Previsioni climatiche più precise grazie alla meccanica statistica
Una delle maggiori sfide nella previsione del clima è l’incertezza su come affrontare i cambiamenti climatici. Le simulazioni al computer devono essere eseguite più e più volte con diversi scenari che variano nel futuro sviluppo economico, quantità di gas che influenzano il clima, il cambiamento nell’uso delle pratiche di uso del suolo, le decisioni politiche, ecc.
Ma i modelli climatici avanzati dell’IPCC funzionano con supercomputer che sono molto costosi e solo una selezione limitata di scenari viene presa in considerazione per ogni nuova generazione di modello climatico.
La conseguenza è una grande lacuna nella nostra comprensione del sistema climatico perché i risultati di diversi scenari non possono essere facilmente confrontati. Esistono molte domande senza risposta, ad esempio quando e come verranno impostati i punti di non ritorno. In che misura una determinata quantità di anidride carbonica aggiunta nell’atmosfera influirà sulla temperatura media globale nei giorni nostri e nei prossimi secoli?
Ora, Valerio Lucarini, dell’Università di Reading, Valerio Lembo, dell’Università di Amburgo, Francesco Ragone, dell’Ecole Normale Superieure, documentano in Scientific Reports che queste incertezze potrebbero essere notevolmente ridotte. Essi hanno scoperto che la qualità delle informazioni estratte da modelli climatici avanzati migliora significativamente se sottoposta alla teoria della meccanica statistica.
I calcoli hanno previsto con esattezza le variazioni della temperatura media globale e le correnti oceaniche su larga scala come la circolazione rovesciata del meridiano atlantico e la corrente circumpolare antartica, dimostrando che il metodo funziona.
È la prima volta che questo approccio, che è estremamente teorico e utilizza proprietà matematiche e fisiche di base, è stato applicato a un modello climatico complesso su larga scala con un oceano completamente interattivo.
“In linea di principio, gli strumenti che utilizziamo qui ti consentono di colmare il divario tra diversi scenari e, diciamo, di scomporre l’effetto di diversi forzanti. Quindi è come una scatola nera. Mi dai un periodo di tempo e una quantità di forzatura e ti do la risposta. In tempo reale. È un modo molto efficiente di usare i dati e puoi fondamentalmente costruire uno scenario completo per un dato modello“, spiega Lucarini.
“Molte persone credevano che questo non sarebbe stato possibile per un modello della classe IPCC. Invece, abbiamo dimostrato che funziona. E proprio come è più facile prevedere il movimento statistico di miliardi di molecole rispetto al moto esatto di una di esse, questo approccio funziona meglio in una situazione complessa“, afferma Lucarini.
Teoricamente, l’approccio dovrebbe facilitare anche la valutazione dei punti di non ritorno. Testare la risposta del sistema in una varietà di scenari è ora più accessibile.
