LSTM vs Modelli Concettuali: La Sfida High-Tech per Prevedere Piogge e Alluvioni Ora per Ora!

Amici appassionati di scienza e di come la tecnologia possa darci una mano a capire (e magari anticipare) i capricci del nostro pianeta, mettetevi comodi! Oggi vi porto nel cuore di una questione cruciale: come facciamo a prevedere con precisione quanta acqua scorrerà nei nostri fiumi dopo una pioggia, specialmente quando si tratta di eventi intensi che possono portare a inondazioni? Una domanda da un milione di dollari, vero? Soprattutto se pensiamo alla pianificazione delle risorse idriche e alla mitigazione dei rischi. Ecco, nel mio campo, quello dell’idrologia, questa è una sfida quotidiana.

Il Dilemma dei Modelli Idrologici: Semplice ma Impreciso o Complesso ma Affamato di Dati?

Per decenni, per simulare il cosiddetto “deflusso idrologico” (cioè quanta acqua piovana si trasforma in acqua corrente nei fiumi), ci siamo affidati principalmente a due tipi di modelli. Da un lato, i modelli basati sulla fisica: super dettagliati, cercano di replicare ogni singolo processo fisico in gioco (infiltrazione, percolazione, evaporazione, ecc.). Figuratevi, sono come dei certosini della natura, ma richiedono una marea di dati sulle caratteristiche del bacino e tempi di calibrazione lunghissimi. Un po’ come costruire un modellino della Tour Eiffel con gli stuzzicadenti: preciso, ma che fatica!

Dall’altro lato, ci sono i modelli concettuali. Questi sono i miei “vecchi amici”: più semplici, usano rappresentazioni matematiche semplificate dei processi fisici. Il loro grande pregio? Sono computazionalmente leggeri e richiedono meno dati. Pensateli come uno schizzo ben fatto: colgono l’essenziale, ma a volte perdono qualche dettaglio importante, limitando la precisione delle previsioni. E quando si parla di sicurezza, ogni dettaglio conta!

Recentemente, però, un nuovo giocatore è entrato prepotentemente in campo: i modelli data-driven, e in particolare le tecniche di Deep Learning (DL). Questi campioni non hanno bisogno di conoscere la fisica del sistema; imparano direttamente dai dati, scovando relazioni complesse e non lineari tra pioggia in ingresso e acqua in uscita. Una vera rivoluzione!

Entrano in Scena gli LSTM: Ma C’è un “Ma”…

Tra le stelle del Deep Learning, le reti Long Short-Term Memory (LSTM) si sono distinte per la loro abilità nel gestire sequenze temporali, come appunto le serie di dati di pioggia e deflusso. Gli LSTM sono una variante delle Reti Neurali Ricorrenti (RNN) e sono bravissimi a “ricordare” informazioni per lunghi periodi, grazie a una struttura interna ingegnosa con dei “cancelli” (input, output e forget gate) che regolano il flusso delle informazioni. Diversi studi hanno già mostrato le loro grandi capacità nel fornire risposte affidabili sul deflusso.

C’è un “ma”, ovviamente. Per funzionare al meglio, specialmente quando vogliamo previsioni ad alta risoluzione temporale (ad esempio, oraria), gli LSTM tendono a richiedere sequenze di dati di input molto lunghe (il cosiddetto Input Data sequence Length, o IDL). Immaginate di dover insegnare a un bambino a riconoscere le stagioni mostrandogli solo foto degli ultimi tre giorni: difficile, no? Allo stesso modo, per capire i pattern annuali, un LSTM giornaliero potrebbe aver bisogno di 180 giorni di dati passati; per simulazioni orarie, si è arrivati a usare 4320 ore di input! Questo si traduce in modelli più complessi e, soprattutto, computazionalmente più costosi. E noi ricercatori siamo sempre alla ricerca dell’efficienza!

