Nonostante ci sia ancora molto scetticismo sul tema del cambiamento climatico, è sufficiente leggere le cronache della scorsa estate per convincersi di quanto sia delicato e precario l’equilibrio del nostro ecosistema.
Per gli esperti del settore non c’è alcun dubbio sul fatto che le piogge estreme che hanno colpito varie regioni della Germania, del Belgio e della Cina, siano strettamente correlate al surriscaldamento globale.
Anche Ursula Von Der Leyen, presidente della Commissione Europea, ha definito queste inondazioni come «un chiaro segnale del cambiamento climatico».
Secondo i dati raccolti dall’Istituto meteorologico nazionale della Germania, tra il 14 e il 15 luglio scorsi sono caduti circa 150 mm di pioggia nella Renania-Palatinato e nella Renania Settentrionale-Vestfalia, causando centinaia di vittime e un danno economico che ha rischiato di mettere in ginocchio l’area colpita.
In Cina, nella provincia centrale dell’Henan, sono state sfollate circa 200 persone per quella che è stata definita l’alluvione peggiore degli ultimi 60 anni e sono stati contati almeno 69 morti. Per dare un’idea della gravità ed eccezionalità dell’evento, basti pensare che in 4 giorni è caduta circa la quantità di acqua che cade in media in un anno nella stessa area (640 mm). Inoltre, si calcola che siano andati persi circa 20.000 ettari di colture.
Ma qual è il collegamento tra il cambiamento climatico e questi fenomeni estremi?
Il surriscaldamento globale determina un incremento della capacità dell’atmosfera di trattenere l’umidità. Ad ogni grado centigrado in più corrisponde un aumento del 7% della capacità di incamerare acqua. Diretta conseguenza di questo fenomeno atmosferico è la maggiore probabilità che si verifichino piogge torrenziali.
Secondo quanto affermato in un paper pubblicato il 30 giugno sul Geophysical Research Letters, il riscaldamento globale potrebbe causare un innalzamento della frequenza di questi eventi del 14% entro il 2100.
Anche alla luce di queste osservazioni, è chiaro quanto sia diventato urgente il taglio delle emissioni di CO2, che gli stati europei dichiarano di voler perseguire attraverso l’European Green Deal, ovvero un accordo che prevede l’introduzione di nuove leggi in favore di un minor impatto ambientale.
L’Europa infatti, attraverso il Green Deal, si propone di diventare il primo “blocco climaticamente neutro” entro il 2050.
In quali modi l’intelligenza artificiale può essere d’aiuto nel raggiungimento di questi obiettivi?
Su questo tema è stata presentata un’interessante dissertazione all’interno del Report intitolato “Tackling Climate Change with Machine Learning”, elaborato da un gruppo di 16 ricercatori di diverse università (tra le quali l’MIT, la Carnegie Mellon University, l’ETH Zurich, la Google AI division…).
In particolare, i ricercatori hanno individuato 13 diverse opportunità di impiego dell’Artificial Intelligence a sostegno delle politiche di riduzione delle emissioni di gas serra:
1–nel settore dell’energia elettrica: la produzione dell’energia elettrica è attualmente responsabile di circa un quarto delle emissioni di gas serra causate dall’uomo ogni anno. L’AI può accelerare il passaggio ad un’energia più “pulita” andando a perfezionare i calcoli di previsione della domanda di energia (short-term forecasts) e migliorandone i sistemi di gestione, manutenzione (predictive maintenance) e monitoraggio.
2–nel settore dei trasporti: come quello dell’energia elettrica, anche il settore dei trasporti è responsabile di circa un quarto delle emissioni di CO2, senza aver compiuto, tuttavia, gli stessi progressi verso un minore impatto ambientale. Il settore dei trasporti è infatti considerato più difficile da decarbonizzare, soprattutto a causa del fatto che la maggior parte dei veicoli attualmente in circolazione richiedono l’utilizzo di carburante. L’AI può essere di supporto nelle attività di pianificazione, manutenzione e funzionamento dei sistemi di trasporto, oltre a poter fornire migliori previsioni in termini di domanda. Inoltre, può essere sfruttata anche nella progettazione di veicoli più efficienti dal punto di vista del design e dell’alimentazione (attraverso carburanti alternativi).
3-nel settore immobiliare: l’adozione di tecniche di facile attuazione e di strategie all’avanguardia può ridurre le emissioni degli edifici esistenti fino al 90%, oltre a permettere la costruzione di nuovi edifici (smart buildings) ad impatto zero. Il Machine Learning può aiutare ad individuare le soluzioni migliori per i singoli immobili da ristrutturare, oltre a monitorare l’efficienza delle stesse attraverso tecniche di controllo intelligenti (ad esempio tramite il remote sensing e i dati satellitari). Inoltre, tramite la raccolta ed il controllo dei dati riguardanti fattori quali la densità popolare, il tasso d’inquinamento, la presenza dei servizi, ecc…, può permettere di ottimizzare anche la pianificazione urbanistica.
4-nel settore industriale: l’AI può essere impiegata per ridurre l’impatto inquinante di tutta la supply chain, prevedendo in modo più accurato la domanda e l’offerta, individuando i prodotti a basse emissioni di carbonio ed ottimizzando le rotte di navigazione. Inoltre, può evitare gli sprechi alimentari migliorando i percorsi di consegna, la previsione della domanda nei punti vendita e i sistemi di refrigerazione. Il Machine Learning può essere impiegato anche per studiare materiali alternativi e processi produttivi che richiedono un minor impiego di carbonio.
