Analisi di dati relativi alle polveri contenute in una carota di ghiaccio antartico prelevate in località Talos Dome

Il laboratorio di glaciologia del Dipartimento di Scienze dell’Ambiente e del Territorio ha sezionato ed analizzato una carota di ghiaccio antartico prelevata in località Talos Dome ed ha raccolto una serie di dati sulla presenza di particelle intrappolate nel ghiaccio, fornendo un record contenente informazioni circa l’età ed il numero, il volume, la massa, la media, la mediana e la moda al tempo 0 ed al tempo 24.
Il ghiaccio è infatti in grado di “imprigionare” segnali riconducibili ai climi passati; la sua localizzazione in aree remote del pianeta, come la Calotta Polare Antartica, ha fatto sì che tali segnali siano potuti giungere virtualmente inalterati fino ai giorni nostri.
Per ognuna delle quantità misurate, (età, numero, volume, massa, media, mediana e moda) si è proceduto, attraverso l’uso della PCA (Principal Component Analysis), all’analisi delle correlazioni fra le variabili. In seguito si è effettuata un’analisi con le Reti Neurali (Neural Network) con il software STATISTICA, per valutare la prevedibilità delle quantità analizzate.
La prima fase del lavoro ha cercato di stabilire se esiste una tipologia di rete in grado di descrivere in modo ottimale le variabili considerate.
L’individuazione della rete più consona è stata eseguita utilizzando l’opzione “Intelligent Problem Solver”; attraverso il confronto fra gli errori quadratici delle previsioni fornite rispetto alla serie storica dei dati, si è giunti all’individuazione della migliore tipologia di rete.
Siccome le previsioni erano poco soddisfacenti, si sono testate le tipologie individuate nella prima fase e la loro sensibilità alla variazione del numero di strati nascosti e di nodi al loro interno, del numero di passi indietro e di altri parametri. In particolare si sono confrontate l’età ed il numero di particelle, il volume, la massa, la media, la mediana e la moda al tempo 0 ed al tempo 24 con le reti MLP (Multilayer Perceptrons), RBF (Radial Basis Function) e LINEARI.
In particolare ci si è accorti che le approssimazioni migliori venivano fornite dalle reti RBF e LINEARI rispetto alle reti MLP; queste ultime infatti fornivano valori previsti fortemente discordanti da quelli reali, con i valori degli scarti quadratici superiori rispetto alle altre due tipologie.
Si può, quindi, concludere affermando che i risultati ottenuti con le Reti Neurali su questi dati non sono completamente accettabili: sono soddisfacenti solo le stime relative alla media, alla mediana ed alla moda al tempo 0 ed al tempo 24, mentre per le altre quantità si hanno delle previsioni che non seguono perfettamente l’andamento delle variabili reali.