Onde di Pomice: Come Prevediamo il Loro Viaggio Usando i Dati della Corrente Kuroshio

Ciao a tutti! Avete mai pensato a cosa succede quando un vulcano sottomarino decide di farsi sentire? Oltre a scenari spettacolari, a volte rilascia enormi quantità di… pomice! Sì, quella roccia leggerissima e porosa che galleggia. Sembra innocua, ma quando si accumula e va alla deriva, può diventare un bel problema. Immaginate porti bloccati, rotte navali interrotte, danni alle infrastrutture costiere e problemi per la pesca e il turismo. Un bel grattacapo, vero?

Ricordo ancora l’eruzione del Fukutoku-Oka-no-Ba nell’agosto 2021. La pomice viaggiò per mesi sulla controcorrente Kuroshio e raggiunse le isole Okinawa, causando danni inaspettati e non pochi disagi sociali. E quella zona, le isole Izu-Bonin, è un’area “calda” per questi eventi. Recentemente, ci sono state allerte per eruzioni e detriti galleggianti vicino a Bayonnaise Rocks (Myojinsho) e Sumisujima, molto più vicine alla terraferma giapponese (Honshu) e in mezzo a rotte marittime trafficatissime. Se un’eruzione massiccia avvenisse lì, la pomice potrebbe raggiungere la regione metropolitana di Tokyo in pochi giorni o settimane. Capite bene che prevedere rapidamente dove andrà a finire questa massa galleggiante è fondamentale.

La Sfida della Previsione Tradizionale

Finora, per capire dove andrà la pomice, ci siamo affidati a simulazioni complesse. Si usano modelli che seguono particelle virtuali (come se fossero briciole di pomice) trasportate dalle correnti oceaniche. Questi metodi funzionano, eh! Hanno previsto con successo la distribuzione della pomice in passato. Dopo l’evento del 2021, ad esempio, le simulazioni aggiornate quotidianamente sono state un aiuto prezioso per le comunità locali in Okinawa.

Ma c’è un “ma” grande come una casa (galleggiante di pomice!): queste simulazioni fisiche richiedono un sacco di risorse. Parliamo di tempo, potenza di calcolo e, soprattutto, esperti qualificati che devono preparare i dati, configurare i parametri, processare i risultati… Insomma, non è qualcosa che si improvvisa in cinque minuti, specialmente se l’eruzione è improvvisa e magari relativamente piccola. Vale la pena mobilitare tutto questo apparato ogni volta? E se la pomice arriva a riva in pochi giorni, come nel caso delle isole Izu vicine a Honshu? Serve qualcosa di più agile, accessibile e, idealmente, in tempo reale.

L’Idea “Data-Driven”: Usare il Passato per Illuminare il Futuro

Ed è qui che entra in gioco la nostra idea. E se potessimo sfruttare le simulazioni già fatte in passato? Invece di lanciare una nuova, costosa simulazione ogni volta, potremmo cercare nei nostri archivi una situazione oceanica *simile* a quella attuale e vedere cosa era successo alla pomice in quel caso?

Il concetto chiave è la ricerca per similarità (similarity search). È una tecnica molto usata nell’ingegneria dei dati. In pratica, abbiamo un nuovo dato (la situazione attuale delle correnti) e cerchiamo nel nostro database storico i dati più simili.

Ma cosa usiamo per definire la “similarità” delle condizioni oceaniche? Abbiamo puntato sull’elemento più caratterizzante delle correnti vicino al Giappone: la Corrente Kuroshio. Immaginate un enorme fiume caldo e veloce che scorre nell’oceano Pacifico lungo la costa meridionale del Giappone. Il suo percorso, o meglio, il suo “asse” (la linea dove la corrente è più veloce, chiamata Kuroshio Current Axis – KCA), cambia continuamente. La nostra scommessa è che la forma attuale del KCA possa dirci molto su come si muoverà la pomice nei prossimi giorni.

Quindi, il sistema che abbiamo sviluppato fa proprio questo: prende il KCA di oggi (il “query KCA”), lo confronta con centinaia di KCA passati (“reference KCAs”) presenti nel nostro database (che copre dati dal 1982 al 2015), trova quelli più simili e… voilà! Ci mostra le simulazioni di deriva della pomice associate a quei KCA passati. Questi diventano i nostri scenari “predetti” per l’oggi, senza aver fatto nemmeno un calcolo di simulazione fisica nuova!

