Occhi dal Cielo e Cervelli Artificiali: Sveliamo i Segreti della Siccità Sotterranea in Iran

Ciao a tutti! Oggi voglio parlarvi di un tema cruciale, che tocca corde profonde (letteralmente!): l’acqua sotterranea e la minaccia della siccità. Sapete, l’acqua che scorre sotto i nostri piedi, nelle falde acquifere, è una riserva d’acqua dolce fondamentale per la vita sulla Terra, per gli ecosistemi e per noi umani. Ma cosa succede quando questa risorsa inizia a scarseggiare a causa della siccità? Le conseguenze possono essere devastanti: danni all’agricoltura, problemi economici e persino fenomeni irreversibili come la subsidenza del suolo (cioè l’abbassamento del terreno).

Ho avuto la fortuna di partecipare a uno studio affascinante che ha cercato di fare luce sulla situazione delle acque sotterranee in una regione particolarmente colpita da questo problema: l’Iran. E lo abbiamo fatto usando tecnologie pazzesche: dati satellitari e intelligenza artificiale!

Il Problema: L’Acqua Nascosta e la Sete dell’Iran

L’Iran, situato in una fascia geografica arida, riceve in media solo 250 mm di pioggia all’anno, un terzo della media globale. Se ci aggiungiamo la variabilità delle piogge e una gestione non sempre ottimale delle risorse, capite bene che la situazione è critica. Negli ultimi anni, la diminuzione delle piogge e l’esaurimento dei bacini idrici superficiali hanno spinto a un prelievo massiccio dalle riserve sotterranee. Questo ha portato a un grave impoverimento delle falde, con conseguenze allarmanti come l’erosione del suolo, l’intrusione di acqua salata nelle falde costiere e, come accennato, la subsidenza. Pensate che in alcune aree dell’Iran il suolo si abbassa fino a 150 mm all’anno, cinque volte la media mondiale!

Monitorare l’acqua sotterranea non è semplice. Il metodo tradizionale si basa sui pozzi piezometrici, che misurano il livello dell’acqua. Ma scavare e mantenere questi pozzi è costoso, richiede tempo e spesso non fornisce una copertura spaziale e temporale sufficiente. Insomma, avevamo bisogno di un approccio diverso, più ampio e integrato.

La Soluzione High-Tech: GRACE e i Suoi Limiti

Ed è qui che entra in gioco la tecnologia spaziale! Avete mai sentito parlare della missione GRACE (Gravity Recovery and Climate Experiment) e della sua erede GRACE-FO? Si tratta di due satelliti gemelli che orbitano attorno alla Terra misurando le minuscole variazioni del campo gravitazionale terrestre. Perché è importante? Perché queste variazioni sono legate anche ai cambiamenti nella massa d’acqua immagazzinata sul pianeta, sia in superficie che nel sottosuolo! GRACE ci fornisce dati sulle “anomalie di stoccaggio dell’acqua terrestre totale” (TWSA). Fantastico, no?

Certo, non è tutto oro quello che luccica. I dati GRACE, pur essendo preziosissimi, hanno una risoluzione spaziale piuttosto bassa (parliamo di aree di almeno 50-60 km di lato). Questo li rende perfetti per studi su larga scala, ma meno adatti per analizzare singoli bacini idrografici o falde acquifere più piccole. Inoltre, c’è stato un “buco” di 15 mesi nei dati tra la fine della missione GRACE e l’inizio di GRACE-FO, interrompendo la continuità delle serie storiche. Come superare questi ostacoli?

Entra in Scena l’Intelligenza Artificiale: XGBoost al Salvataggio

Qui entra in gioco il “cervello artificiale”, o meglio, il machine learning (ML). Negli ultimi anni, gli algoritmi di ML si sono rivelati strumenti potentissimi per affrontare sfide come queste. Nel nostro studio, abbiamo utilizzato un algoritmo particolarmente performante chiamato Extreme Gradient Boosting (XGBoost).

Cosa abbiamo fatto, in pratica? Abbiamo “allenato” l’algoritmo XGBoost a riconoscere le relazioni statistiche tra i dati GRACE a bassa risoluzione (0.5°) e altre variabili ambientali a risoluzione più alta (0.25°), come:

• Dati da GLDAS (Global Land Data Assimilation System), un altro sistema che combina dati satellitari e terrestri per stimare l’umidità del suolo, l’acqua nella neve, ecc.
• Dati sulle precipitazioni dal satellite GPM (missione IMERG).
• Dati topografici dalla missione SRTM (altitudine).
• Altre variabili come temperatura, evapotraspirazione, ecc.

Una volta “imparate” queste relazioni, abbiamo applicato il modello XGBoost alle variabili ad alta risoluzione per “downscalare” i dati TWSA di GRACE, portandoli a una risoluzione di 0.25°. E i risultati sono stati incredibili! Abbiamo ottenuto una correlazione (R di Pearson) del 0.99 e un errore quadratico medio (RMSE) di soli 22 mm. In pratica, siamo riusciti a creare mappe molto più dettagliate dello stoccaggio idrico terrestre senza perdere accuratezza.

