Gli Earth System Models sono gli strumenti principali utilizzati dagli scienziati per studiare il sistema climatico e proiettare i cambiamenti futuri. Tuttavia, anche i modelli più avanzati mostrano ancora importanti incertezze. Una nuova ricerca guidata dal CMCC introduce un metodo innovativo che riduce le incertezze nelle proiezioni della temperatura dell’aria vicino alla superficie fino al 54% rispetto agli approcci più avanzati, rendendo le previsioni più precise e affidabili. Ciò può fornire una guida migliore a governi e comunità nella pianificazione di strategie di adattamento e mitigazione efficaci per affrontare le sfide del cambiamento climatico.

Dalla rivoluzione industriale, le attività antropogeniche hanno causato un aumento drammatico della concentrazione atmosferica di CO₂ e altri gas serra, raggiungendo livelli mai visti prima che hanno portato al riscaldamento globale. L’ultimo rapporto del Copernicus Climate Change Service mostra che il 2024 è stato l’anno più caldo mai registrato dal 1850, segnando anche la prima volta in cui la temperatura globale ha superato di 1,5°C i livelli preindustriali — una soglia critica fissata dagli Accordi di Parigi per ridurre i rischi e gli impatti del cambiamento climatico.

La scienza del clima svolge un ruolo chiave nel migliorare la nostra comprensione di questi impatti e del sistema climatico nel suo complesso. Un nuovo studio, guidato dal ricercatore del CMCC Francesco Immorlano, in collaborazione con Columbia University, University of California Irvine e l’agenzia spaziale tedesca Deutsches Zentrum für Luft- und Raumfahrt (DLR) e.V., introduce un metodo innovativo che sfrutta il Transfer Learning (TL) per vincolare le simulazioni dei modelli climatici alle osservazioni reali. Questo approccio riduce le incertezze nelle proiezioni della temperatura dell’aria vicino alla superficie, rendendole più precise e affidabili, fornendo così un migliore orientamento a governi e comunità per la pianificazione di strategie di adattamento e mitigazione.

“Il Machine Learning (ML) non solo riduce l’incertezza delle proiezioni a lungo termine, ma stabilisce anche un nuovo standard per l’uso dell’intelligenza artificiale nel colmare il divario tra i modelli climatici complessi e le osservazioni reali. Questo rappresenta anche un passo avanti significativo nella modellizzazione del clima futuro, con implicazioni profonde per la valutazione e la gestione dei rischi climatici su scala globale,” afferma il ricercatore del CMCC e co-autore dello studio, Giovanni Aloisio.

In particolare, lo studio, condotto sotto la supervisione di Pierre Gentine e Giovanni Aloisio, riduce in modo significativo l’intervallo di incertezza nelle proiezioni di temperatura a lungo termine (come mostrato nella figura sotto) tra il 2081 e il 2098 (rispetto al periodo preindustriale 1850–1900), secondo lo Shared Socioeconomic Pathway (SSP) 2-4.5, del 47% rispetto all’approccio più avanzato attuale (Ribes et al., 2021) e del 54% rispetto alle stime fornite dall’IPCC AR6 WG1 (IPCC, 2023), con miglioramenti simili anche per gli SSP 3-7.0 e 5-8.5.

Cambiamenti della temperatura dell’aria superficiale globale nel lungo periodo (2081–2100). Source: Immorlano et al., 2025

“La principale innovazione di questo lavoro consiste nell’utilizzo del TL per migliorare le proiezioni a lungo termine delle mappe di temperatura dell’aria vicino alla superficie”, afferma Immorlano. “Ciò consente di combinare in modo efficiente i punti di forza delle simulazioni di un insieme di modelli CMIP6 con le osservazioni storiche su scala globale.”

“Questo è un esempio potente di come il ML possa essere utilizzato per ridurre le incertezze nelle proiezioni climatiche a lungo termine secondo diversi SSP. Sebbene siano stati compiuti sforzi significativi per adottare queste tecniche nell’emulazione dei sistemi atmosferici e oceanici, fino ad ora i progressi nel ridurre effettivamente le incertezze sono rimasti limitati,” afferma il ricercatore del CMCC e co-autore dello studio Gabriele Accarino. “Questa è una sfida critica, poiché alte incertezze ostacolano la capacità dei decisori politici di progettare strategie di adattamento e mitigazione precise ed efficaci. Questo lavoro rappresenta quindi un passo avanti importante, dimostrando il potenziale del ML nel migliorare l’affidabilità delle simulazioni degli Earth System Models a supporto delle decisioni nell’ambito delle politiche climatiche.”

“Il ML sta aprendo la strada a nuovi approcci per supportare la scienza del clima. Questo studio mostra come un metodo innovativo basato sui dati — il TL — possa essere impiegato efficacemente per ridurre l’incertezza nelle proiezioni di temperatura a lungo termine. Integrando le osservazioni storiche con la conoscenza dei modelli climatici, dimostra il potenziale delle soluzioni innovative del ML nel migliorare le previsioni climatiche,” afferma il ricercatore del CMCC e co-autore dello studio Donatello Elia.

Il TL è una tecnica all’avanguardia nel campo del ML che consente di sfruttare le conoscenze acquisite da un modello pre-addestrato su un task ricco di dati per migliorare le prestazioni su un nuovo task correlato all’interno dello stesso dominio, anche in presenza di una disponibilità limitata di dati. Questo metodo riduce l’incertezza nelle proiezioni assicurando che le Deep Neural Network (DNN) imparino a replicare i pattern spaziali dettagliati delle simulazioni climatiche, vincolandole allo stesso tempo alle tendenze storiche osservate delle temperature reali.

Per ulteriori informazioni

Immorlano, V. Eyring, T. le Monnier de Gouville, G. Accarino, D. Elia, S. Mandt, G. Aloisio, P. Gentine,  Transferring climate change physical knowledge, Proc. Natl. Acad. Sci. U.S.A. 122 (15) e2413503122 (2025). https://doi.org/10.1073/pnas.2413503122

Ribes, S. Qasmi, N. P. Gillett, Making climate projections conditional on historical observations. Sci Adv 7, eabc0671 (2021). https://doi.org/10.1126/sciadv.abc0671

Intergovernmental Panel on Climate Change (IPCC), Future Global Climate: Scenario-based Projections and Near-term Information in Climate Change 2021—The Physical Science Basis: Working Group I Contribution to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change (Cambridge University Press, 2023), pp. 553–672. https://doi.org/10.1017/9781009157896

Gabriele Accarino e Francesco Immorlano sono attualmente ricercatori post-doc presso Learning the Earth with Artificial Intelligence & Physics (LEAP).