Alcuni studi hanno provato a combinare dati giornalieri e orari per ridurre questo carico, ma la fame di dati e la complessità rimangono un ostacolo. I modelli concettuali, al contrario, sono campioni di efficienza computazionale e richiedono tempi di calibrazione molto più brevi. Ecco perché c’era un bisogno impellente di confrontare seriamente questi due mondi, capirne limiti e potenzialità, per dare indicazioni precise su come usarli al meglio.

La Nostra Scommessa: Due Nuovi Approcci LSTM Sotto la Lente

Ed è qui che entra in gioco il nostro studio. Ci siamo detti: e se provassimo a rendere gli LSTM più “furbi” e meno esigenti? Abbiamo quindi sviluppato e testato due nuovi approcci basati su LSTM, con l’obiettivo di migliorare le previsioni orarie del deflusso, mantenendo un occhio di riguardo all’efficienza.

Il primo modello, che abbiamo chiamato GR4H-LSTM, è un ibrido affascinante. Abbiamo pensato: perché non unire la semplicità e la (pur limitata) conoscenza fisica di un modello concettuale con la potenza di apprendimento di un LSTM? Abbiamo scelto il GR4H, un modello concettuale orario molto usato e con una struttura snella (solo 4 parametri da calibrare!), e abbiamo usato i suoi output come input per l’LSTM, insieme ai dati classici di pioggia oraria, evapotraspirazione potenziale (PET) oraria e pioggia accumulata nelle 24 ore precedenti. L’idea era di “guidare” l’LSTM con informazioni già parzialmente elaborate, usando un IDL di sole 50 ore. Un bel taglio, no?

Il secondo modello, battezzato MS-LSTM (Multi-Scale LSTM), è invece un modello “stand-alone”, indipendente da altri modelli concettuali. La sua novità? Integra input temporali a diversa scala (da qui “Multi-Scale”) per catturare sia le dipendenze a breve che a lungo termine. Per i processi lenti, usa input “grezzi” (medie quindicinali di PET, totali di pioggia su periodi da una settimana a quindici giorni); per quelli rapidi, input ad alta risoluzione (pioggia accumulata ogni 2 ore e valori di deflusso orario precedente). In totale, solo 29 input! Un bel passo avanti rispetto ai modelli che ne richiedono migliaia. Anche l’architettura di questi LSTM è stata mantenuta semplice, con poche “layer” per non appesantire troppo i calcoli.

Un Secolo di Dati (Sintetici) per Metterli alla Prova

Un altro grosso problema nella valutazione dei modelli, specialmente quelli di Deep Learning, è la scarsità di serie storiche di dati lunghe e affidabili. Spesso ci si basa su pochi anni di osservazioni. Per superare questo limite e per studiare a fondo l’impatto della lunghezza del periodo di addestramento, abbiamo fatto una scelta un po’ particolare: abbiamo utilizzato un dataset meteorologico lungo un secolo, generato da un sofisticato modello basato sulla fisica. Questo ci ha permesso di avere dati “puliti”, senza errori di misurazione, e soprattutto abbastanza lunghi da poter “allenare” i nostri modelli con periodi variabili, da 7 a 50 anni, usando poi i restanti 50 anni per la validazione (il test vero e proprio).

Abbiamo messo a confronto i nostri due LSTM con tre modelli concettuali ben noti e con diversi livelli di complessità: il già citato GR4H (4 parametri), il GR5H (5 parametri, un’evoluzione del GR4H) e il FLEX (10 parametri, più dettagliato nel rappresentare i processi). Il caso di studio? Il bacino del fiume Ninnescah, nel Kansas (USA).

I Risultati Parlano Chiaro: Chi Vince la Sfida?

