Un nuovo modello predittivo sviluppato in Australia unisce intelligenza artificiale e conoscenze ecologiche indigene, dimezzando il margine d’errore.
Previsioni sulla produzione di energia solare migliorate grazie ai cicli naturali locali
Nel cuore dell’Australia, una ricerca pionieristica unisce l’intelligenza artificiale ai saperi millenari delle popolazioni indigene per migliorare le previsioni sulla produzione di energia solare. Lo studio, condotto dalla Charles Darwin University e pubblicato sull’IEEE Open Journal of the Computer Society, ha integrato i calendari stagionali delle comunità Tiwi, Gulumoerrgin, Kunwinjku e Ngurrungurrudjba in un modello di deep learning.
Il risultato è una capacità predittiva che supera di gran lunga quella dei metodi attualmente usati nel settore, con un tasso d’errore inferiore alla metà rispetto agli standard industriali.
Il sistema sviluppato – denominato Conv-Ensemble for Solar Power Prediction with First Nations Seasonal Information – sfrutta dati raccolti dal Desert Knowledge Australia Solar Center di Alice Springs.
La chiave del suo successo sta nell’uso di indicatori ecologici locali, come comportamenti di piante e animali, che riflettono con precisione i cambiamenti ambientali e l’irraggiamento solare. Questa combinazione ha permesso di personalizzare le previsioni secondo i ritmi naturali propri delle diverse regioni, migliorando l’affidabilità dei sistemi solari nelle zone rurali e remote.
Conoscenze antiche, tecnologia moderna
Secondo Luke Hamlin, dottorando della CDU e co-autore dello studio, “incorporare le conoscenze stagionali delle First Nations nelle previsioni sulla produzione di energia solare può migliorare sensibilmente l’accuratezza, allineando le previsioni ai cicli naturali osservati e compresi da migliaia di anni”.
A differenza dei calendari convenzionali, quelli tradizionali delle popolazioni aborigene non si basano su mesi e settimane ma su osservazioni dettagliate dell’ecosistema, legate al comportamento di flora e fauna. Questa struttura flessibile e contestuale consente di cogliere variazioni sottili ma significative, con un livello di dettaglio che i modelli meteorologici standard spesso non raggiungono.
Nel modello sviluppato, ogni input legato al calendario viene integrato nel sistema di intelligenza artificiale, che apprende a riconoscere e correlare i segnali ambientali con la produzione reale dei pannelli solari. Il risultato è un sistema predittivo adattato non solo ai fenomeni meteorologici ma anche alle caratteristiche ecologiche specifiche di ogni territorio.
Verso una previsione solare più precisa per le aree rurali
La ricerca apre nuove prospettive per l’integrazione delle tecnologie avanzate con il sapere tradizionale. I ricercatori della CDU ritengono che il sistema possa essere applicato anche ad altri contesti e fonti energetiche, offrendo uno strumento prezioso per la pianificazione e la gestione delle reti rinnovabili.
“Le difficoltà legate alla previsione della produzione solare ostacolano lo sviluppo di modelli predittivi universali”, ha spiegato il professor Bharanidharan Shanmugam, co-autore dello studio. “Questa combinazione di AI e conoscenze indigene può costituire un riferimento innovativo per affrontare queste sfide”.
Per il futuro, il team punta ad estendere l’applicazione del modello oltre l’Australia, adattandolo a differenti ecosistemi e sistemi di conoscenza. L’obiettivo è promuovere una previsione solare più affidabile, sostenibile e culturalmente inclusiva, capace di rispondere alle esigenze di territori finora trascurati dalle metodologie tradizionali.
