Ordine giusto, ampiezza sbagliata: la dispersione dell’ensemble fallisce in silenzio agli estremi della portata fluviale

Abstract degli autori

I modelli di deep learning, in particolare le reti Long Short-Term Memory, sono sempre più utilizzati per le previsioni operative della portata fluviale; la dispersione dell’ensemble fornisce un’indicazione dell’incertezza delle previsioni. Con l’aumento della frequenza degli estremi idroclimatici dovuto al cambiamento climatico, questi modelli opereranno sempre più spesso in condizioni di portata rare nelle rispettive serie storiche. Valutiamo quindi se la dispersione dell’ensemble resti informativa al crescere della portata, esaminando sia la sua ampiezza rispetto all’errore sia la sua capacità di ordinare gli errori. Alle portate ordinarie, l’errore di previsione è circa $2\times$ la dispersione corretta; alle portate più elevate arriva fino a $4\times$, con uno scarto che aumenta al crescere della portata (pendenza log-log $1.30$, IC al 95%: $[1.20,1.41]$). La sottodispersione è più marcata per le portate estreme osservate oltre l’intervallo coperto dai dati di addestramento, dove lo scarto raggiunge $18\times$. Il fenomeno è diffuso e non è spiegabile con una distorsione della media condizionata. L’Area Under the Sparsification Error, una metrica standard indipendente dalla distribuzione che misura quanto bene un modello sappia riconoscere quando è incerto, indica che la dispersione dell’ensemble ordina gli errori quasi come un oracolo ($0.071$); tuttavia, un ordinamento basato sulla sola portata prevista ottiene risultati quasi equivalenti. Una capacità informativa di ordinare l’incertezza può coesistere con una grave sottodispersione. Nell’uso operativo non è possibile verificare l’ordinamento degli errori, ma la dispersione è disponibile e viene usata come indicazione dell’incertezza in condizioni sempre più estreme, pur sottostimando sistematicamente il rischio, soprattutto per gli eventi estremi che contano di più.