Un modello a rete neurale per lo studio di influenza di indici relativi alla circolazione globale dell’atmosfera sul clima a scala regionale

In questo lavoro di tesi si è cercato di applicare quell’ analisi ad ampio fronte, di cui si è detto nell’introduzione, ad uno specifico caso di studio nel sistema climatico alla scala regionale.
Come si è già discusso, i problemi della complessità richiedono talvolta di essere affrontati da punti di vista diversi, cioè con approcci alternativi che possano complementarsi e far maggiore luce sul problema stesso. Ciò è già successo in passato con le analisi di attribution di forzanti naturali e antropogeniche sull’andamento della temperatura globale degli ultimi 150 anni (IPCC, 2007 e Pasini 2006): in questo caso i risultati dei due approcci convergono sull’imporatnza delle forzanti antropogeniche nel periodo considerato e consentono quindi di avere maggiore confidenza nel risultato stesso.
Nel caso qui studiato, si è inteso stimare quali flussi di circolazione abbiano maggiormente influenzato le temperature della regione alpina sud-occidentale negli ultimi cinquanta anni mediante un esame ad ampio fronte effettuato tramite analisi non lineari bivariate ed un modello a rete neurale.
Il campo di studi in questione è stato caratterizzato nel recente passato dall’analisi dell’influsso di alcuni di questi indici sul clima alpino. Tuttavia tali studi hanno considerato solo alcuni indici e sono stati caratterizzati dall’uso di analisi strettamente lineari. In questa tesi, per la prima volta, si fornisce uno studio di tutti gli indici di possibile influenza sulla temperatura del settore alpino e, per di più, le analisi qui inserite sono effettuate con tecniche non lineari, cosa questa pressoché indispensabile se si vogliono cogliere i legami altamente non lineari in un sistema complesso come quello climatico.
Più nello specifico, l’analisi bivariata non lineare ha permesso di comprendere l’importanza dei singoli indici sul fattore termico alpino, talvolta evidenziando le differenze con l’analoga analisi lineare che ovviamente non riesce a cogliere tutti i legami all’interno di questo sistema complesso. Ciò ha permesso di valutare diversamente l’influsso di alcuni indici rispetto ad altri nelle varie stagioni dell’anno, talvolta evidenziando l’importanza di alcuni indici che le correlazioni lineari portavano a valutare come praticamente ininfluenti (è questo il caso, ad esempio, dell’indice EBI durante l’inverno: vedi tabella 1). Quest’analisi preliminare ha permesso di comprendere quali input potessero essere fondamentali per addestrare una rete neurale a ricostruire la temperatura sulla zona di interesse.
Il problema allo studio, inoltre, è caratterizzato da una corta serie temporale di dati (50 anni). Ciò ha costretto a dotare la rete di pochi gradi di libertà al fine di non ricadere in problemi di overfitting. Nel contempo, però, si è sviluppata anche una particolare strategia di addestramento e di validazione della rete (molto utile proprio per il trattamento di problemi caratterizzati da corte serie temporali di dati), la cosiddetta “all frame” cross-validation, che ha consentito comunque una ricostruzione soddisfacente della temperatura dell’arco alpino sud-occidentale in vari periodi dell’anno.
Le analisi statistiche effettuate sui risultati delle regressioni multiple lineari e dell’applicazione del modello neurale hanno permesso di appurare che talvolta le reti neurali ottengono risultati significativamente migliori del modello multilineare e che, anche laddove i risultati delle prestazioni appaiono confrontabili, le ricostruzioni neurali mostrano alcune peculiarità nei singoli intervalli di valori di temperatura (ad esempio, significativi sono i miglioramenti nella ricostruzione degli eventi estremi).
Questo lavoro di tesi contribuisce pertanto alla comprensione dell’influenza dei vari flussi di circolazione globale sulla temperatura della regione alpina considerata. Tale informazione, come già accennato, risulta di grande importanza nel momento in cui si vogliano ottenere scenari climatici futuri a scala regionale, in quanto permette di capire quali variabili a grande scala vanno considerate per l’attività di downscaling e induce a scegliere per tale attività solo quegli AOGCM che si dimostrano in grado di ricostruire correttamente tali influssi.