Trovare il Gemello Giusto: Le Metriche di Similarità

Ok, ma come si misura la “similarità” tra due percorsi curvi come quelli del KCA? Non basta la distanza euclidea classica. Abbiamo testato quattro diverse metriche specifiche per confrontare traiettorie:

• Distanza di Hausdorff: Misura la massima distanza da un punto di una curva al punto più vicino dell’altra curva.
• Distanza di Fréchet: Immaginate un uomo e il suo cane che percorrono due sentieri diversi, collegati da un guinzaglio. La distanza di Fréchet è la lunghezza minima che deve avere il guinzaglio per permettere loro di percorrere i rispettivi sentieri dall’inizio alla fine senza mai tornare indietro. Cattura meglio la somiglianza della forma complessiva.
• Distanza Media DTW (Dynamic Time Warping): Questa è particolarmente interessante. Permette di “stirare” o “comprimere” parti delle curve per trovare il miglior allineamento possibile, tenendo conto anche della direzione. È robusta anche se i punti lungo le curve non sono distribuiti uniformemente.
• Distanza di Wasserstein (o Mallows): Misura il “costo” minimo per trasformare una distribuzione di punti (la prima curva) in un’altra (la seconda curva).

Abbiamo fatto un sacco di test per vedere quale di queste metriche funzionasse meglio nel nostro caso specifico: prevedere la deriva della pomice basandosi sulla similarità del KCA.

La Prova del Nove: Validazione Sperimentale

Per capire se il nostro sistema “azzeccava” le previsioni e quale metrica fosse la migliore, abbiamo fatto una cosa semplice: abbiamo finto che fosse il passato. Abbiamo preso i dati del KCA degli anni 2014 e 2015 (per i quali avevamo già le simulazioni di deriva “vere”, calcolate con il metodo tradizionale) e li abbiamo usati come “query KCA”. Il sistema ha cercato i KCA simili nel database storico (1982-2013, 384 casi) e ha restituito le simulazioni di deriva associate.

A questo punto, abbiamo confrontato le derive “predette” dal nostro sistema con quelle “vere” del 2014-2015. Abbiamo usato una metrica apposita (chiamata Dpum) per misurare quanto fossero simili i pattern di deriva (in pratica, la distanza media tra le posizioni delle particelle di pomice virtuali nelle due simulazioni nei primi 10 giorni).

I risultati? Sorprendenti! È emerso che c’è una correlazione: quando il KCA di oggi è molto simile a un KCA passato, anche la deriva della pomice tende ad essere simile. Non è una correlazione perfetta, ovvio, l’oceano è complesso! Ma la tendenza c’è.

E la metrica migliore? La distanza media DTW si è rivelata la più efficace. Non solo tendeva a selezionare scenari di deriva più accurati (con Dpum più basso), ma aveva anche un miglior “tasso di copertura”. Cosa significa? Che più spesso, tra i primi scenari suggeriti dal sistema, ce n’era almeno uno veramente molto simile a quello reale (tra il top 5% dei migliori match possibili). Abbiamo deciso di impostare il sistema per mostrare i 7 scenari passati più simili secondo la metrica DTW: un buon compromesso tra avere abbastanza opzioni e non troppa confusione.

Guardando alcuni esempi specifici, abbiamo visto come il sistema riesca a catturare diversi comportamenti. A volte il KCA passa vicino al vulcano (Bayonnaise Rocks nel nostro studio) e la pomice segue la corrente; altre volte il KCA è lontano e la pomice si disperde di più. Il sistema è riuscito a prevedere scenari critici, come quelli in cui la pomice si dirigeva verso isole abitate (Hachijojima, Miyakejima) o la costa di Honshu.

Un Test sul Campo (Quasi): L’Allerta a Bayonnaise Rocks

A dicembre 2024, con un’allerta eruzione attiva proprio per Bayonnaise Rocks, abbiamo provato il sistema con i dati KCA più recenti forniti dalla Guardia Costiera Giapponese. Il KCA in quel momento mostrava un percorso molto insolito, un “grande meandro” seguito da un’estensione verso nord molto pronunciata, forse legata anche ai cambiamenti climatici.

