ENSO e Isotopi della Pioggia in Cina: Una Danza Climatica a Geografia Variabile

Ciao a tutti! Oggi voglio portarvi con me in un viaggio affascinante nel cuore della climatologia, esplorando come un fenomeno globale come l’ENSO (El Niño-Southern Oscillation) lasci la sua impronta unica sulla pioggia che cade su un territorio vasto e complesso come la Cina. Non è una storia semplice, ve lo assicuro, ma è proprio questa complessità a renderla così intrigante. Useremo degli strumenti speciali, i cosiddetti isotopi stabili dell’acqua, come dei veri e propri detective per decifrare i messaggi nascosti nel ciclo dell’acqua.

Isotopi Stabili: I Detective del Clima

Prima di tuffarci nella mischia, due parole su questi “detective”. L’acqua (H₂O) non è tutta uguale a livello atomico. Esistono varianti, chiamate isotopi, dell’ossigeno (come ¹⁸O invece del più comune ¹⁶O) e dell’idrogeno (²H o deuterio, invece di ¹H). La loro abbondanza relativa nelle precipitazioni, espressa con la notazione δ¹⁸O e δ²H, non è casuale ma dipende da un sacco di fattori: la temperatura alla quale si forma la pioggia, l’origine del vapore acqueo, il percorso che fa nell’atmosfera, e persino quanta pioggia cade (il cosiddetto “effetto quantità”).

Studiare il δ¹⁸O nella pioggia è come leggere un diario segreto del ciclo dell’acqua. Ci racconta da dove viene l’umidità, come viaggia e quali processi subisce. E qui entra in gioco l’ENSO. Questo fenomeno, che coinvolge le temperature superficiali dell’Oceano Pacifico tropicale e la circolazione atmosferica associata (la famosa circolazione di Walker), ha un impatto enorme sul clima globale, specialmente nelle regioni tropicali e subtropicali.

Generalmente, si sa che durante gli anni di El Niño (la fase calda dell’ENSO), i monsoni asiatici tendono ad essere più deboli. Questo spesso significa meno pioggia in alcune aree e, cosa cruciale per noi, un arricchimento in isotopi pesanti (cioè valori di δ¹⁸O più alti) nelle precipitazioni. Al contrario, durante La Niña (la fase fredda), i monsoni possono essere più forti, portando più pioggia e isotopicamente più “leggera” (δ¹⁸O più basso). Questa relazione è stata osservata in molti luoghi e registrata anche in archivi paleoclimatici come stalagmiti, anelli degli alberi e carote di ghiaccio. Ma la Cina è immensa… vale lo stesso schema ovunque?

La Sfida Cinese e la Mappa Mancante

Ecco il punto: capire l’influenza spaziale dell’ENSO sugli isotopi della pioggia in Cina non è banale. Le stazioni di monitoraggio a lungo termine della rete GNIP (Global Network of Isotopes in Precipitation) sono poche in Cina rispetto all’Europa. Sebbene negli ultimi anni siano nate nuove reti di osservazione, la copertura spaziale è ancora insufficiente per delineare chiaramente i segnali regionali dell’ENSO.

Certo, abbiamo gli archivi paleoclimatici (stalagmiti, anelli, ghiaccio) che ci danno informazioni preziose sul passato, ma anche questi hanno le loro incertezze, specialmente in aree dove l’influenza dell’ENSO è meno diretta o i dati sono scarsi. Serve una visione d’insieme, una “mappa isotopica” (o isoscape) che non sia solo una fotografia statica, ma un film che mostri come questi valori cambiano nel tempo e nello spazio. I modelli esistenti, basati su statistiche geografiche o modelli climatici globali (GCM), hanno limitazioni: o non catturano la variabilità temporale o non sono abbastanza precisi per riprodurre le caratteristiche meteorologiche storiche.

L’Intelligenza Artificiale Svela i Segreti

Qui entra in gioco la potenza dell’intelligenza artificiale e del machine learning. Mi sono chiesto: possiamo usare queste tecniche per “riempire i buchi” e creare una mappa dinamica degli isotopi della pioggia in Cina? L’idea è quella di addestrare un modello usando i dati isotopici disponibili (da GNIP, letteratura scientifica e misure del nostro gruppo di ricerca) insieme a una vasta gamma di dati climatici e geografici (temperatura, precipitazioni, umidità, vento a diverse quote, latitudine, longitudine, elevazione…).

Ho confrontato diversi modelli di machine learning (Random Forest, XGBoost) e ho sviluppato un modello “Fusion”, che combina i punti di forza dei precedenti. Questo approccio ibrido, che considera anche i meccanismi fisici alla base delle variazioni isotopiche, si è rivelato il migliore nel predire i valori di δ¹⁸O (e anche δ²H, anche se mi sono concentrato sul δ¹⁸O perché le loro variazioni sono molto simili). Il modello Fusion ha mostrato ottime performance (RMSE di 2.83‰ e R² di 0.72 per δ¹⁸O sul set di validazione), catturando bene le complesse relazioni non lineari tra le variabili.

Springer