Intelligenza Artificiale alla Scoperta dei Segreti Bollenti dell’Egitto: Come Mappiamo il Flusso di Calore Terrestre

Ciao a tutti! Oggi voglio portarvi con me in un viaggio affascinante nel cuore della Terra, o meglio, sotto la sabbia dell’Egitto. Parleremo di energia, di geologia e di come una tecnologia super moderna come il machine learning ci sta aiutando a svelare segreti nascosti da millenni. In particolare, vi racconterò come stiamo usando un approccio chiamato Random Forest Regression per prevedere il flusso di calore terrestre in Egitto. Sembra complicato? Tranquilli, cercherò di renderlo il più semplice e intrigante possibile!

Perché l’Egitto e perché il Flusso di Calore?

L’Egitto, situato strategicamente nel nord-est dell’Africa, bagnato dal Mediterraneo e dal Mar Rosso, è una terra ricca non solo di storia, ma anche di potenziale energetico. Oltre al sole e al vento, sotto i nostri piedi si cela un’altra risorsa preziosa: l’energia geotermica. È il calore che proviene dall’interno del nostro pianeta, una fonte energetica pulita e rinnovabile che sta guadagnando sempre più attenzione, specialmente ora che cerchiamo alternative ai combustibili fossili.

Per capire dove si trovano le zone più “calde” e promettenti per lo sfruttamento geotermico, dobbiamo misurare il flusso di calore terrestre (in inglese, Terrestrial Heat Flow o THF). Questo valore ci dice quanto calore sale dal sottosuolo verso la superficie. È fondamentale per mappare le temperature sotterranee e individuare le aree migliori per future esplorazioni.

Il problema? Misurare direttamente il THF è difficile, costoso e spesso i dati sono scarsi o concentrati solo in alcune aree. Immaginate di avere una mappa dell’Egitto con tanti buchi bianchi, soprattutto nel Sinai, nel Deserto Orientale, in gran parte del Mediterraneo e nel vasto Deserto Occidentale. Come facciamo a riempire questi vuoti e avere un quadro completo?

La Magia del Machine Learning: La “Foresta Casuale” al Lavoro

Qui entra in gioco la potenza del machine learning! Abbiamo deciso di affrontare questa sfida usando una tecnica specifica chiamata Random Forest Regression. Cos’è? Immaginate di avere un problema complesso da risolvere. Invece di affidarvi a un singolo esperto, mettete insieme un comitato di tanti esperti (gli “alberi” della foresta), ognuno con la sua specializzazione. Ognuno analizza una parte dei dati e dà la sua previsione. Alla fine, si mettono insieme tutte le previsioni (facendo una media, nel caso della regressione) per ottenere un risultato finale molto più robusto e affidabile.

Nel nostro caso, gli “esperti” (gli alberi della foresta) non analizzano opinioni, ma una montagna di dati geofisici e geologici. Abbiamo raccolto informazioni da diverse fonti globali e le abbiamo date “in pasto” al nostro modello di Random Forest. Quali dati? Un bel po’!

• Dati di potenziale: Anomalie gravitazionali (Bouguer e Aria Libera), anomalie magnetiche, altezza del geoide, indice di forma. Questi dati ci danno indizi sulla densità e sulla struttura delle rocce nel sottosuolo.
• Dati categorici: Mappe litologiche (che tipo di roccia c’è in superficie), regioni tettoniche (come si è mossa la crosta terrestre in passato), vicinanza ai vulcani (anche se in Egitto non ce ne sono di attivi, quelli vicini influenzano!).
• Dati di profondità: La profondità della discontinuità di Moho (il confine tra crosta e mantello), la profondità della temperatura di Curie (dove i minerali perdono il magnetismo a causa del calore), la profondità del confine Litosfera-Astenosfera (LAB) e il modello digitale di elevazione (DEM, cioè l’altitudine del terreno). La profondità è cruciale, perché la temperatura aumenta scendendo!
• Dati sismici: Variazioni della velocità delle onde sismiche (P e S) a diverse profondità. Le onde sismiche viaggiano più lentamente nelle rocce più calde.
• Dati di densità: Densità media della crosta e della litosfera. La densità è legata alla composizione e alla temperatura delle rocce.

