Analisi di indicatori climatici e sviluppo di modelli predittivi ad alte prestazioni per la valutazione di potenziali perdite di produzione causate dai cambiamenti climatici

Il riscaldamento globale -- e il conseguente cambiamento climatico -- rappresenta uno dei problemi più rilevanti del XX e XXI secolo, con un forte impatto a livello ambientale e sociale. A causa di tali cambiamenti, il settore agro-alimentare risulta fortemente penalizzato, poiché direttamente influenzato da variazioni di temperatura, precipitazioni e cicli stagionali [1]. Diversi lavori scientifici hanno già analizzato l’impatto delle mutate temperature sulle coltivazioni tra il 1980 e il 2000, sia in regioni temperate [2] che tropicali [3], e l’effetto delle variazioni di precipitazioni sulla produzione dell’agricoltura pluviale [4]. Le conseguenze di questi cambiamenti sulle comunità sociali sono quindi un elemento fondamentale di rilevante importanza. Infatti, la desertificazione dei terreni coltivabili [5] ha come risultato l’impoverimento del tessuto sociale e, conseguentemente, del potere d’acquisto delle comunità colpite. Da tutto ciò si evince l’importanza di studiare questi fenomeni per contenere le perdite di produzione alimentare a livello globale, stimate ad oggi tra il 3% e il 16% [6]. Il tema di ricerca proposto in questo progetto va esattamente in questa direzione, ed è direttamente connesso allo studio e alla prevenzione dei danni causati dai cambiamenti climatici alla produzione agricola di regioni geografiche particolarmente sensibili.

Il progetto qui proposto si prefigge di analizzare marker bioclimatici di aree geografiche considerate a rischio, al fine di sviluppare modelli previsionali ad alte prestazioni di calcolo per prevenire l’impatto dei cambiamenti climatici sulla catena di produzione agro-alimentare. A tal fine, si propone di utilizzare metodologie di analisi dati recentemente sviluppate in ambito Big Data e Artificial Intelligence (AI), unite all’utilizzo di architetture di calcolo parallele ad alta prestazione come le GPU per il processing dei dati stessi. Le metodologie Big Data possono essere di particolare aiuto, poiché permettono di processare, analizzare e visualizzare grosse moli di dati. I modelli di AI invece permettono di sviluppare sistemi di predizione per cui l’utilizzo di Artificial Neural Networks (ANN) si è dimostrato particolarmente adatto e capace di individuare relazioni anche non lineari tra i dati stessi. L’utilizzo di strumenti Big Data e AI è comunque molto oneroso dal punto di vista computazionale, e richiede l’utilizzo di architetture di calcolo ad alte prestazioni. Per questo motivo si propone di utilizzare architetture di calcolo di livello High Performance Computing (HPC) e implementare i modelli previsionali su architetture GPU di ultima generazione, capaci di fornire una potenza di calcolo di uno o due ordini di grandezza superiore a quella delle comuni CPU e specificamente progettate per supportare il calcolo AI.

Nel dettaglio il progetto prevede di: ● analizzare i dati provenienti da diverse sorgenti (remote sensing, database di indicatori climatici, dati satellitari e organizzazioni di categoria) per la classificazione delle aree di interesse selezionate; ● realizzare indici di stima del rischio di perdite o di danni sul territorio, e previsioni di tali fenomeni tramite serie temporali; ● identificare le coltivazioni migliori per i terreni in esame e, nel caso in cui le mutate condizioni rendano sfavorevole la produzione attuale, identificare le zone più adatte per tali coltivazioni; ● progettare modelli di previsione basati su modelli AI da implementare su architetture di calcolo GPU di ultima generazione, ottimizzazione e misura dell’efficienza di esecuzione.