Separare il Grano dalla Pula: Trovare l’Acqua Sotterranea (GWSA)

Ok, abbiamo i dati TWSA ad alta risoluzione, che rappresentano l’acqua totale (superficiale + sotterranea). Ma a noi interessava specificamente l’acqua sotterranea (Groundwater Storage Anomaly, GWSA). Come isolarla? Semplice (si fa per dire!): abbiamo usato l’equazione del bilancio idrico. Dai dati TWSA downscalati, abbiamo sottratto le altre componenti dello stoccaggio idrico fornite da GLDAS, come l’umidità del suolo (SMS), l’acqua immagazzinata nella vegetazione (CWS) e l’equivalente idrico della neve (SWE).

GWSA = TWSA – (SMS + CWS + SWE)

Abbiamo poi confrontato i nostri dati GWSA calcolati con i dati reali provenienti da circa 40.000 pozzi piezometrici in Iran (fino al 2016, quando i dati erano disponibili e più omogenei). Anche qui, i risultati sono stati molto incoraggianti: una correlazione media (R) dello 0.93 e un RMSE di 39 mm. Questo ci ha confermato che il nostro approccio combinato GRACE + ML era affidabile per stimare le variazioni delle riserve idriche sotterranee. Certo, bisogna considerare che anche i dati dei pozzi hanno le loro incertezze, legate alla distribuzione non uniforme e a possibili errori di misurazione.

Tappare i Buchi: Il SARIMA Colma le Lacune Temporali

Ricordate il buco di 15 mesi nei dati GRACE tra il 2017 e il 2018? Per avere una serie storica completa dal 2002 al 2023 (ben 255 mesi!), dovevamo colmare quella lacuna. Qui ci è venuto in aiuto un altro strumento statistico potente per l’analisi delle serie temporali: il modello SARIMA (Seasonal Autoregressive Integrated Moving Average).

Questo modello è bravissimo a catturare le tendenze e le stagionalità presenti nei dati (e le acque sotterranee, influenzate da piogge e prelievi, hanno decisamente un andamento stagionale!). Abbiamo addestrato il modello SARIMA sui dati GWSA disponibili prima del “buco” e lo abbiamo usato per prevedere i valori mancanti nei 15 mesi successivi. Il modello si è comportato egregiamente, generando una serie storica continua e coerente con i dati reali misurati da GRACE-FO quando è entrato in funzione.

Uno Sguardo al Futuro (e Non è Roseo): Previsioni fino al 2030

Con una solida serie storica del passato (2002-2023), ci siamo chiesti: cosa ci riserva il futuro? Per rispondere, abbiamo intrapreso un’altra sfida: prevedere l’andamento del GWSA fino al 2030.

Questa volta, abbiamo usato di nuovo l’algoritmo XGBoost, ma lo abbiamo allenato a correlare i dati storici di GWSA con le variabili climatiche (temperatura, precipitazioni, umidità, radiazione solare) provenienti da un modello climatico avanzato, il CanESM5, utilizzando uno scenario di sviluppo socio-economico intermedio (SSP2-4.5).

I risultati delle previsioni non sono purtroppo confortanti. In media, abbiamo calcolato che le falde acquifere iraniane si sono abbassate di circa 29 cm all’anno tra il 2002 e il 2023. Il bacino del Mar Caspio ha registrato il calo più drastico (circa 60 cm/anno, forse influenzato anche dal ritiro del mare stesso). Le previsioni fino al 2030 indicano una continuazione di questa tendenza al ribasso nella maggior parte dei bacini, ad eccezione del bacino del Lago Urmia. Questo suggerisce che, al di là dei cambiamenti climatici, l’impatto delle attività umane e delle politiche di estrazione è preponderante. Se non si interviene con una gestione più oculata, la situazione è destinata a peggiorare.

Misurare la Febbre della Terra: L’Indice di Siccità GGDI

Per quantificare in modo standardizzato la gravità della siccità sotterranea, abbiamo calcolato il GRACE Groundwater Drought Index (GGDI). Questo indice, derivato dai nostri dati GWSA, ci permette di classificare le condizioni di siccità (da estremamente umido a estremamente secco) e di monitorarne l’evoluzione nel tempo e nello spazio.

L’analisi del GGDI ha rivelato che molti bacini iraniani sono entrati in uno stato di siccità a partire dal 2009 o dal 2016, con un peggioramento tra il 2017 e il 2019. C’è stato un temporaneo miglioramento nel 2019-2020, grazie a piogge eccezionali che hanno causato anche gravi inondazioni ma hanno ricaricato le falde. Tuttavia, dal 2021, quasi tutti i bacini sono tornati in condizioni di siccità. E le previsioni basate sul GGDI fino al 2030 mostrano un’intensificazione della siccità in quasi tutte le regioni, se le pratiche attuali continueranno.

Il Ritardo della Risposta: Dalla Pioggia alla Falda

Un aspetto interessante è capire quanto tempo impiega la siccità a propagarsi dalle condizioni meteorologiche (mancanza di pioggia) alle riserve sotterranee. Abbiamo confrontato il nostro GGDI con l’SPI (Standardized Precipitation Index), un comune indicatore di siccità meteorologica calcolato su diverse scale temporali (da 1 a 10 mesi).

