Assimilazione dati in sistemi dinamici e machine learning

La “state estimation theory” nelle scienze del clima, e’ comunemente chiamata assimilazione dati (DA, dal suo nome in inglese). Con questo termine si intende l'intera sequenza di operazioni che, partendo dalle osservazioni di un sistema, e da ulteriori informazioni statistiche e dinamiche (come un modello di evoluzione dinamica), fornisce una stima del suo stato. La DA è una pratica standard nella previsione meteorologica numerica, ma la sua applicazione si sta diffondendo in molte altre aree della modellazione del clima, dell'atmosfera, degli oceani e dell'ambiente; in tutte le circostanze in cui si intende stimare lo stato di un grande sistema dinamico sulla base di informazioni limitate. Mentre la complessità e la bellezza della disciplina, e dei suoi metodi, risiede nella sua natura interdisciplinare tra statistica, sistemi dinamici e l'ottimizzazione numerica, quando applicata alle geoscienze, sorge l'ulteriore difficoltà data dalla sofisticazione sempre crescente dei modelli ambientali. 

Il nostro gruppo lavora sia sullo sviluppo teorico di nuovi metodi DA, al crocevia tra matematica applicata, sistemi dinamici e machine learning, sia sulla loro applicazione a un'ampia gamma di situazioni nell'area delle scienze del clima. Queste includono, ma non esclusivamente, la meteorologia, l’idrologia, il ghiaccio marino e l’oceano.

La figura illustra i diversi metodi di DA richiesti in base alla risoluzione spaziale dei modelli e all'orizzonte previsionale desiderato, insieme a uno schema dei diversi fenomeni climatici che si verificano (da Carrassi et al., 2018). 

Negli ultimi anni la disciplina è stata influenzata dal rapido avvento dell'intelligenza artificiale, in particolare del machine learning (ML), aprendo la strada all'esplosione di una ricca offerta di metodi ibridi tra DA e ML. Anche il nostro gruppo è in prima linea in questa transizione, producendo risultati innovativi e partecipando a numerosi sforzi di ricerca internazionali. Un esempio è il Scale Aware Sea-Ice Project (SASIP) in cui il nostro gruppo coordina le attività di assimilazione dei dati e machine learning.