Per la prima volta, grazie all'impiego di misure satellitari, è stato possibile ottenere una stima affidabile della quantità d'acqua coinvolta nelle inondazioni che interessano il bacino fluviale dell'Amazzonia.
Finora le stime disponibili erano suggerite unicamente da occasionali misurazioni e da grezze assunzioni basate sul flusso d'acqua nel Rio delle Amazzoni. Grazie allo studio di Douglas Alsdorf (Ohio University) e collaboratori recentemente pubblicato su Remote Sensing of Environment, però, è ora possibile disporre di informazioni molto più accurate. Per la loro analisi i ricercatori si sono avvalsi sia di misure gravimetriche che di riprese satellitari – ben quattro i satelliti impiegati – per rilevare le variazioni di livello delle acque tra la stagione secca e quella umida nel periodo dal 2003 al 2006.
Le osservazioni hanno permesso di scoprire che la quantità d'acqua che inonda il bacino e successivamente viene drenata ammonta a circa il 5% del volume totale di acqua scaricato annualmente nell'Oceano Atlantico dal Rio delle Amazzoni. Molto meno di quanto ci si aspettava di trovare in quello che è il bacino fluviale più grande del mondo.
L'acqua dell'Amazzonia
prossimo articolo
LLM e ricerca scientifica: opportunità, rischi e controlli
Come integrare i modelli linguistici di grandi dimensioni nel processo scientifico senza comprometterne l'integrità? Gli LLM sono utili quando velocizzano lavoro ripetitivo e preparatorio. Diventano rischiosi quando il loro output entra direttamente nel processo di validazione o nella decisione scientifica. La questione da porre non è se ma come integrarli nel processo scientifico senza comprometterne l'integrità.
Immagine di copertina realizzata con ChatGPT
Nel discorso pubblico, intelligenza artificiale e Large Language Model (LLM) vengono spesso usati come sinonimi. Non lo sono. L'IA è il campo più ampio che comprende tecniche diverse — dai sistemi simbolici all'apprendimento automatico, dalla visione artificiale alla robotica, fino ai modelli generativi. Gli LLM sono una classe specifica di questi sistemi: modelli addestrati su grandi quantità di testo e, sempre più spesso, di dati multimodali, capaci di produrre risposte linguisticamente plausibili, codice, sintesi, classificazioni e proposte operative.