L’intelligenza artificiale può aiutare a gestire gli sversamenti di petrolio in mare

Un gruppo di ricercatori del Centro Euro‑Mediterraneo sui Cambiamenti Climatici (CMCC) ha recentemente dimostrato che l’integrazione dell’intelligenza artificiale con modelli oceanici tradizionali può migliorare l’accuratezza nel tracciamento degli sversamenti di petrolio fino al 25 %.

Le cosiddette “maree nere” rappresentano tra le emergenze ambientali più gravi, con impatti diretti su ecosistemi marini, coste, biodiversità e comunità costiere. I modelli convenzionali (ad esempio MEDSLIK‑II e altri modelli numerici di simulazione) servono a stimare come la macchia di petrolio si sposti nel tempo, ma su questi modelli pesano limiti nella calibrazione dei parametri fisici e nella capacità di adattarsi alle condizioni variabili dell’oceano e dell’atmosfera.

In altre parole, questi strumenti funzionano sulla base di formule predefinite e parametri fissi, che però non sempre riescono a cogliere i rapidi cambiamenti nelle correnti, nei venti o nella temperatura del mare, rendendo le previsioni meno precise soprattutto in situazioni complesse o dinamiche.

Il nuovo lavoro pubblicato su Ecological Informatics, dal titolo “Improving oil slick trajectory simulations with Bayesian optimization”, propone un approccio ibrido: utilizzare un algoritmo basato sull’intelligenza artificiale per regolare in tempo reale i parametri del modello oceanico in base all’andamento reale.

Il sistema in questione si chiama Bayesian optimization ed è una tecnica di machine learning che apprende dalle osservazioni satellitari ed è in grado di regolare automaticamente i parametri fisici del modello oceanico, riducendo l’errore predittivo.

I risultati mostrano un incremento nell’accuratezza fino al 20 % nel confronto con osservazioni satellitari e fino al 25 % nel tracciamento della posizione delle macchie di petrolio. L’approccio è stato validato usando i dati dello sversamento del 2021 a Baniyas, in Siria, in cui oltre 12.000 m³ di petrolio entrarono nel Mediterraneo.

Questo progresso ha importanti implicazioni pratiche per le operazioni di risposta alle emergenze marine. Con previsioni più affidabili e tempestive – spiegano gli scienziati – è possibile razionalizzare gli interventi di contenimento e pulizia, ridurre i danni collaterali e proteggere meglio ambienti e comunità vulnerabili. Inoltre, secondo i ricercatori, il framework proposto può essere adattato anche ad altri fenomeni ambientali soggetti a incertezza (correnti costiere, dispersione di microplastiche, trasporto di nutrienti, contaminanti). L’obiettivo è far sì che approcci ibridi diventino pratiche operative consolidate nel monitoraggio ambientale.

Esperienze come queste mostrano come sia complesso il dibattito sull’intelligenza artificiale. Da un lato, le sue applicazioni richiedono infrastrutture digitali energivore, pongono interrogativi sull’impatto ambientale dei modelli ad alta intensità computazionale e contribuiscono a diffondere forme di inquinamento molto dannose. Dall’altro, stanno emergendo strumenti concreti che, proprio grazie all’ia, possono migliorare la protezione ambientale, ottimizzare le risorse, prevenire i danni.