Come i ponti di diffusione ci aiutano a contare i pesci anche con modelli imperfetti?

Immagina di dover prevedere quanti pesci attraverseranno un fiume in 10 minuti. Gli scienziati usano dei “ponti di diffusione”, ovvero modelli matematici che partono da un valore noto (ad esempio zero pesci all’inizio) e arrivano a un valore fissato alla fine (il conteggio totale). Il problema? Il modello può essere sbagliato: parametri e coefficienti non corrispondono alla realtà. Per affrontare questa incertezza, i ricercatori hanno creato due problemi di ottimizzazione risolvibili esattamente, che forniscono i limiti inferiore e superiore della performance del ponte. La chiave è la trasformazione di Girsanov, che misura quanto il modello si discosta dalla verità usando l’entropia relativa. Se una condizione di “benessere” è soddisfatta, i problemi hanno soluzioni uniche: il minimo garantisce il peggior caso più pessimista, il massimo il caso più ottimista, in base a quanto si è avversi all’incertezza. Applicando il metodo ai dati ad alta risoluzione di un pesce migratore, gli autori hanno mostrato come l’incertezza del modello influisca sulla stima del numero totale di pesci, un dato cruciale per la gestione delle risorse ambientali. In pratica, questo approccio permette di capire il “peggio scenario” e il “miglior scenario” quando i dati non sono perfetti, aiutando a prendere decisioni più informate per la conservazione dei fiumi.

Il ponte di diffusione è una classe di processi stocastici condizionati a passare per due punti fissati nel tempo, tipicamente denotati come (t0, x0) e (T, xT). Formalmente, si parte da una dinamica di tipo dX_t = b(t,X_t)dt + σ(t,X_t)dW_t, dove W_t è un moto browniano. La trasformazione di Girsanov consente di cambiare la misura di probabilità P in una misura Q sotto la quale il drift b viene modificato in b+u, con u(t,X_t) controllabile. L’entropia relativa D(Q‖P) = E_Q[log(dQ/dP)] funge da penalizzazione per deviazioni eccessive dal modello originale. Il problema di ottimizzazione consiste nel massimizzare/minimizzare E_Q[Φ(X)] – λ D(Q‖P), dove Φ è la funzione di performance (ad esempio il conteggio totale di pesci) e λ>0 regola la tolleranza all’incertezza. La condizione di benessere richiede che il drift modificato rimanga Lipschitz e che σ sia non degenerata, garantendo l’esistenza di una soluzione di Eulero‑Maruyama. La soluzione ottimale è data da un controllo u* che risolve l’equazione di Hamilton‑Jacobi‑Bellman associata, spesso ottenibile in forma chiusa per modelli lineari‑gaussiani. Nel caso dei dati di conteggio dei pesci, il modello di base è un ponte di Ornstein‑Uhlenbeck, con drift lineare verso il valore finale. L’ottimizzazione fornisce due processi di ponte: uno più “conservativo” (minimizzatore) che riduce il conteggio atteso per tenere conto di possibili sottostime, e uno più “ottimista” (massimizzatore) che aumenta il conteggio per coprire possibili sovrastime. L’intervallo risultante è interpretabile come un intervallo di confidenza robusto, utile per decisioni di gestione delle risorse idriche, poiché incorpora sia la variabilità intrinseca dei pesci sia l’incertezza modellistica.