Analisi dei ghiacciai di Svalbard: un nuovo approccio basato sull’intelligenza artificiale
La fusione dei ghiacciai e l’innalzamento del livello del mare sono fenomeni noti e preoccupanti, ma recentemente un gruppo di ricercatori ha presentato un nuovo metodo per analizzare i dati relativi ai ghiacciai dell’Artico, utilizzando l’intelligenza artificiale (AI) per ottenere una comprensione più approfondita di questi processi.
Il team ha sviluppato un dataset ad alta risoluzione che documenta la dinamica di distacco dei fronti dei ghiacciai di 149 ghiacciai di Svalbard, coprendo un arco temporale che va dal 1985 al 2023. Pubblicato sulla rivista Earth System Science Data, questo dataset rappresenta uno strumento fondamentale per comprendere i meccanismi alla base del distacco degli iceberg, un fenomeno noto come calving, che è essenziale per migliorare la nostra conoscenza delle forze meteo che influenzano la perdita di ghiaccio a Svalbard e nell’Artico.
La perdita di massa dei ghiacciai si è accelerata negli ultimi decenni, contribuendo in modo significativo all’innalzamento del livello globale del mare. Tuttavia, molti dei meccanismi alla base della perdita dei ghiacciai, in particolare la dinamica di calving dei ghiacciai che terminano in mare, non sono stati ancora pienamente compresi. “Questo nuovo studio utilizza un modello di deep learning all’avanguardia per generare un record di 38 anni dei cambiamenti dei fronti di calving per i ghiacciai di Svalbard, con una densità senza precedenti, utilizzando immagini satellitari ad alta risoluzione,” afferma il Dr. Tian Li, ricercatore del progetto Arctic PASSION finanziato dall’UE e basato presso il Bristol Glaciology Centre, nonché autore principale dello studio.
Un dataset innovativo per comprendere la dinamica dei ghiacciai
Il dataset include quasi 125.000 tracce individuali dei fronti di calving, mostrando una tendenza al ritiro per la maggior parte dei ghiacciai di Svalbard. Grazie all’ampio catalogo di dati satellitari, i ricercatori sono stati in grado di analizzare le variazioni stagionali e annuali, oltre a catturare il momento degli eventi di surging, in cui il ghiacciaio si muove sostanzialmente in un breve periodo. Queste scoperte possono aiutare a comprendere e prevedere meglio la futura perdita di ghiaccio nell’Artico.
Secondo Tian Li, “Questo dataset può essere utilizzato per migliorare le valutazioni del bilancio di massa dei ghiacciai di Svalbard. Inoltre, consente di esplorare i fattori e i processi che controllano il calving dei ghiacciai. Questo è fondamentale per comprendere la dinamica di calving, un indicatore chiave di come i ghiacciai rispondono ai cambiamenti meteo.”