Abbiamo preso i pochi dati diretti di flusso di calore disponibili (circa 1884 misurazioni dopo aver filtrato valori estremi) e li abbiamo usati come “verità” per addestrare il nostro modello. L’algoritmo ha imparato a riconoscere le relazioni complesse tra tutti quei dati geofisici/geologici e il flusso di calore misurato.

Costruire e Ottimizzare il Modello

Il processo non è stato semplice. Abbiamo dovuto “pulire” i dati, eliminando valori anomali o poco credibili usando una tecnica chiamata Isolation Forest. Poi abbiamo verificato le correlazioni tra i vari dati usando la matrice di correlazione di Pearson, per capire quali fossero più legati al flusso di calore.

Per rendere tutto più omogeneo, abbiamo organizzato i dati su una griglia fine (0.1° x 0.1°) e usato tecniche di interpolazione (come l’Inverse Distance Weighting) per riempire eventuali piccoli buchi nei dati di input.

L’addestramento vero e proprio del modello Random Forest ha richiesto una validazione incrociata (cross-validation) a cinque fasi. In pratica, abbiamo diviso i dati in 5 parti: 4 per addestrare e 1 per testare, ripetendo il processo 5 volte cambiando la parte di test. Questo ci assicura che il modello non impari “a memoria” solo i dati che gli diamo, ma sia capace di generalizzare. Abbiamo anche ottimizzato i parametri del modello (come il numero di alberi nella foresta, la profondità massima di ogni albero, ecc.) per ottenere l’errore quadratico medio (MSE) più basso possibile. Alla fine, il nostro modello ottimale usa 880 alberi!

Una cosa fantastica degli algoritmi ad albero è che ci dicono anche quali dati sono stati più importanti per la previsione. Nel nostro caso, abbiamo scoperto che la profondità del Moho è stata la variabile più influente, seguita dal DEM (l’altitudine), dalla profondità di Curie e dalla variazione della velocità delle onde S (∆Vs). Curiosamente, dati come le regioni tettoniche, la profondità del LAB e le densità della litosfera e della crosta sono risultati meno impattanti per il modello finale. Abbiamo quindi scelto un modello “ottimale” basato sulle 12 caratteristiche più importanti.

La Mappa del Calore Egiziano: Cosa Abbiamo Scoperto?

E voilà! Il risultato è una mappa dettagliata del flusso di calore terrestre per tutto l’Egitto, senza più buchi bianchi! Questa mappa (che potete immaginare come una cartina colorata dove il rosso indica tanto calore e il blu poco) ci ha rivelato cose interessantissime.

Come ci aspettavamo, la zona più “bollente” è quella della Fossa del Mar Rosso (Red Sea Rift Zone), con valori che vanno da 100 fino a 185 mW/m². Qui la crosta terrestre è più sottile, il mantello caldo è più vicino alla superficie, e l’attività tettonica è intensa. È decisamente l’area con il maggior potenziale geotermico.

I Golfi di Suez e di Aqaba mostrano valori più bassi, intorno ai 60 mW/m², anche se con picchi locali. La Penisola del Sinai ha un flusso di calore variabile, da 40 mW/m² a nord fino a 60 mW/m² a sud.

Il Mediterraneo mostra valori tra 40 e 60 mW/m² vicino alla costa, ma arriva fino a 110 mW/m² nella parte più occidentale, probabilmente per l’influenza di una crosta più sottile lì.

I vasti deserti, Occidentale ed Orientale, mostrano una variabilità interessante. Nella “unstable shelf” (la parte geologicamente meno stabile) i valori vanno da 60 a 80 mW/m², mentre nella “stable shelf” vanno da 50 a 80 mW/m². Ci sono anche due “hotspot” locali, uno nell’area delle oasi del Deserto Occidentale e uno nel Deserto Orientale, forse legati a un assottigliamento localizzato della crosta o a rocce che producono più calore.

Infine, l’area più “fredda” del paese è il Massiccio Arabo-Nubiano a sud, con valori bassi fino a 30 mW/m². Qui la crosta è molto spessa e agisce da isolante.

