La siccità è una minaccia crescente che impatta la sicurezza alimentare, la gestione delle risorse idriche e la stabilità ambientale a livello globale. Prevedere e monitorare questi eventi estremi con accuratezza è fondamentale per mitigare i loro effetti devastanti. Presentiamo qui tre recenti pubblicazioni scientifiche a firma di Luca Di Persio, Professore di Probabilità presso l’Università di Verona e Responsabile Scientifico in HPA, che offrono nuove prospettive e strumenti concreti per affrontare la sfida della siccità.
1. Miglioramento delle previsioni di siccità attraverso modelli ensemble
Il primo studio, intitolato “Utilizing ensemble models for enhanced meteorological drought monitoring and analysis” e pubblicato sulla rivista Theoretical and Applied Climatology di Springer Nature, esamina l’applicazione di modelli ensemble per ottimizzare il monitoraggio e l’analisi della siccità meteorologica su base mensile. Per l’identificazione iniziale delle siccità, gli autori hanno impiegato lo Standardized Precipitation Temperature Index (SPTI). Successivamente, per generare le previsioni di precipitazioni, temperatura e SPTI, è stato utilizzato un modello ibrido Autoregressive Integrated Moving Average e Artificial Neural Network (ARIMA-ANN). Tre modelli ensemble basati sull’Ensemble Streamflow Prediction (ESP) – Equal Ensemble Drought Prediction (EEDP), Weighted Ensemble Drought Prediction (WEDP) e Conditional Ensemble Drought Prediction (CEDP) – sono stati sviluppati e validati per le previsioni di siccità.
I risultati hanno chiaramente indicato la superiorità del modello CEDP, che ha costantemente superato i modelli EEDP e WEDP attraverso diverse stazioni meteorologiche e metriche di valutazione. Ad esempio, presso Bahawalpur nel mese di aprile, il modello CEDP ha registrato un Mean Absolute Error (MAE) di 0.7110 e un Root Mean Square Error (RMSE) di 0.8006, valori significativamente inferiori rispetto ai 1.0489 di RMSE ottenuti da EEDP e WEDP. A Narowal in maggio, CEDP ha mostrato un RMSE di 0.4612, mentre EEDP e WEDP hanno riportato entrambi un RMSE di 0.8877. Questa performance avanzata è attribuibile all’integrazione di informazioni climatiche tramite la logica condizionale del CEDP, consolidandolo come uno strumento più accurato e affidabile per le previsioni di siccità.
Link: https://link.springer.com/article/10.1007/s00704-025-05620-x
2. Monitoraggio semplificato della siccità con clustering fuzzy e Deep Learning
Il secondo articolo, “Streamlined meteorological drought monitoring through fuzzy clustering and deep learning”, anch’esso pubblicato su Theoretical and Applied Climatology di Springer Nature, propone un quadro matematico rigoroso per il monitoraggio della siccità meteorologica. Questo quadro integra apprendimento automatico avanzato, selezione delle feature e strategie di clustering. L’obiettivo centrale è prevedere gli eventi di siccità utilizzando lo Standardized Precipitation Index (SPI) come variabile target. Gli autori hanno introdotto un nuovo Composite Drought Index (CDI), un indice multivariato che aggrega diverse informazioni sulla siccità, costruito a partire dal Precipitation Concentration Index, Temperature Condition Index, Wind Speed Condition Index e Soil Moisture Condition Index. Il CDI ha dimostrato una forte coerenza empirica con lo SPI su quattro decenni di dati provenienti da trentadue stazioni meteorologiche.
Per gestire l’eterogeneità spaziale, gli autori hanno impiegato il fuzzy clustering per raggruppare le stazioni in classi omogenee. Successivamente, l’algoritmo Boruta è stato utilizzato per selezionare le feature più rilevanti all’interno di ciascun cluster. La previsione della siccità è stata quindi eseguita da una suite di modelli di machine learning; tuttavia, un modello ibrido che combina reti neurali profonde e Random Forest ha raggiunto le migliori prestazioni complessive, ottenendo gli errori di previsione più bassi (MAE tra 0.1570 e 0.2664, RMSE tra 0.2022 e 0.3306) e la più alta Nash-Sutcliffe Efficiency (da 0.8973 a 0.9547). Questo studio dimostra che il CDI supera significativamente gli indici univariati e che il modello ibrido fornisce una performance predittiva superiore rispetto agli approcci convenzionali di deep learning. Il framework è adattabile per il monitoraggio della siccità in tempo reale e per i sistemi di allerta precoce, fornendo un valore pratico per la resilienza climatica nelle regioni soggette a siccità.
Link: https://link.springer.com/article/10.1007/s00704-025-05601-0
3. Un approccio spazio-temporale per il monitoraggio della siccità con analisi EOF e Reti Neurali
Infine, “A Spatiotemporal Approach for Drought Monitoring Using Empirical Orthogonal Function (EOF) Analysis and Neural Networks”, pubblicato su Earth Systems and Environment di Springer Nature, presenta un approccio innovativo spazio-temporale per il monitoraggio della siccità. Questo studio ha analizzato l’SPI e lo SPEI mensili misurati in 32 stazioni meteorologiche nel Punjab dal 1981 al 2021, trattandoli come campi casuali integrabili al quadrato. Attraverso l’espansione delle Funzioni Ortogonali Empiriche (EOF) e il teorema di Karhunen–Loève, i ricercatori hanno ottenuto una decomposizione spettrale che preserva il 95% della varianza totale (con 12 modi dominanti per SPI e 8 per SPEI) tramite una rappresentazione a dimensione ridotta.
Una rete neurale feedforward multi-output è stata addestrata per approssimare la mappatura che assegna a ogni stazione il suo vettore di coefficienti normalizzati principali, permettendo una ricostruzione completa del campo spazio-temporale. Questo approccio, basato sulla teoria degli operatori e sul deep learning, è differenziabile end-to-end e statisticamente consistente. I risultati mostrano che il framework riproduce efficacemente l’eterogeneità idro-climatica e supera le baseline a output singolo di oltre la metà (con RMSE di 0.27 per SPEI rispetto a 0.20 MAE e 0.17 MSE). Anche con una troncazione aggressiva del rango, il modello conserva la zonazione climatologica, propaga coerentemente la variabilità spazio-temporale e scopre cicli climatici quasi-periodici. Questo strumento si rivela matematicamente rigoroso e computazionalmente efficiente per la diagnosi e la previsione della siccità ad alta risoluzione, particolarmente utile in ambienti eterogenei o con scarsità di dati.
Link: https://link.springer.com/article/10.1007/s41748-025-00767-z
Gli studi rappresentano un significativo progresso nella capacità di comprendere, prevedere e mitigare gli impatti della siccità. Dall’ottimizzazione dei modelli ensemble alla creazione di nuovi indici multivariati e all’impiego di tecniche spazio-temporali avanzate, la ricerca continua a espandere i confini dell’innovazione.
