coppini, Improving oil slick trajectory simulations with Bayesian optimization, Ecological Informatics, Volume 91, 2025, 103368, ISSN 1574-9541, https://doi.org/10.1016/j.ecoinf.2025.103368