The Prague Post - Creato modello 'machine learning' per calcolo volume ghiacciai

EUR -
AED 4.27813
AFN 79.490421
ALL 97.344172
AMD 446.918649
ANG 2.08456
AOA 1068.080162
ARS 1544.761924
AUD 1.785697
AWG 2.099469
AZN 1.954076
BAM 1.956303
BBD 2.350004
BDT 141.406327
BGN 1.958261
BHD 0.43913
BIF 3470.491558
BMD 1.164754
BND 1.495684
BOB 8.042066
BRL 6.325894
BSD 1.163899
BTN 101.913181
BWP 15.659889
BYN 3.842687
BYR 22829.182744
BZD 2.337901
CAD 1.600262
CDF 3366.139716
CHF 0.941003
CLF 0.02874
CLP 1127.447633
CNY 8.364682
CNH 8.374082
COP 4713.935048
CRC 589.751505
CUC 1.164754
CUP 30.865987
CVE 110.293334
CZK 24.448169
DJF 207.254133
DKK 7.463117
DOP 71.07826
DZD 151.312394
EGP 56.535887
ERN 17.471313
ETB 161.501189
FJD 2.623958
FKP 0.867179
GBP 0.866985
GEL 3.139714
GGP 0.867179
GHS 12.279154
GIP 0.867179
GMD 84.441495
GNF 10092.592755
GTQ 8.930294
GYD 243.503601
HKD 9.143268
HNL 30.475829
HRK 7.538173
HTG 152.289123
HUF 395.842305
IDR 18938.961882
ILS 4.004547
IMP 0.867179
INR 102.052157
IQD 1524.691688
IRR 49065.272188
ISK 143.008172
JEP 0.867179
JMD 186.347872
JOD 0.825806
JPY 172.148325
KES 150.379902
KGS 101.857625
KHR 4662.157666
KMF 491.700758
KPW 1048.344712
KRW 1619.916486
KWD 0.355856
KYD 0.969962
KZT 628.971581
LAK 25181.469039
LBP 104283.089993
LKR 350.039924
LRD 233.361953
LSL 20.6301
LTL 3.439216
LVL 0.704548
LYD 6.310621
MAD 10.540008
MDL 19.540852
MGA 5136.319504
MKD 61.562084
MMK 2445.223791
MNT 4171.679452
MOP 9.410258
MRU 46.425927
MUR 52.891152
MVR 17.933406
MWK 2018.22714
MXN 21.66847
MYR 4.938882
MZN 74.498163
NAD 20.6301
NGN 1783.816782
NIO 42.831003
NOK 11.956027
NPR 163.06089
NZD 1.956107
OMR 0.447869
PAB 1.163899
PEN 4.119558
PGK 4.909261
PHP 66.260505
PKR 330.24924
PLN 4.251516
PYG 8717.239431
QAR 4.253993
RON 5.072269
RSD 117.160314
RUB 92.861232
RWF 1683.554181
SAR 4.371685
SBD 9.570862
SCR 17.167725
SDG 699.433271
SEK 11.178229
SGD 1.496919
SHP 0.915314
SLE 26.903458
SLL 24424.318248
SOS 665.165168
SRD 43.235288
STD 24108.060759
STN 24.506296
SVC 10.183616
SYP 15144.472521
SZL 20.622298
THB 37.707166
TJS 10.870639
TMT 4.088287
TND 3.413277
TOP 2.72797
TRY 47.394123
TTD 7.900165
TWD 34.790737
TZS 2894.414587
UAH 48.145768
UGX 4153.06691
USD 1.164754
UYU 46.701998
UZS 14657.765533
VES 149.959486
VND 30545.679463
VUV 140.164364
WST 3.103095
XAF 656.125557
XAG 0.030436
XAU 0.000344
XCD 3.147807
XCG 2.097639
XDR 0.815442
XOF 656.125557
XPF 119.331742
YER 280.065467
ZAR 20.634879
ZMK 10484.188458
ZMW 26.972929
ZWL 375.050384
Creato modello 'machine learning' per calcolo volume ghiacciai
Creato modello 'machine learning' per calcolo volume ghiacciai

Creato modello 'machine learning' per calcolo volume ghiacciai

Team internazionale di scienziati coordinato da Ca' Foscari

Dimensione del testo:

Un team di ricercatori coordinato da Niccolò Maffezzoli, ricercatore "Marie Curie" dell'Università Ca' Foscari Venezia e della University of California Irvine e membro associato dell'Istituto di scienze polari del Cnr, ha sviluppato il primo modello globale basato su intelligenza artificiale per calcolare la distribuzione di profondità del ghiaccio dei ghiacciai del mondo. Il modello è stato pubblicato sulla rivista Geoscientific Model Development, e si candida a diventare un punto di riferimento per chi studia gli scenari futuri di fusione dei ghiacciai. La conoscenza dei volumi dei ghiacciai della Terra è essenziale per prevedere l'innalzamento futuro del livello dei mari, gestire le risorse idriche e valutare gli impatti sulle società causati dal loro scioglimento. Tuttavia, stimarne il loro volume assoluto è un'enorme sfida scientifica. Nel corso degli anni, sono state raccolte più di 4 milioni di misurazioni dirette dello spessore dei ghiacciai della Terra. Nonostante il vasto dataset, il suo potenziale non è sfruttato dagli attuali approcci modellistici. Misure dirette dello spessore dei ghiacciai coprono meno dell'1% dei ghiacciai esistenti, per questo sono necessari modelli in grado di stimarne la profondità e il volume a livello globale. La ricerca sfrutta per la prima volta questi dati integrandoli con le potenzialità di algoritmi che riescono ad apprendere, grazie al machine learning. "Il nostro modello combina due schemi decisionali ad albero - spiega Maffezzoli - addestrati utilizzando misurazioni dello spessore del ghiaccio insieme a 39 parametri tra cui velocità del ghiaccio, bilancio di massa, campi di temperatura, variabili geometriche e geodetiche. L'errore del modello allenato è fino al 30-40% inferiore rispetto agli attuali modelli globali tradizionali". Ai poli e nelle periferie della Groenlandia e dell'Antartide è particolarmente importante avere stime precise, che possono essere usate come condizione iniziale dai modelli numerici che simulano il movimento dei ghiacci e le loro interazione con gli oceani, da cui dipendono le stime di innalzamento del livello dei mari in funzione degli scenari climatici futuri. "Prevediamo di rilasciare due dataset per un totale di mezzo milione di mappe di profondità entro il 2025 - annuncia Maffezzoli - C'è ancora tanta strada da fare, ma questo lavoro dimostra che approcci basati su AI e machine learning stanno aprendo nuovi interessanti scenari per la modellistica dei ghiacci".

D.Kovar--TPP