L’apprendimento automatico aiuta a ridurre fortemente l’incertezza sul riscaldamento futuro

Perché questo è importante per il nostro futuro

Quando gli scienziati stimano quanto si riscalderà il pianeta, l’intervallo di futuri possibili è ancora ampio, e quell’incertezza influenza tutto, dalla pianificazione costiera alle politiche energetiche. Questo studio mostra che tecniche avanzate di apprendimento automatico possono estrarre molta più informazione dal riscaldamento già osservato, restringendo nettamente l’intervallo delle temperature future probabili. Ciò significa indicazioni più chiare su quanto rapidamente potremmo superare obiettivi climatici internazionali chiave, come 1,5 °C e 2 °C di riscaldamento globale.

Oltre la media globale

Fino ad ora, la maggior parte degli sforzi per perfezionare le proiezioni del riscaldamento futuro si è concentrata su un unico numero: l’aumento della temperatura media superficiale del pianeta. Ma il riscaldamento globale non è uniforme. Alcune regioni, come l’Artico e parti dei tropici, si riscaldano molto più rapidamente di altre. Gli autori sostengono che queste differenze geografiche contengono indizi preziosi che vengono in gran parte ignorati quando ci si concentra solo sulla media globale. Usano una forma di apprendimento automatico per leggere l’intera mappa globale delle tendenze di temperatura degli ultimi 50 anni e collegare quei modelli alla gamma di esiti di riscaldamento prodotti da decine di modelli climatici.

Insegnare a un computer a imparare dal riscaldamento passato

Il gruppo allena un algoritmo di apprendimento su simulazioni provenienti da molti modelli climatici che hanno partecipato a un importante progetto internazionale di confronto. Per ogni esecuzione del modello, forniscono il modello di riscaldamento dal 1971 al 2020 per ogni punto della griglia terrestre e chiedono all’algoritmo di prevedere quanto il modello si riscalderà globalmente in tre finestre temporali future: breve termine (2021–2040), metà secolo (2041–2060) e fine secolo (2081–2100), sotto diversi scenari di emissioni. Ripetendo questo su centinaia di simulazioni, il sistema impara quali parti dei modelli passati di riscaldamento mondiale sono più strettamente legate all’aumento della temperatura globale finale e quanto forti siano questi legami.

Individuare le regioni chiave che plasmano il futuro

Il sistema di apprendimento scopre in modo coerente che certe regioni contano molto più di quanto suggerisca la loro estensione nel determinare il riscaldamento globale futuro. Tra queste figurano l’Artico, l’altopiano tibetano, il Sud e il Sud-Est asiatico, la pianura amazzonica e parti degli oceani Indiano e del Sud. In queste aree, il riscaldamento locale tende a scalare in modo stabile con la media globale nel tempo e tra gli scenari, riflettendo feedback climatici forti e persistenti come la perdita di ghiaccio riflettente o cambiamenti nelle nuvole. L’algoritmo assegna naturalmente un peso maggiore alle celle di griglia dove i diversi modelli climatici concordano sulla sensibilità delle temperature e minimizza l’importanza delle località dove i modelli divergono, come parti dell’Artico eurasiatico con comportamento del ghiaccio marino incerto.

Proiezioni più nette e soglie anticipate

Quando le relazioni apprese vengono applicate alle mappe di riscaldamento osservate effettivamente, tratte da più dataset di temperatura, l’incertezza sul riscaldamento globale futuro si riduce sostanzialmente. In media, attraverso scenari e periodi temporali, il metodo riduce la varianza dell’errore di oltre il 70% rispetto alle proiezioni dei modelli non vincolate—circa una volta e mezza l’incremento ottenuto da metodi che usano solo la tendenza della media globale. È importante che questo approccio restringa sia le estremità alte sia quelle basse dell’intervallo, rendendo meno probabile una sovrastima o una sottostima del riscaldamento futuro. Per uno scenario di emissioni da medio a elevato spesso usato negli studi di impatto, lo studio trova che la probabilità di superare i 2 °C di riscaldamento entro la metà del secolo sale a circa l’80% una volta che si include l’informazione spaziale, rispetto a circa il 70% quando si usa solo la tendenza media globale.

Cosa significa per le persone e la pianificazione

Le proiezioni raffinate non solo restringono le stime dell’aumento della temperatura globale; migliorano anche le mappe locali di riscaldamento utilizzate per le valutazioni di impatto. Sulla maggior parte delle terre emerse, la dispersione nelle proiezioni di riscaldamento a metà secolo rispetto ad oggi diminuisce di decine di percentuali, producendo stime più precise per agricoltura, risorse idriche, rischi per la salute e pianificazione delle infrastrutture. Allo stesso tempo, i limiti inferiori più elevati del riscaldamento sottolineano che le soglie chiave dell’Accordo di Parigi molto probabilmente verranno superate prima di quanto suggerissero alcune stime vincolate precedenti. In termini pratici, questo lavoro mostra che un uso più intelligente dei record di temperatura esistenti—soprattutto in una manciata di regioni climaticamente sensibili—può affinare significativamente la nostra visione del futuro climatico e rafforzare l’argomentazione a favore di mitigazione e adattamento più rapidi e mirati.

Citazione: Li, C., Wu, J., Wang, Z. et al. Machine learning helps to strongly reduce future warming uncertainty. Nat Commun 17, 3366 (2026). https://doi.org/10.1038/s41467-026-70205-9

Parole chiave: proiezioni del riscaldamento globale, apprendimento automatico clima, schemi di riscaldamento, incertezza climatica, soglie dell’Accordo di Parigi