Previsioni ad alta risoluzione dei regimi termici del suolo usando diversi framework di deep learning sotto il cambiamento climatico

Perché il calore sottoterra conta

La maggior parte di noi pensa al cambiamento climatico in termini di estati più calde e nevai che si restringono, ma i cambiamenti silenziosi che avvengono a pochi centimetri sotto i nostri piedi possono essere altrettanto importanti. La temperatura del suolo determina come crescono le colture, quanto cibo possiamo produrre, quanta acqua possono trattenere i paesaggi e quanto carbonio il suolo rilascia nell’atmosfera. Questo studio guarda sotto la superficie in una regione montuosa e semi‑arida dell’Iran occidentale e si chiede: come riscalderanno — o perfino temporaneamente raffredderanno — il suolo le diverse traiettorie climatiche, e con quale rapidità si manifesteranno questi cambiamenti?

Uno sguardo ravvicinato su un paesaggio accidentato

I ricercatori si sono concentrati sulla provincia di Lorestan, una regione di crinali e valli drammatiche lungo le montagne del Zagros. Qui le temperature oscillano dal freddo pungente dell’inverno al caldo torrido dell’estate, e gli agricoltori dipendono in larga misura dalle acque sotterranee per sostenere colture e bestiame. Dieci stazioni meteorologiche hanno registrato temperature del suolo giornaliere a una profondità di soli 5 centimetri per diverse decadi. Per intravedere il futuro, il team ha accoppiato questi registri locali con proiezioni di un modello climatico globale che descrive l’atmosfera in termini ampi e a bassa risoluzione. La sfida è stata trasformare queste proiezioni sfocate a scala planetaria in previsioni nitide a scala stazione, utili per i gestori locali del territorio.

Insegnare ai computer a leggere il clima

Invece di usare formule statistiche tradizionali e relativamente semplici, il team ha ricorso al deep learning — la stessa famiglia di metodi dietro il riconoscimento vocale e la ricerca di immagini moderni. Hanno testato quattro architetture neurali particolarmente adatte a gestire pattern nello spazio e nel tempo: una rete convoluzionale (CNN), due design orientati alle sequenze (LSTM e GRU) e un ibrido che combina strati CNN e LSTM. Prima di addestrare questi modelli, hanno esaminato 26 diverse variabili atmosferiche provenienti dal Canadian Earth System Model, come temperatura dell’aria, configurazioni di pressione, venti e umidità, usando tre tecniche complementari per individuare quali variabili seguono meglio le temperature osservate del suolo. La temperatura dell’aria superficiale e la pressione atmosferica a livelli medi sono emerse come predittori chiave in quasi tutte le stazioni.

Previsioni sotterranee più nitide grazie al deep learning ibrido

Con i migliori predittori a disposizione, i ricercatori hanno addestrato e ottimizzato ciascuna rete neurale su dati giornalieri dal 1980 al 2014, verificando con attenzione le prestazioni su anni tenuti fuori dal training. Il modello ibrido CNN‑LSTM è generalmente risultato il migliore. Ha catturato sia i grandi pattern meteorologici sia le oscillazioni giornaliere della temperatura del suolo, raggiungendo punteggi di abilità elevati e mantenendo errori tipici nell’ordine di pochi gradi Celsius. I test contro osservazioni recenti dal 2015 al 2020 hanno dimostrato che il modello può riprodurre il comportamento reale sotto diversi scenari climatici, noti come “Shared Socioeconomic Pathways”, che vanno da forti riduzioni delle emissioni a uno sviluppo basato sui combustibili fossili. È interessante che gli scenari che meglio riproducono le tendenze recenti del suolo varino con quota e posizione: le stazioni montane più fresche tendevano a corrispondere a futuri a basse emissioni, mentre i siti di pianura più caldi si allineavano a traiettorie a emissioni moderate o più elevate.

Giri inaspettati nel riscaldamento futuro del suolo

Armati del loro modello più performante, il team ha proiettato le temperature giornaliere del suolo fino al 2100 sotto tre futuri rappresentativi: emissioni basse, medie e alte. Tutti gli scenari conducono infine a suoli più caldi, ma non nello stesso modo né con la stessa velocità. Con emissioni basse e medie, la temperatura del suolo aumenta in modo moderato e poi si stabilizza, aggiungendo all’incirca un paio di gradi Celsius rispetto a oggi entro la fine del secolo. Sulla traiettoria ad alte emissioni, però, la storia è più drammatica. Nel prossimo paio di decenni lo strato superiore del suolo si raffredda effettivamente in molte località, probabilmente perché nubi più spesse, piogge modificate e suoli più umidi schermano il terreno dalla radiazione solare anche mentre l’aria sovrastante si riscalda lentamente. Dopo la metà del secolo, questo raffreddamento temporaneo si trasforma in un riscaldamento accelerato, lasciando il mondo ad alte emissioni con i suoli di gran lunga più caldi e un pattern di variabilità anno su anno fondamentalmente alterato.

Cosa significa per agricoltura, risorse idriche ed ecosistemi

Per i non specialisti, il messaggio è insieme cautelativo e pratico. Questo lavoro mostra che ciò che accade sulla superficie del suolo non è un semplice specchio della temperatura dell’aria; la geografia locale e i cambiamenti in nubi, pioggia e umidità possono mascherare temporaneamente il riscaldamento prima di amplificarlo. Agricoltori e gestori delle risorse idriche in luoghi come il Lorestan potrebbero trovarsi di fronte a una sequenza confusa di suoli più freddi seguiti da un rapido riscaldamento difficile da adattare se le emissioni rimangono elevate. Al contrario, azioni climatiche decise — futuri più vicini agli scenari a basse emissioni — sembrano garantire un riscaldamento del suolo più lento e regolare, con cui gli ecosistemi hanno maggiori probabilità di far fronte. Sfruttando strumenti avanzati di deep learning, questo studio offre una vista sotterranea più nitida delle nostre scelte climatiche, traducendo scenari globali astratti in rischi concreti e tempistiche nel sottile strato di terra che ci nutre.

Citazione: Saeidinia, M., Haghiabi, A.H., Nazeri Tahroudi, M. et al. High-resolution forecasting of soil thermal regimes using different deep learning frameworks under climate change. Sci Rep 16, 7377 (2026). https://doi.org/10.1038/s41598-026-38496-6

Parole chiave: temperatura del suolo, deep learning, cambiamento climatico, downscaling, agricoltura