Si propone di svolgere le attività di ricerca del progetto secondo il seguente schema temporale: ● i primi 6 mesi saranno svolti presso la sede Universitaria e prevalentemente dedicati ad attività di studio e di ricerca, con un focus specifico ad ampliare le conoscenze in ambito climatico con lo studio di modelli previsionali e di indicatori climatici, mentre in ambito computazionale con lo studio delle architetture GPU e la loro programmazione; ● i successivi 6 mesi potranno essere svolti presso l’Azienda partner per consolidare la parte sperimentale ed individuare gli algoritmi di ML e ANN più idonei al processing dei dati ed all'implementazione del modello previsionale; ● i 6 mesi seguenti saranno svolti presso la sede Universitaria e dedicati principalmente all’implementazione ed ottimizzazione dei modelli di analisi e di previsione su GPU; ● gli ultimi 6 mesi del secondo anno saranno invece svolti come tirocinio presso l’Azienda estera selezionata, per consolidare e validare gli algoritmi e i modelli sviluppati; ● infine, il terzo anno sarà dedicato al consolidamento dei risultati, alla divulgazione degli stessi e alla scrittura della tesi. L’obiettivo di questo progetto è quello di sviluppare algoritmi da utilizzare per l’implementazione di un sistema previsionale di production loss per il settore agro-alimentare attraverso la costruzione di una rete neurale specifica. A questo, si affiancano una serie di obiettivi formativi atti a creare una professionalità consapevole per il mondo sempre in evoluzione dei Big Data, che consistono in: ● sviluppare competenze specifiche e specializzate in ambito HPC e nella gestione di grandi basi di dati; ● sviluppare solide basi scientifiche nei settori delle AI e delle reti neurali, in modo da acquisire competenze vendibili nel mondo del lavoro; ● contribuire alla ricerca scientifica tramite la pubblicazione di articoli significativi; ● ampliare le proprie conoscenze implementando tecniche di analisi differenti partendo da soluzioni già esistenti.

Il risultato atteso da questa attività di ricerca è quindi lo sviluppo di modelli e algoritmi robusti e performanti dal punto di vista computazionale, da poter utilizzare alla base di servizi digitali pubblici per l’analisi di informazioni climatiche che permettano di effettuare previsione d’impatto di eventi bioclimatici estremi sulla produzione agro-alimentare di particolari aree geografiche ad alto rischio, che servano quindi da supporto per definire eventuali strategie atte a mitigare tali effetti. I risultati saranno pubblicati sui principali journals e presentati alle principali conferenze specializzate in queste tematiche. In particolare si prevede di fare almeno due pubblicazioni su riviste scientifiche peer-reviewed e due presentazioni a workshop internazionali.

MEEO

Periodo: 6 mesi

SISTEMA (azienda estera)

Periodo: 6 mesi

Il progetto è coerente con i seguenti Ambiti di Ricerca e Innovazione del PNR 2021-2027:

5.5.2 Cambiamento climatico, mitigazione e adattamento
Articolazione 2 Comprensione delle interazioni che determinano l’evoluzione e la variabilità del clima

5.4.2 High performance computing e big data, articolazione
Articolazione 5 Applicazioni HPC, big data e sistemi di servizi cloud per la società, per la sua resilienza, per lo sviluppo sostenibile, per gli spazi dati comuni locali, nazionali ed europei

5.4.3 Intelligenza artificiale
Articolazione 5 Intelligenza artificiale per l’ambiente e le infrastrutture critiche

Il progetto di ricerca tratta temi estremamente attuali, inerenti il cambiamento climatico e i suoi effetti sulle attività umane, con lo scopo di mirare a creare una figura professionale nel mondo dei Big Data con conoscenze eterogenee spendibili in svariati ambiti, spaziando dalla ricerca accademica al settore industriale.

Con questo progetto si mira a limitare e prevenire i danni causati dal cambiamento climatico e dai mutati fenomeni atmosferici. Le ricadute di ciò sono molteplici: dal punto di vista scientifico vi è il contributo specifico all’attività di ricerca attraverso lo studio di algoritmi basati sulle reti neurali e l’applicazione di tecniche di supercalcolo e AI, che potranno essere sperimentati all’interno di settori diversi da quello agro-alimentare, contribuendo alla diffusione di strumenti moderni per l’analisi dati. Dal punto di vista economico e sociale la costruzione di un servizio pubblico di predizione delle perdite produttive permetterà di prendere con adeguato anticipo le dovute misure precauzionali per contrastare l’impoverimento dei territori coinvolti e favorirà lo sviluppo della gestione digitale delle coltivazioni.

• Cambiamento climatico
• Remote Sensing
• Calcolo ad alte prestazioni
• HPC
• GPU
• Deep Learning
• Artificial Intelligence
• Reti neurali