Ebbene, i risultati sono stati davvero illuminanti! Ecco cosa abbiamo scoperto:

• Questione di “allenamento”: Con set di dati di addestramento corti (fino a 7-10 anni), i modelli concettuali si sono comportati meglio o in modo simile agli LSTM. Ma attenzione: aumentando la lunghezza del periodo di addestramento, la musica cambiava.
• LSTM instancabili apprendisti: Entrambi i nostri modelli LSTM hanno mostrato un miglioramento continuo delle prestazioni all’aumentare della lunghezza del dataset di addestramento. Più dati gli davi, più diventavano bravi! I modelli concettuali, invece, non mostravano miglioramenti significativi oltre i 15 anni di dati di addestramento. Era come se avessero raggiunto il loro limite di apprendimento.
• Il sorpasso: Con 15 anni di dati di addestramento (e oltre), entrambi gli LSTM hanno costantemente superato tutti e tre i modelli concettuali. La differenza di performance (misurata con l’indice NSE, uno standard nel campo) tra il miglior LSTM e il miglior concettuale era del 6% con 15 anni di training, del 13% con 30 anni e ben del 20% con 50 anni!
• GR4H-LSTM vs MS-LSTM: L’ibrido GR4H-LSTM si è comportato meglio del MS-LSTM con periodi di addestramento corti e medi. Questo suggerisce che il “background” concettuale del GR4H aiuta quando i dati scarseggiano. Tuttavia, con più di 30 anni di dati, il MS-LSTM ha iniziato a brillare di più, dimostrando l’efficacia della sua strategia multi-scala nel compensare la mancanza di informazioni fisiche esplicite.
• Picchi e curve di deflusso: Entrambi gli LSTM si sono dimostrati significativamente superiori nel simulare i picchi di piena e la “coda” degli eventi idrologici (la fase di recessione). Il MS-LSTM, sebbene un po’ instabile con pochi dati di training, diventava molto robusto con dataset più lunghi. Il GR4H-LSTM era bravo sui picchi ma a volte faticava un po’ sulla recessione. I modelli concettuali, come il GR5H, tendevano a sottostimare i picchi.
• Curve di Durata del Flusso (FDC): Queste curve sono fondamentali per la gestione delle risorse idriche. Anche qui, entrambi gli LSTM hanno riprodotto molto meglio la curva di riferimento, specialmente per le portate più elevate (quelle che ci interessano per le piene), rispetto ai modelli concettuali. Il GR4H-LSTM ha mostrato la deviazione minore.

Un aspetto interessante del MS-LSTM è che lo abbiamo testato in modo “iterativo”: per prevedere il deflusso al tempo successivo, usava come input la sua stessa previsione del tempo corrente. Questo simula uno scenario reale in cui non abbiamo dati osservati futuri, e il modello ha dimostrato di mantenere una buona accuratezza anche così!

Cosa Portiamo a Casa da Questa Ricerca?

Allora, cosa ci dice tutto questo? Beh, prima di tutto che i modelli LSTM, seppur “affamati” di dati, hanno una capacità di apprendimento superiore e, con sufficienti informazioni, possono offrire previsioni del deflusso orario notevolmente più accurate dei modelli concettuali tradizionali. L’approccio ibrido GR4H-LSTM è molto promettente, specialmente quando non si dispone di serie storiche lunghissime, perché sfrutta la conoscenza, seppur semplificata, dei modelli concettuali.

Il modello MS-LSTM, con la sua strategia di input multi-scala, si è rivelato un’ottima alternativa “stand-alone”, capace di raggiungere prestazioni elevate con dataset più lunghi, pur richiedendo un numero di input relativamente contenuto e architetture LSTM semplici. Questo è un grande passo verso modelli più efficienti dal punto di vista computazionale.

Certo, la ricerca non si ferma qui. Sarebbe interessante valutare altre architetture di Deep Learning, come i Transformer o le Gated Recurrent Units. E, nonostante il potenziale del GR4H-LSTM, l’obiettivo finale sarebbe sviluppare modelli “physics-informed” che integrino i principi fisici direttamente nell’architettura del machine learning, rendendoli autonomi e ancora più generalizzabili.

Insomma, la sfida per previsioni idrologiche sempre più precise e tempestive è aperta, e l’intelligenza artificiale, usata con criterio e intelligenza (umana!), sembra essere una delle nostre armi più potenti. E questo, per chi come me lavora per proteggere le nostre comunità e gestire al meglio una risorsa preziosa come l’acqua, è una notizia davvero entusiasmante!

Fonte: Springer