L’intelligenza artificiale svela correnti oceaniche mai osservate prima
Le correnti oceaniche nascondono dinamiche che per decenni sono rimaste invisibili agli strumenti di osservazione tradizionali. Ora, grazie a una nuova tecnica basata sull’intelligenza artificiale, un gruppo di ricercatori è riuscito a trasformare le immagini termiche dei comuni satelliti meteorologici in mappe dettagliatissime dei movimenti dell’oceano. Il metodo si chiama GOFLOW (Geostationary Ocean Flow) ed è stato sviluppato da scienziati della Scripps Institution of Oceanography, presso l’Università della California a San Diego, insieme a colleghi della UCLA, dell’Università di Tel Aviv e dell’Università del Rhode Island. I risultati sono stati pubblicati su Nature Geoscience nell’aprile 2026.
Il punto di partenza è tanto semplice quanto geniale. I satelliti geostazionari come il GOES East, normalmente utilizzati per le previsioni del tempo, catturano immagini termiche della superficie oceanica ogni cinque minuti. In queste immagini si vedono le nuvole, certo, ma anche i movimenti di masse d’acqua calda e fredda. Luc Lenain, il ricercatore che ha guidato il progetto, si è accorto che correnti importanti come la Corrente del Golfo erano già visibili in quei pattern di temperatura. Mancava solo il modo di tradurre quei cambiamenti visivi in dati concreti sulle correnti sottostanti. Ed è qui che entra in gioco il deep learning.
Come funziona GOFLOW e perché cambia le regole del gioco
Il team ha addestrato una rete neurale a riconoscere come i pattern termici sulla superficie del mare si deformano, si allungano e si spostano sotto l’effetto delle correnti. L’addestramento è avvenuto utilizzando simulazioni computerizzate molto dettagliate della circolazione oceanica, in cui a ogni configurazione termica corrispondeva una velocità dell’acqua nota. Una volta pronto, il modello è stato applicato a sequenze reali di immagini satellitari, riuscendo a ricostruire le correnti con una risoluzione che i metodi precedenti non potevano nemmeno avvicinare.
E i risultati reggono il confronto con la realtà. Quando i ricercatori hanno testato GOFLOW contro misurazioni dirette raccolte da navi nella regione della Corrente del Golfo durante il 2023, la corrispondenza è stata notevole. Ma la differenza vera sta nel livello di dettaglio: dove i satelliti altimetrici tradizionali restituiscono medie spalmante su aree enormi e con tempi di rivisita di circa dieci giorni, GOFLOW riesce a catturare strutture piccole e veloci come vortici e strati di confine, quelle che si formano e spariscono nel giro di poche ore.
Questa capacità ha un’importanza enorme per la comprensione del mixing verticale, cioè quel processo per cui le acque superficiali scendono in profondità e viceversa. Il mixing verticale porta nutrienti dal fondale verso la superficie, alimentando gli ecosistemi marini, e allo stesso tempo trascina anidride carbonica verso il basso, dove può rimanere immagazzinata a lungo termine. Fino a oggi, le dinamiche a piccola scala che guidano questo processo erano osservabili quasi esclusivamente nelle simulazioni. Con GOFLOW, per la prima volta, si possono studiare con dati reali.
Nessun nuovo satellite necessario: il futuro è già in orbita
L’aspetto forse più elegante di tutta la faccenda è che GOFLOW non richiede il lancio di nuovi strumenti nello spazio. Funziona con dati che i satelliti meteorologici già raccolgono quotidianamente. Questo lo rende economicamente sostenibile e potenzialmente integrabile nei sistemi di previsione meteorologica e nei modelli climatici esistenti. Le applicazioni pratiche sono molteplici: dal miglioramento delle operazioni di ricerca e soccorso in mare al tracciamento delle maree nere, fino a una comprensione più profonda delle interazioni tra oceano e atmosfera.
Resta un limite da affrontare: la copertura nuvolosa. Le nuvole bloccano le immagini termiche su cui si basa il sistema, creando buchi nei dati. Il team sta già lavorando per integrare fonti satellitari aggiuntive e colmare queste lacune. L’obiettivo dichiarato è espandere GOFLOW su scala globale. E in un gesto che vale la pena sottolineare, i ricercatori hanno reso pubblicamente disponibili sia i dati prodotti sia il codice del modello, aprendo la strada ad altri scienziati che vorranno costruire su questa base.