La cosa più importante è che le previsioni del nostro modello si adattano molto bene ai dati misurati direttamente dove questi esistono. Abbiamo calcolato un coefficiente di determinazione (R²) di 0.92, che significa che il modello spiega il 92% della variabilità dei dati reali. Un risultato eccellente! L’errore medio è basso, anche se notiamo che il modello fa un po’ più fatica a prevedere i valori di flusso di calore estremamente alti (> 100 mW/m²), forse perché erano meno rappresentati nei dati di partenza.

Conferme dal Sottosuolo: Sorgenti Termali, Vulcani e Faglie

Ma come facciamo a essere sicuri che la nostra mappa non sia solo un bel disegno colorato? L’abbiamo confrontata con altre evidenze geologiche.

* Sorgenti termali: Le famose sorgenti calde egiziane (come quelle vicino a Suez o nel Deserto Occidentale) si trovano spesso in zone dove la nostra mappa prevede un flusso di calore medio-alto (50-60 mW/m² o più). Queste sorgenti sono la prova che acqua calda risale da faglie profonde, trasportando calore.
* Rocce vulcaniche: Nel Deserto Orientale ci sono antiche rocce vulcaniche (formatesi milioni di anni fa). Queste rocce tendono ad avere un’alta conducibilità termica e contengono elementi radioattivi (uranio, torio) che generano calore. La nostra mappa mostra giustamente un flusso di calore più elevato (50-90 mW/m²) in queste aree.
* Tettonica e Faglie: La distribuzione del flusso di calore segue magnificamente la struttura tettonica regionale. L’altissimo calore nel Mar Rosso è legato al rifting (l’allontanamento delle placche Africana e Arabica). Molte faglie (fratture nella crosta) hanno orientamenti simili a quelli del rift (NW-SE) e coincidono con zone a flusso di calore elevato. Le faglie possono agire come “camini” per il calore proveniente dal profondo.
* Tomografia Sismica: Abbiamo anche confrontato la nostra mappa con i risultati della tomografia sismica, che crea immagini del sottosuolo basate sulla velocità delle onde sismiche. Le zone dove le onde viaggiano più lentamente (indicate come anomalie di bassa velocità) spesso corrispondono alle aree dove noi prevediamo un flusso di calore più alto. Questo conferma che quelle zone sono probabilmente più calde o hanno caratteristiche (come fluidi o rocce parzialmente fuse) associate al calore.

Cosa Significa Tutto Questo per l’Egitto (e non solo)?

Questo studio, usando la potenza del Random Forest, ci ha permesso di creare la mappa del flusso di calore terrestre più dettagliata e completa mai realizzata per l’Egitto. È uno strumento potentissimo!

Perché è importante?

• Energia Geotermica: Identifica le aree più promettenti (come il Mar Rosso) dove concentrare gli sforzi per esplorare e sviluppare l’energia geotermica, sia per produrre elettricità che per il riscaldamento.
• Pianificazione Energetica: Aiuta i decisori politici e le compagnie energetiche a pianificare meglio il futuro energetico dell’Egitto, diversificando le fonti e riducendo la dipendenza dai fossili.
• Comprensione Geologica: Migliora la nostra comprensione dei processi termodinamici profondi che modellano la crosta terrestre in questa regione complessa.
• Modello per Altri: Il nostro approccio può essere adattato e applicato ad altre regioni del mondo con caratteristiche geologiche simili e scarsità di dati diretti.

Certo, ci sono ancora limiti. La disponibilità di dati diretti per validare il modello in alcune aree è ancora scarsa. Inoltre, ogni modello di machine learning ha le sue sfide (dipendenza dalla qualità dei dati, difficoltà nell’estrapolare molto al di là dei dati di training). Ma il potenziale è enorme. Future ricerche potrebbero usare ancora più dati, magari da nuove misurazioni dirette, o sperimentare altri algoritmi di machine learning per affinare ulteriormente le previsioni.

In conclusione, abbiamo dimostrato come l’intelligenza artificiale possa trasformare dati geofisici complessi in informazioni preziose e utili. La nostra mappa del flusso di calore non è solo un risultato scientifico, ma una vera e propria guida per sbloccare il potenziale energetico nascosto sotto la superficie dell’Egitto, contribuendo a un futuro più sostenibile. È stato un viaggio incredibile nell’unione tra geologia e tecnologia, e spero di avervi trasmesso un po’ della mia passione!

Fonte: Springer