Il nostro sistema ha trovato i 7 KCA storici più simili, ma la somiglianza non era altissima (le distanze DTW erano elevate). Questo ci ha detto una cosa importante: il pattern attuale era poco rappresentato nel nostro database storico (che arrivava al 2015). Le previsioni di deriva associate mostravano comunque un movimento verso nord lungo le isole Izu, evidenziando potenziali rischi per Hachijojima e Miyakejima. Anche se l’affidabilità era limitata dalla bassa similarità, il sistema ha comunque fornito un’indicazione preziosa e ha sottolineato la necessità di aggiornare il database con simulazioni più recenti.

Vantaggi, Limiti e Prossimi Passi

Il vantaggio principale di questo approccio è evidente: velocità e basso costo. Ottenere una previsione richiede meno di un minuto su un normale laptop (la maggior parte del tempo serve a disegnare le mappe!), contro ore o giorni necessari per preparare ed eseguire una simulazione fisica completa. È uno strumento perfetto per una valutazione rapida e proattiva subito dopo un’eruzione o un’allerta.

Ma siamo onesti, ci sono dei limiti:

• Solo KCA: Per ora ci basiamo solo sulla forma del KCA. Non consideriamo altri fattori importanti come vento, onde, velocità della corrente locale o piccoli vortici, che possono influenzare la traiettoria della pomice.
• Qualità delle Simulazioni Base: Le previsioni sono buone quanto le simulazioni storiche su cui si basano. Quelle che abbiamo usato hanno una risoluzione spaziale non altissima (0.1°x0.1°) e fanno assunzioni semplificate sul comportamento della pomice.
• Previsioni a Breve Termine: Il metodo funziona bene per i primi 10 giorni circa. Per previsioni più lunghe, la natura dinamica del KCA rende l’approccio “statico” (basato sul KCA di un solo giorno) meno affidabile.
• Mancanza di Probabilità: Il sistema mostra scenari plausibili, ma non assegna un livello di confidenza probabilistico a ciascuno.
• Applicabilità Geografica: Funziona bene dove la Kuroshio è dominante. In altre aree vulcaniche, potrebbe servire un approccio diverso.

Stiamo già lavorando per superare questi limiti. Vogliamo:

• Integrare più dati (vento, onde, correnti a risoluzione maggiore).
• Migliorare le simulazioni di base usando dati più recenti (specialmente quelli relativi ai recenti meandri della Kuroshio) e modelli fisici più raffinati per la pomice (considerando dimensioni, assestamento, ecc.), validandoli con dati reali (tracciamento satellitare, osservazioni a terra).
• Sviluppare metodi per incorporare l’evoluzione temporale del KCA per previsioni a più lungo termine.
• Introdurre valutazioni probabilistiche per quantificare l’incertezza.
• Esplorare l’uso di altri fattori predittivi, come la distanza tra il vulcano e il KCA.

Un Tassello per la Gestione dei Disastri

Questo sistema non vuole sostituire le simulazioni fisiche dettagliate, ma affiancarle. Lo vediamo come parte di un approccio a più livelli:

1. Fase Normale: Valutazione dei rischi a lungo termine con strumenti di visualizzazione basati su simulazioni storiche.
2. Fase di Emergenza (subito dopo l’eruzione): Il nostro sistema fornisce stime immediate e a basso costo della possibile deriva.
3. Fase di Disastro Grave (per eruzioni importanti): Simulazioni fisiche dettagliate vengono avviate in parallelo per affinare le previsioni e guidare le contromisure.

Quando a settembre 2024 c’è stata l’allerta per Sumisujima (vicino a Bayonnaise Rocks), abbiamo usato subito il nostro metodo per fornire un report preliminare alle autorità giapponesi. Fortunatamente non ci sono state emissioni significative di pomice, ma l’episodio ha dimostrato l’utilità del sistema anche per gestire i “falsi allarmi” senza sprecare risorse preziose, che restano così disponibili per quando serviranno davvero.

Insomma, sfruttando la potenza dei dati e la conoscenza accumulata nelle simulazioni passate, abbiamo creato uno strumento agile per affrontare un problema complesso e potenzialmente dannoso come la deriva della pomice. Un piccolo passo per la previsione, ma speriamo un grande aiuto per la sicurezza delle nostre coste e dei nostri mari!

Fonte: Springer