5-nel settore agricolo e forestale: la deforestazione e l’agricoltura intensiva sono responsabili di almeno un quarto delle totali emissioni di gas serra. L’incremento dell’agricoltura di precisione può aiutare a ridurre il quantitativo di carbonio rilasciato dal suolo e determinare anche una migliore resa delle colture, limitando l’utilizzo di fertilizzanti e sostanze chimiche dannose, con una conseguente minore necessità di deforestazione. Le immagini satellitari ed il Machine Learning possono, inoltre, consentire un efficace monitoraggio delle emissioni di gas serra e della salute delle foreste e delle torbiere, prevenendo il rischio di incendi e contribuendo ad una silvicoltura sostenibile.
6-nei processi di rimozione dell’anidride carbonica: anche una volta raggiunto il difficile obiettivo di ridurre a zero le emissioni dannose, avremmo comunque un quantitativo di anidride carbonica tale da causare conseguenze negative per il clima. Si rende necessario, quindi, immaginare delle tecnologie che siano in grado di rimuovere i gas serra che già sono stati prodotti, oltre ad evitare di emetterne di nuovi. Proprio a questo scopo, si stanno progettando delle soluzioni di Machine Learning che sono, tuttavia, ancora in fase sperimentale.
7-nelle previsioni climatiche: i modelli di Machine Learning possono fornire delle migliori risposte in termini di previsioni climatiche, superando i naturali limiti delle tecniche attualmente in uso, che non hanno la stessa capacità in termini di analisi dei dati. Analizzando i dati del passato è possibile comprendere le tendenze del futuro, per adeguare le risorse e le infrastrutture al tipo di eventi che il modello riesce a predire a lungo termine. Nell’ambito delle previsioni a breve termine, l’Artificial Intelligence può aiutare a predire gli eventi climatici estremi, dando modo alle popolazioni colpite di tutelarsi e di cercare di limitare i danni.
8-nell’impatto sociale del cambiamento climatico: siccità, alluvioni ed altri eventi climatici estremi hanno conseguenze non solo sull’ambiente, ma anche sulla società, in termini di danni economici alle infrastrutture, alle coltivazioni, ecc…. Le tecnologie di Artificial Intelligence, con le loro potenzialità in termini di predizione e prevenzione di tali eventi, possono diventare un alleato strategico anche nella mitigazione degli effetti negativi sulla società.
9-nel campo della geoingegneria solare: detta anche ingegneria climatica, ovvero di quell’insieme di tecnologie volte ad invertire il processo di surriscaldamento globale in atto, con soluzioni quali il marine cloud brightening o lo stratospheric solar injection (tecniche che cercano di riflettere i raggi solari e di creare un oscuramento solare). Si tratta di tecnologie non prive di rischi e molto controverse, sebbene teoricamente molto efficaci. Il Machine Learning può essere di grande aiuto nello stimare i possibili effetti dell’applicazione di queste tecniche, per cercare di renderle più sicure ed efficaci.
10-nelle decisioni individuali: il Machine Learning può aiutare a comprendere il cd. personal carbon footprint attraverso l’analisi dei dati personali e quelli della propria abitazione. Può prevedere le emissioni di una famiglia relativamente ai trasporti, al consumo di energia, ai rifiuti prodotti e al cibo acquistato, permettendo di suggerire interventi mirati di riduzione del proprio impatto.
11-nelle decisioni collettive: per affrontare in maniera incisiva il cambiamento climatico è necessario adottare rapidamente misure a livello collettivo, che coinvolgano la società a più livelli (governi, sindacati, imprese, ONG…). Gli interessi toccati sono diversi e spesso contrastanti, è quindi necessario saper comprendere in quale modo incentivare il cambiamento, minimizzando le eventuali conseguenze negative. L’Artificial Intelligence, attraverso la propria capacità di analisi, può fornire gli strumenti per permettere di adottare decisioni data-driven e di monitorarne gli effetti.
12-nell’istruzione: l’insegnamento ricopre un ruolo fondamentale nella costruzione di una società che punti ad uno sviluppo sostenibile. Una adeguata istruzione permette, infatti, di conoscere le cause e gli effetti del riscaldamento globale e fornisce gli strumenti per adattarsi al cambiamento in atto e per porvi rimedio. L’Artificial Intelligence ed il Machine Learning possono contribuire in numerosi modi all’insegnamento: ad esempio fornendo percorsi di apprendimento o di tutoraggio personalizzati.
13-nella finanza: nel settore finanziario, negli ultimi anni, stanno aumentando gli investimenti in risorse a bassa emissione di carbonio. Per incentivare tale scelta sono stati creati dei “green indexes” che misurano l’impatto ambientale delle diverse risorse e favoriscono l’acquisto di servizi e tecnologie “pulite”. In questo ambito, le tecniche di Machine Learning possono essere utilizzare per identificare i rischi climatici (più incisivi nell’ambito delle fonti rinnovabili), per prevedere l’andamento dei prezzi e per guidare la selezione del portafoglio investimenti.
In conclusione, l’Artificial Intelligence, utilizzata in combinato disposto con altre tecnologie e forme di conoscenza, può rappresentare un prezioso ausilio per affrontare una delle più complesse sfide della nostra epoca: la lotta al cambiamento climatico.
Autore: Claudia Paniconi | Responsabile Marketing DMBI
Photo by Li An-Lim on Unsplash
