Apprendimento profondo potenziato da metaeuristiche per la previsione mensile dell’evapotraspirazione tramite bacino con dati climatici limitati

Perché l’acqua che si asciuga conta nella vita quotidiana

L’acqua scompare da laghi, invasi e stagni agricoli ogni giorno per evaporazione, determinando silenziosamente quanta acqua resta per bere, coltivare cibo e proteggere gli ecosistemi. Misurare e prevedere questa perdita sembra semplice — basta osservare l’acqua che scompare da un bacino — ma nella pratica è difficile, soprattutto in luoghi con pochi strumenti meteorologici. Questo studio esplora come l’apprendimento profondo moderno, guidato da strategie di ricerca ispirate alla natura, possa prevedere l’evaporazione mensile in bacino usando solo pochi elementi di misurazione climatica di base, aiutando le comunità a pianificare per siccità, alluvioni e stagioni in cambiamento anche quando i dati sono scarsi.

Osservare l’acqua che scompare da un bacino metallico

Ingegneri e idrologi usano spesso l’«evaporazione in bacino» come metodo pratico per stimare la rapidità con cui l’acqua lascia superfici aperte. Un bacino metallico poco profondo riempito d’acqua rappresenta laghi, canali e invasi. Tuttavia queste misure sono soggette a guasti degli strumenti, problemi di manutenzione e lacune nei registri. Formule indirette che collegano l’evaporazione a variabili climatiche, come temperatura e luce solare, faticano anch’esse quando mancano dati chiave. Poiché l’evaporazione risponde in modo complesso e non lineare al clima e alle caratteristiche del paesaggio, gli approcci tradizionali possono sbagliare nel valutare quanta acqua verrà persa, in particolare nelle regioni dove sono disponibili solo poche variabili climatiche di base.

Addestrare un modello «con memoria» a leggere il tempo

Gli autori partono da un tipo di rete di apprendimento profondo chiamata long short‑term memory (LSTM), progettata per apprendere pattern in dati ordinati temporalmente. Le LSTM funzionano come una serie di «celle di memoria» collegate che decidono cosa conservare, cosa dimenticare e cosa trasmettere, rendendole adatte a seguire condizioni climatiche variabili mese dopo mese. In questo studio, i modelli usano solo un piccolo insieme di input: temperatura minima e massima dell’aria e una misura dell’energia solare entrante. L’obiettivo è prevedere quanta acqua evapora da un bacino ogni mese su molti anni, mantenendo affidabilità anche quando le informazioni in ingresso sono limitate o incomplete.

Lasciare che protozoi e scarabei guidino la ricerca

L’addestramento di una LSTM implica la scelta di molte impostazioni interne — come il tasso di apprendimento, il numero di unità nascoste e il tasso di dropout — che influenzano fortemente la sua accuratezza. Invece di ottimizzare questi parametri per tentativi, i ricercatori impiegano due nuovi ottimizzatori bio‑ispirati «metaeuristici»: l’Artificial Protozoa Optimizer (APO) e il Dung Beetle Optimizer (DBO). Questi algoritmi imitano come i protozoi microscopici cercano cibo, riposano e si riproducono, e come gli scarabei stercorari rotolano, si riorientano, rubano e nidificano con le loro sfere di cibo. In forma matematica, i loro comportamenti si traducono in strategie di ricerca flessibili che esplorano ampiamente all’inizio, per poi concentrarsi su regioni promettenti dello spazio dei parametri. Accoppiando APO e DBO alla LSTM, lo studio crea due modelli ibridi — LSTM‑APO e LSTM‑DBO — che cercano automaticamente combinazioni di iperparametri che offrono le previsioni di evaporazione più affidabili.

Testare i modelli in un paesaggio a monsoni

Il team valuta questi metodi usando 40 anni di dati provenienti da due stazioni meteorologiche nel sudest della Cina, una regione monsonica di laghi, risaie e frequenti alluvioni e siccità. Hanno deliberatamente riprodotto vincoli del mondo reale testando diverse strategie di suddivisione dei dati, in cui tra il 70 e l’80 percento del record è usato per l’addestramento e il resto per i test. Hanno anche esplorato diverse combinazioni di input — solo temperatura o temperatura più radiazione — per vedere con quante poche informazioni i modelli possono funzionare pur mantenendo buone prestazioni. Le prestazioni sono giudicate usando misure statistiche comuni di errore e qualità di adattamento, e tramite controlli visivi come scatterplot, diagrammi di Taylor e violin plot che confrontano i pattern osservati e predetti dell’evaporazione.

Previsioni più precise grazie alla messa a punto ispirata alla natura

In entrambe le stazioni e in tutti gli schemi di suddivisione dei dati, le reti potenziate con APO e DBO superano costantemente la LSTM standard e gli ibridi precedenti che utilizzavano ottimizzatori più consolidati. Nel caso migliore per la prima stazione, il modello LSTM‑APO ha dimezzato quasi completamente alcune misure chiave di errore e ha notevolmente stretto la corrispondenza tra evaporazione osservata e predetta. Nella seconda stazione ha nuovamente ridotto gli errori di circa il 40 percento e aumentato le misure di capacità predittiva. Anche LSTM‑DBO ha ottenuto miglioramenti sostanziali — tipicamente riducendo gli errori del 20‑30 percento — fornendo al contempo previsioni più stabili da una configurazione di test all’altra. Un risultato pratico importante è che più input non sono sempre migliori: in molti casi semplici combinazioni di temperatura minima e massima hanno superato modelli che includevano anche una radiazione idealizzata, sottolineando che variabili scelte con cura e ampiamente disponibili possono essere sufficienti quando abbinate a una rete profonda ben ottimizzata.

Cosa significa per la gestione dell’acqua in un mondo che cambia

Per i non specialisti, il messaggio è semplice: combinando una rete neurale sensibile al tempo con routine di ricerca intelligenti ispirate alla biologia, è possibile prevedere la rapidità con cui l’acqua evapora da superfici aperte usando solo una piccola quantità di informazioni climatiche. I modelli LSTM‑APO e LSTM‑DBO non cambiano la fisica dell’evaporazione, ma apprendono il suo comportamento tipico in una data regione in modo più accurato rispetto agli strumenti precedenti, anche quando i dati sono limitati. Ciò può supportare decisioni migliori sull’operatività degli invasi, la pianificazione dell’irrigazione e la preparazione alle siccità in regioni con pochi dati. Gli autori suggeriscono che lavori futuri dovrebbero testare questi ibridi in contesti in tempo reale e in un’ampia gamma di climi, e dovrebbero aggiungere maggiori dettagli meteorologici come vento e umidità. Tuttavia, i risultati attuali mostrano già che «protozoi» e «scarabei stercorari» nel codice possono contribuire a proteggere risorse idriche molto reali sul terreno.

Citazione: Kisi, O., Adnan, R.M., Zounemat-Kermani, M. et al. Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data. Sci Rep 16, 14039 (2026). https://doi.org/10.1038/s41598-026-51071-3

Parole chiave: evaporazione in bacino, apprendimento profondo, ottimizzazione metaeuristica, risorse idriche, dati climatici