Stima del volume dei ghiacciai in alta montagna asiatica tramite deep learning – Tempo Italia

La stima del volume del ghiaccio dei ghiacciai terrestri rappresenta una delle principali sfide della scienza del sistema terrestre. Oltre a essere un parametro cruciale per modellare l’evoluzione dei ghiacciai, la conoscenza dei volumi dei ghiacciai è fondamentale per prevedere l’innalzamento globale del livello del mare e le risorse idriche disponibili. I ghiacciai sono estremamente sensibili al cambiamento climatico. A causa del riscaldamento atmosferico indotto dall’attività umana, con poche eccezioni, i ghiacciai in tutto il mondo si sono ritirati a ritmi senza precedenti. È stimato che lo scioglimento dei ghiacciai sia responsabile per il 22% dell’innalzamento del livello del mare osservato tra il 1971 e il 2018, con implicazioni di vasta portata per la popolazione umana che vive nelle aree costiere.

La perdita di massa di ghiaccio dovuta al ritiro dei ghiacciai ha impatti sulla disponibilità idrica per una popolazione globale stimata di 1,9 miliardi di persone che vivono o dipendono dall’acqua dolce di origine glaciale. In particolare, nella regione dell’Himalaya, lo scioglimento dei ghiacciai rappresenta una minaccia per la sicurezza idrica di oltre 1,4 miliardi di persone che dipendono dai bacini glaciali per l’acqua, oltre a esacerbare il rischio di inondazioni devastanti nella regione, dovute a piogge monsoniche sempre più potenti. In generale, i futuri percorsi per la disponibilità di acqua dolce sono incerti e dipendono pesantemente dalle traiettorie climatiche future, rendendo urgente un miglioramento delle stime del volume del ghiaccio glaciale in questa regione.

 

In uno studio recente, un gruppo di ricercatori ha riportato che il volume totale del ghiaccio glaciale in Alta Montagna Asiatica è il 37% superiore al valore di consenso precedente, evidenziando le sfide degli approcci tradizionali di modellizzazione dei ghiacciai e la necessità di ricostruzioni del volume del ghiaccio più accurate e meno incerte. Con ICENET esploriamo il potenziale dell’immensa quantità di immagini satellitari e dei recenti progressi nelle reti neurali profonde per avanzare nella conoscenza del volume del ghiaccio glaciale in Alta Montagna Asiatica.

I sensori remoti montati sui satelliti hanno monitorato silenziosamente l’estensione e i cambiamenti delle superfici ghiacciate della Terra per decenni. La vasta quantità di dati prodotti da questi strumenti è difficile da sfruttare con i tradizionali flussi di analisi dei dati, e al tempo stesso rappresenta il terreno di gioco perfetto per le reti neurali. Tra i prodotti forniti dai sensori satellitari vi sono i dati sull’elevazione della superficie terrestre, inclusi i ghiacciai. Tuttavia, per calcolare il loro volume di ghiaccio, manca un pezzo di informazione: la topografia del substrato roccioso, ovvero la distribuzione spaziale dell’elevazione della crosta terrestre nelle regioni glaciali. Il nostro modello cercherà di inferire tali topografie del substrato glaciale. Per prodotto satellitare di elevazione, utilizziamo mappe di elevazione digitali unidimensionali della superficie terrestre.

 

Affrontiamo il problema sfruttando architetture di inpainting generativo profondo addestrate su ampie porzioni di regioni montuose dove i ghiacci sono sciolti. Le reti di inpainting sono utilizzate per riempire patch mancanti all’interno di un’immagine. Nel nostro caso, le immagini di addestramento sono tali mappe di elevazione delle regioni montuose, mentre le patch mancanti, ovvero gli obiettivi della rete, sono rappresentate dalle aree glaciali. La rete sarà quindi addestrata a ricostruire le topografie sottostanti dei ghiacciai e, di conseguenza, il loro volume dalla differenza con l’elevazione della superficie.

Con i modelli generativi sviluppati nel corso del progetto ICENET, speriamo di ridurre le attuali incertezze sui volumi di ghiaccio in Alta Montagna Asiatica e, allo stesso tempo, avanzare nella conoscenza della modellizzazione dei ghiacciai con l’aiuto delle tecniche di intelligenza artificiale.