Gli eventi franosi provocano ogni anno un elevato numero di morti a livello globale e rilevanti danni economici.

Riuscire a prevedere l’evoluzione delle frane è fondamentale per la valutazione del rischio e la progettazione di sistemi di allertamento che siano affidabili e riescano a tener conto dell’impatto di fattori scatenanti esterni come precipitazioni, fluttuazioni dei bacini e delle acque sotterranee, terremoti e attività antropiche. Non si tratta però di una sfida di facile risoluzione perché la progressione delle frane in genere non aderisce a uno schema lineare.

Recenti scoperte nella previsione dello spostamento delle frane hanno dimostrato che l'intelligenza artificiale e, in particolare, le tecniche di deep learning possono rappresentare un punto di svolta nella possibilità di mettere a punto efficaci sistemi di allerta precoce.

Uno studio recentemente pubblicato sulla rivista Landslides e guidato da un team di ricercatori del Dipartimento di Geoscienze dell’Università di Padova in collaborazione con colleghi di università e centri di ricerca di Spagna e Austria, ha testato l'efficacia di sette tecniche di deep learning per prevedere lo spostamento delle frane. Lo studio si è focalizzato su quattro diverse frane che variavano per posizione geografica, fattori di influenza e caratteristiche geologiche, ma anche in termini di volumi e materiali coinvolti e strumenti di monitoraggio: le frane di Sant’Andrea and Lamosano sulle Dolomiti, in Italia, quella di Baishuihe nella provincia cinese dello Hubei e la frana di El Arrecife nel sud della Spagna.

“Nella nostra ricerca abbiamo confrontato le performance dei sette modelli più utilizzati per le previsioni di serie temporali in quattro frane diverse, due delle quali sono locate all'interno di contesti di lago”, spiega Lorenzo Nava, dottorando del Dipartimento di Geoscienze e primo autore dello studio, osservando che in questi casi ad influenzare l’accelerazione o la decelerazione dei corpi di frana sono anche i cambiamenti del livello del lago, oltre alle precipitazioni.

La ricerca ha dimostrato che il deep learning (DL) può essere applicato con successo ai sistemi di allerta precoce in caso di frana. E, in particolare, “tre dei modelli utilizzati sono riusciti ad avere performance consistenti in tutti e quattro i casi studio”, aggiunge Lorenzo Nava.

Sulla repository di GitHub di Lorenzo Nava sono disponibili i codici Phyton e i dati con cui testare e ottimizzare i sette modelli utilizzati in questa ricerca. 

Doi: https://doi.org/10.1007/s10346-023-02104-9

Titolo: Landslide displacement forecasting using deep learning and monitoring data across selected sites

Autori: Lorenzo Nava, Edoardo Carraro, Cristina Reyes-Carmona, Silvia Puliero, Kushanav Bhuyan, Ascanio Rosi, Oriol Monserrat, Mario Floris, Sansar Raj Meena, Jorge Pedro Galve e Filippo Catani