Abbiamo scoperto che in Iran esiste un ritardo medio di circa 8 mesi tra la siccità meteorologica (misurata da SPI-8, cioè l’indice calcolato su 8 mesi) e la siccità delle acque sotterranee (misurata da GGDI). Questo significa che gli effetti di un periodo secco si manifestano nelle falde con un ritardo significativo. Questo tempo di propagazione, però, non è fisso: tende ad accorciarsi durante i periodi umidi (quando il suolo è già saturo e l’acqua si infiltra più velocemente) e anche durante i periodi di siccità intensa (quando l’aumento dell’evapotraspirazione accelera l’impatto sulle falde). La tendenza generale in Iran sembra essere verso un’accelerazione di questo tempo di propagazione, rendendo il monitoraggio ancora più urgente.

Connessioni Globali: L’Influenza degli Oceani (Teleconnessioni)

La siccità non è solo un fenomeno locale. È spesso influenzata da pattern climatici su larga scala, le cosiddette “teleconnessioni atmosferiche”, legate alle oscillazioni delle temperature oceaniche e della pressione atmosferica in punti distanti del globo. Abbiamo analizzato la correlazione tra il nostro GGDI e alcuni importanti indici di teleconnessione come:

• SST (Sea Surface Temperature), in particolare l’indice NINO3.4 legato a El Niño/La Niña.
• PDO (Pacific Decadal Oscillation).
• SOI (Southern Oscillation Index).
• MEI (Multivariate ENSO Index).
• AO (Arctic Oscillation).

Usando una tecnica chiamata Wavelet Coherence Transform (WCT), che permette di vedere come la correlazione tra due segnali cambia nel tempo e a diverse frequenze (periodi), abbiamo scoperto che questi indici globali hanno un impatto significativo sulla siccità sotterranea in Iran, specialmente nei bacini vicini a grandi masse d’acqua come il Mar Caspio (CS), il Golfo Persico e il Mar d’Oman (PGOS) e il Lago Urmia (UL).

Gli indici più influenti sembrano essere l’SST (La Niña, cioè il raffreddamento del Pacifico equatoriale, è spesso associata a siccità in Iran) e il PDO, entrambi con correlazioni prevalentemente positive. Altri indici come SOI, MEI e AO mostrano correlazioni negative, ma generalmente meno forti. Questo conferma che le dinamiche climatiche globali giocano un ruolo, ma…

Il Fattore Umano: Estrazione vs. Disponibilità

…ma non spiegano tutto. Abbiamo confrontato l’andamento del GGDI con i dati storici sui prelievi di acqua sotterranea in Iran. È emerso un quadro interessante: sebbene ci sia stata una tendenza alla diminuzione dei prelievi negli ultimi anni (soprattutto dal 2008), questa diminuzione sembra essere legata più a una ridotta disponibilità di acqua nelle falde (come indicato dal calo del GGDI) che a politiche di conservazione efficaci. In pratica, si pompa meno acqua perché ce n’è meno da pompare.

Inoltre, contrariamente a quanto si potrebbe pensare, i dati suggeriscono che nei periodi con maggiori precipitazioni, anche i consumi tendono ad aumentare, forse per un’espansione delle attività agricole irrigue.

Conclusioni: Un Quadro Preoccupante ma Strumenti Potenti

Insomma, questo studio ci ha permesso di dipingere un quadro dettagliato, e purtroppo preoccupante, dello stato delle acque sotterranee in Iran. L’uso combinato dei dati satellitari GRACE e di tecniche avanzate di machine learning come XGBoost e SARIMA si è dimostrato incredibilmente efficace per:

• Migliorare la risoluzione dei dati satellitari (downscaling).
• Isolare le variazioni specifiche delle acque sotterranee (GWSA).
• Colmare le lacune temporali nei dati.
• Prevedere le tendenze future.
• Quantificare la siccità sotterranea (GGDI).
• Comprendere i tempi di propagazione della siccità e le influenze climatiche globali.

I risultati evidenziano un grave declino delle riserve idriche sotterranee, guidato in gran parte da un prelievo eccessivo e da una gestione non sostenibile, più che dai soli cambiamenti climatici, sebbene questi ultimi giochino un ruolo nell’influenzare i pattern di siccità. L’indice GGDI si è rivelato un valido strumento per monitorare questa situazione critica, riflettendo sia gli impatti climatici che quelli antropici.

Certo, ci sono delle incertezze legate ai dati satellitari, alle interpolazioni, ai modelli stessi. Ma questo approccio apre strade importantissime per la gestione delle risorse idriche, specialmente in regioni dove i dati a terra sono scarsi. Ci permette di identificare le aree più critiche, di valutare l’efficacia delle politiche idriche e di sviluppare strategie di mitigazione della siccità più informate. Il futuro richiederà un monitoraggio ancora più attento e, soprattutto, un cambio di rotta nella gestione di questa preziosa risorsa nascosta.

Fonte: Springer