Scienza, prevedere il rischio frane attraverso modelli di apprendimento automatico

Sviluppare un approccio più accurato e dinamico in grado di prevedere con maggiore precisione l’eventualità che si verifichi una frana. A questo obiettivo e’ stato orientato uno studio, pubblicato sulla rivista Geophysical Research Letters, condotto dagli scienziati della Northwestern University e dell’Universita’ della California a Los Angeles. Il team, guidato da Chuxuan Li e Daniel E. Horton, ha ideato un sistema che sfrutta i predittori idrologici per anticipare meglio il rischio di frane. I metodi tradizionali, spiegano gli esperti, si basano sull’analisi dell’intensita’ delle precipitazioni. Il nuovo approccio, riportano gli autori, integra diversi processi legati all’acqua con un modello di apprendimento automatico. Il framework offre una comprensione piu’ solida delle cause di questi eventi distruttivi. Con ulteriori sviluppi, il nuovo quadro potrebbe contribuire a migliorare i sistemi di allerta precoce, orientare la pianificazione dei rischi e potenziare le strategie di resilienza climatica nelle regioni vulnerabili alle frane. “Il nostro modello – afferma Li – considera una gamma ampia di fattori, per cui possiamo identificare percorsi diversificati che portano alle frane. Questi eventi, in effetti, non sono tutti uguali tra loro e possono dipendere da svariati processi ideologici”.

Nell’ambito dell’indagine, i ricercatori hanno analizzato un mese di condizioni meteorologiche estreme in California. Durante l’inverno 2022-23, la regione ha sperimentato oltre 600 episodi di frane, nove fiumi hanno provocato inondazioni catastrofiche. Gli studiosi hanno adottato un modello computerizzato che simula il movimento dell’acqua nell’ambiente, includendo l’infiltrazione della pioggia nel terreno, il deflusso superficiale, l’evaporazione e il congelamento o lo scioglimento di neve e ghiaccio. Grazie ai risultati del modello, il gruppo di ricerca ha sviluppato una metrica, chiamata “stato di bilancio idrico” (WBS), per valutare la sovrabbondanza di acqua in una determinata area. L’apprendimento automatico raggruppa frane simili in base alle condizioni specifiche dei siti. Grazie a questa tecnica, hanno identificato tre percorsi principali che hanno portato alle frane in California: piogge intense, piogge su terreni già saturi e scioglimento di neve o ghiaccio. Il team stima che forti e rapidi acquazzoni abbiano causato circa il 32 per cento delle frane, mentre il 53 per cento degli episodi sarebbe associato a piogge su terreni saturi e il 15 per cento e’ dipeso dallo scioglimento di neve o ghiaccio. “L’umidità eccessiva ha giocato un ruolo centrale nel verificarsi della frana – conclude Horton – il che risulta particolarmente pericoloso sui pendii ripidi. Il nostro sistema e’ stato in grado di identificare con precisione le condizioni favorevoli alle frane. Il nostro obiettivo finale e’ quello di ottenere uno strumento in grado di formulare previsioni”.