Predizione dell’anomalia di temperatura globale mediante reti LSTM gemelle additive

Perché un mondo più caldo conta anche per te

Il riscaldamento globale può suonare astratto, ma i suoi effetti non lo sono affatto: innalzamento dei mari, ondate di calore più intense, spostamento delle tempeste e pressione sulle forniture di cibo e acqua. Per prepararsi a ciò che verrà, gli scienziati non hanno bisogno solo di istantanee del clima odierno, ma di stime affidabili della velocità con cui le temperature saliranno nei decenni a venire. Questo articolo esplora un nuovo modo di impiegare l’intelligenza artificiale per prevedere quanto il pianeta potrebbe riscaldarsi e cosa ciò implica per il nostro futuro prossimo.

Da termometri grezzi a tendenze d’insieme

Invece di lavorare con i bollettini meteorologici di una singola città, i ricercatori usano un record globale noto come il dataset delle anomalie di temperatura Berkeley Earth. Un’“anomalia di temperatura” è semplicemente quanto un periodo è più caldo o più freddo rispetto a un riferimento storico scelto. Poiché le letture mese per mese sono rumorose e fortemente influenzate da caratteristiche locali, il team si affida a medie quinquennali che coprono 170 anni, dalla metà del 1800 fino al 2022. Smussare i dati in questo modo riduce i picchi casuali e mette meglio in luce la tendenza al riscaldamento sottostante, che riflette la risposta a lungo termine del pianeta ai gas serra e ad altre forzanti.

Insegnare a una rete neurale a ricordare il clima

Per cogliere quella tendenza e proiettarla avanti, gli autori ricorrono a un tipo di rete neurale artificiale chiamata Long Short‑Term Memory, o LSTM. Le LSTM sono progettate per gestire sequenze — come parole in una frase o temperature nel tempo — decidendo quali informazioni passate conservare e quali dimenticare. Le LSTM tradizionali e modelli correlati hanno ottenuto buoni risultati nelle previsioni a breve termine, come indovinare il prossimo punto dati. Ma quando le loro stesse previsioni vengono rimesse in ingresso per prevedere molti passi nel futuro, piccoli errori si accumulano e le previsioni a lungo termine possono allontanarsi considerevolmente dalla realtà.

Suddividere i segnali climatici in flussi gemelli

L’innovazione centrale di questo lavoro è una LSTM Gemella Additiva (AT‑LSTM). Invece di avere un’unica LSTM che cerca di imitare ogni oscillazione del record climatico, il modello utilizza due rami LSTM paralleli. Ogni ramo è libero di concentrarsi su diversi fattori nascosti nei dati — per esempio, il riscaldamento lento dovuto ai gas serra rispetto a fluttuazioni più rapide legate a oscillazioni naturali del clima. Le uscite di questi rami gemelli vengono poi sommate e passate attraverso una rete “decoder” finale che trasforma il loro segnale combinato in una previsione di anomalia di temperatura. Questo design a due vie non solo si allinea al modo in cui gli scienziati del clima pensano a processi multipli e in parte indipendenti nel sistema Terra, ma estende anche l’intervallo d’uso utile dei segnali interni della rete, aiutandola a rimanere più stabile su orizzonti di previsione lunghi.

Mettere il modello alla prova

Per verificare se AT‑LSTM migliori davvero le previsioni a lungo termine, gli autori eseguono un test in due fasi. Prima, allenano il modello sia su serie benchmark sintetiche — curve pulite generate al computer che imitano diversi tipi di percorsi di riscaldamento — sia sui dati storici Berkeley. Confrontano quanto bene vari progetti di reti neurali riproducono sia i dati di addestramento sia una porzione “di test” separata di ciascuna serie che i modelli non hanno mai visto durante l’allenamento. Molti modelli, inclusi alcuni ibridi che mescolano LSTM con layer convoluzionali, risultano impressionanti secondo queste misure standard. Tuttavia, riprodurre dati passati non è la stessa cosa che guardare affidabilmente al futuro.

Valutare i modelli in base a come prevedono, non solo a come si adattano

La seconda fase è più vicina all’uso nel mondo reale. Partendo dall’ultimo punto osservato nel set di test, ogni modello usa la propria previsione precedente come input successivo, avanzando di 240 mesi — 20 anni — senza mai essere corretto da dati reali. Questa impostazione mette in luce la rapidità con cui gli errori si accumulano. Tra una serie di architetture, AT‑LSTM mostra tipicamente gli errori medi di previsione minori e i punteggi statistici più alti quando giudicato su questo compito a lungo orizzonte. Per il record globale di anomalia di temperatura in particolare, l’errore tipico del modello su una finestra di previsione simulata di 20 anni è circa 0,07 gradi Celsius, notevolmente inferiore a quello di molte altre soluzioni di deep learning concorrenti.

Cosa dice la previsione sul nostro futuro prossimo

Muniti di questo modello dal comportamento più stabile, gli autori generano proiezioni ventennali delle anomalie di temperatura globale dal 2022 al 2042. Allenando 40 versioni di AT‑LSTM per catturare l’incertezza di apprendimento del modello, constatano che tutte indicano un continuo riscaldamento. Entro il 2042, l’insieme delle previsioni si raggruppa tra circa 1,05 °C e 1,67 °C sopra il riferimento storico, con una media di 1,415 °C e un’incertezza stimata di circa ±0,073 °C. Questi valori si allineano strettamente con le proiezioni dei modelli climatici principali e con gli avvertimenti di organismi come l’Intergovernmental Panel on Climate Change. In termini chiari, se i pattern attuali persistono, è probabile che ci avvicineremo o supereremo la soglia di 1,5 °C ampiamente discussa entro le prossime due decadi, sottolineando l’urgenza di ridurre le emissioni di gas serra e di perseguire altre strategie di mitigazione climatica.

Citazione: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

Parole chiave: cambiamento climatico, riscaldamento globale, anomalia di temperatura, reti neurali, previsione climatica