Aggiornato il
Quando il modello ambientale sbaglia, la risposta è nel sottosuolo
Lettura stimata: 5 min
- Guida
- Audio
- Tour
L’errore di un modellatore, umano o IA, e l’eccesso di dati richiedono più rigore nel modello concettuale e sensori che misurano il rischio. Dati fittizi.
Immagina di dover capire dove va il fumo in una casa buia con due fotografie all’anno. È così che buona parte dei progetti ambientali monitora suolo e acque sotterranee: campionamento manuale in pochi pozzi ogni sei mesi e congetture sugli altri 363 giorni. ecbyts dà un numero all’incertezza, mostra quando il modello ha sbagliato e indica dove deve entrare il prossimo dato. Questo articolo spiega perché l’errore del modellatore, umano o IA, richiede più rigore nel modello concettuale e sensori sul terreno.
Vedere il sottosuolo al rallentatore
Negli strati che ecbyts organizza dal sottosuolo (-Z) alla superficie (0Z) e all’atmosfera (+Z), l’ambiente non si ferma mai. Una pioggia intensa spinge un contaminante più vicino a un fiume; una variazione della pressione atmosferica fa salire in poche ore i gas dal suolo all’interno di un capannone. Il teorema del campionamento (Nyquist-Shannon) dice il resto: se il fenomeno cambia ogni giorno e misuri ogni sei mesi, perdi l’intero film.
Beven e Binley (1992) hanno dato un nome alla seconda trappola: equifinalità. Con poche misure, dieci esperti, o dieci agenti di IA, producono dieci mappe che spiegano il passato e indicano futuri opposti. Un buon algoritmo non prevede il terreno con pochi dati; nasconde solo meglio il dubbio.
Nello Stato di San Paolo, la Decisão de Diretoria CETESB n. 038/2017/C impone che ogni studio di area contaminata costruisca e aggiorni un Modelo Conceitual da Área (MCA, il modello concettuale del sito), la storia tecnica del luogo: dove è nata la contaminazione, dove viaggia e chi può raggiungere. L’MCA 1 riceve un grado di confidenza (A, B o C), e lo studio passa all’MCA 2 e all’MCA 3 solo man mano che i dubbi diminuiscono. Fuori da un sistema integrato, questo dubbio viene di solito trattato in modo soggettivo.
Come lo risolve ecbyts
Nell’Hub incertezza nessun numero esiste da solo. L’incertezza di ogni dato viene propagata formalmente (GUM, la guida all’espressione dell’incertezza di misura), e la simulazione Monte Carlo restituisce una banda da P10 a P90 invece di un valore unico. La scheda Bayes aggiorna la credenza su qualsiasi dato quando arriva una nuova evidenza, con prior, posterior e intervallo di credibilità. Il risultato è una probabilità di superamento: la probabilità che la contaminazione superi il limite di riferimento. Conta anche la qualità delle informazioni: nel ricalcolo del Sigillo ECBYTS, il punteggio EIS entra come indice κ, e un dato debole significa una severità maggiore.
Due scenari devono far scattare un blocco sul modello concettuale. Il primo è l’errore di previsione del modellatore: se la stima per un punto è smentita dalla misura successiva, il sistema non adatta la curva per nascondere l’errore. L’errore dimostra che il sottosuolo di quel sito non è ancora stato compreso, e il rigore sull’MCA aumenta. Il secondo è l’eccesso di dati che aumenta il dubbio, l’effetto proporzionale della geostatistica di Journel: decine di nuovi sondaggi rivelano fratture, strati misti e percorsi nascosti, e il vecchio modello concettuale non vale più.
La risposta viene dalla teoria del valore dell’informazione (Raiffa e Schlaifer; Freeze e collaboratori, 1990): il dubbio si vince solo acquisendo nuova informazione nel punto giusto. Dove due scenari del Comparatore di scenari non concordano sulla direzione del flusso, entra un sensore di livello e pressione. Dove c’è un dubbio sui gas in un’area con lavoratori (0Z), entra un sensore continuo di vapori. Dove la chimica cambia rapidamente, entrano sonde di pH, conducibilità e ossigeno. Nel Centro sensori ogni lettura arriva con ora e fonte e diventa un’osservazione datata, e il modello si ricalcola. Il proprietario del modello, il responsabile tecnico e l’auditor vedono nel Sigillo ECBYTS chi ha convalidato ogni fase.
In pratica
Esempio fittizio, con dati fittizi. Un’area ha 8 pozzi campionati ogni sei mesi. Il modellatore stima 40 µg/L di benzene nel pozzo PM-05 per la campagna successiva. La campagna misura 160 µg/L.
Nell’Hub incertezza, l’intervallo da P10 a P90 del PM-05 passa da 30-50 µg/L a 20-200 µg/L, e la probabilità di superamento sale dal 5 % al 40 %. Il Comparatore di scenari mostra due scenari di flusso che divergono esattamente in quel punto. La squadra installa nel PM-05 un sensore di livello e pressione con una lettura ogni ora: in 30 giorni il modello riceve 720 osservazioni datate invece di 1.
L’MCA torna al grado C finché l’origine del picco non viene spiegata, e nessuna decisione di chiusura va avanti in quel periodo.
Cosa non è questa funzione
- Non sostituisce il campionamento in campo né il rapporto di prova del laboratorio.
- Non decide al posto del responsabile tecnico né dell’ente ambientale: il grado dell’MCA e la classificazione restano alle persone.
- Non prevede il comportamento chimico del pennacchio in tre dimensioni; ciò che fa è dare un intervallo e una probabilità a ciò che è stato misurato.
- Non è un accantonamento contabile né una garanzia del risultato della bonifica.
- I numeri dell’esempio e del tour sono fittizi.
Come esercitarsi
Il tour dell’Hub incertezza dura circa 3 minuti e mostra la propagazione formale dell’incertezza e la scheda Bayes. Il tour del gemello con sensori dura circa 4 minuti e mostra il Centro sensori, la lettura dal vivo con ora e fonte, l’aggiornamento automatico e il passaggio dalla lettura all’osservazione datata. Entrambi si svolgono su modelli dimostrativi con dati fittizi.