Prediction of Rainfall-INduced landslides – Improving multi-scale TerritoriAL Early warning through aRTificial intelligence

(PRIN-ITALERT)

Background

La previsione dell’innesco di frane indotte da pioggia è un compito cruciale per la protezione civile. In tutto il mondo sono attualmente in funzione diversi sistemi di allerta per frane a diverse scale spaziali. In Italia, le allerte per le frane sono emesse per unità territoriali denominate Zone di Allerta, che coprono alcune migliaia di km². Di solito, i modelli di allerta a scala regionale si basano su soglie di pioggia, che richiedono pochi parametri e forniscono risultati chiari in tempi di calcolo brevi. Tuttavia, un modello a scala regionale a scala di zona d’allerta può non considerare alcune caratteristiche locali che potrebbero essere rilevanti per l’innesco di una frana. Ciò potrebbe portare ad avere previsioni errate. Per questo motivo, è necessario un approccio multi-scala.

Scopo

Il progetto PRIN-ITALERT (Prediction of Rainfall-INduced landslides – Improving multi-scale TerritoriAL Early warning through aRTificial intelligence) ha l’obiettivo di migliorare la previsione operativa delle frane indotte dalle piogge su area vasta, sfruttando sia le soglie pluviometriche definite utilizzando stime di pioggia da satellite, sia approcci innovativi basati su algoritmi di intelligenza artificiale, in particolare Random Forest e Artificial Neural Networks.

Metodi

Gran parte dei sistemi d’allerta per frane a scala regionale utilizzano soglie pluviometriche, che si basano principalmente sull’analisi statistica degli eventi pluviometrici responsabili delle frane. I prodotti pluviometrici satellitari sono stati sempre più utilizzati per la definizione delle soglie pluviometriche e hanno dimostrato di fornire buone prestazioni nella previsione delle frane.
Tra le varie tecniche di intelligenza artificiale, Artificial Neural Networks (ANN) e Random Forest (RF) sono tra gli algoritmi più utilizzati nella valutazione e nella previsione della pericolosità delle frane. ANN sono state recentemente applicate per migliorare i modelli di previsione delle frane a scala locale e regionale, mentre diverse applicazioni alla mappatura della suscettibilità alle frane sono presenti in letteratura. RF si è dimostrato uno dei migliori algoritmi per la valutazione della suscettibilità alle frane ed è stato utilizzato anche per l’individuazione delle frane o per la previsione dei movimenti franosi a partire dai dati pluviometrici.

Risultati

L’obiettivo principale del progetto PRIN-ITALERT è la definizione di un modello operativo multi-scala di previsione delle frane con soglie pluviometriche a scala regionale e modelli sub-regionali basati su AI, con una procedura di attivazione a due fasi. Le soglie pluviometriche sono utilizzate come primo passo del un modello mentre gli algoritmi basati sull’IA saranno attivati solo in caso di superamento della soglia. La combinazione di entrambi gli strumenti ha il vantaggio di: 1) aumentare l’efficacia della previsione a una risoluzione spaziale più fine rispetto ai modelli tradizionali a scala regionale; e 2) ridurre i tempi di calcolo.

Conclusioni

Si prevede che il progetto avrà un impatto scientifico, operativo e sociale rilevante. È previsto un significativo avanzamento dello stato dell’arte per quanto riguarda la previsione spaziale e temporale delle frane indotte dalle piogge; si prevede un miglioramento delle capacità predittive dei modelli a scala regionale, anche grazie all’approccio multi-scala, con un risultato a scala più fine e un tempo di esecuzione ridotto. Un aspetto fondamentale della proposta è che la metodologia sviluppata può essere applicata ad altre aree del mondo soggette a frane, poiché i dati pluviometrici da satellite sono ora disponibili in tempo quasi reale a scala globale.