I sistemi di allerta precoce sono essenziali per mitigare i rischi di fenomeni estremi come le inondazioni. Usare l’intelligenza artificiale può aiutare a raggiungere maggiore efficacia previsionale nelle zone meno monitorate.

Per comprendere la serietà del fenomeno, è sufficiente uno sguardo a ritroso nelle cronache dell’ultimo anno. A partire dal nostro Paese e dalle alluvioni che lo scorso anno, dopo un lungo periodo siccitoso, hanno interessato il nord-est dell’Italia, con l’Emilia Romagna colpita due volte: la prima da forti piogge cadute su un terreno arido, incapace di assorbirle, che ha portato allo straripamento delle sponde dei fiumi, seguite da un vero e proprio diluvio che ha causato 17 morti, migliaia di sfollati e miliardi di euro di danni a causadell’estesa distruzione di terreni agricoli, negozi e infrastrutture.

Allargando lo sguardo, gli eventi sono ancora più drammatici. Nel mese di settembre dello scorso anno, una serie di eventi meteorologici estremi ha colpito varie regioni in tutto il mondo. Il mese ha avuto inizio con un tifone che ha colpito Hong Kong, causando notevoli danni e inondazioni. Poco dopo, il Mediterraneo è stato colpito dalla tempesta Daniel, un raro “medicane” (Mediterranean Hurricane) con caratteristiche simili agli uragani, che ha causato distruzioni in Grecia, Turchia e altre aree.

La tempesta più devastante, però, è stata in Libia, dove le piogge torrenziali hanno causato il crollo di due dighe e la morte di oltre 4.000 persone, con migliaia ancora disperse. Sempre nello stesso periodo, in Asiadue tifoni hanno causato danni estesi in Taiwan e Hong Kong, mentre significative precipitazioni hanno colpito il Brasile e gli Stati Uniti.

Detto in sintesi estrema: le inondazioni sono il tipo più comune di disastro naturale. Il punto che fa sorgere la necessità di azioni di contrasto e prevenzione è che il tasso di disastri legati alle inondazioni è più che raddoppiato dal 2000 a oggi.


Il tasso di disastri legati alle inondazioni è più che raddoppiato dal 2000 ad oggi, un incremento collegato all’accelerazione del ciclo idrologico a causa del cambiamento climatico. Uno studio della NASA ha rilevato che la proporzione di persone che vivono in aree a rischio di inondazioni è aumentata significativamente, suggerendo un impatto molto più ampio dei modelli climatici precedenti.
L’intelligenza artificiale sta emergendo come strumento cruciale per affrontare gli effetti del cambiamento climatico, migliorando notevolmente la precisione e il tempo di anticipazione delle previsioni meteorologiche, soprattutto per eventi estremi come le inondazioni. L’AI può identificare le aree ad alto rischio e aiutare a sviluppare strategie di mitigazione, contribuendo a ridurre l’impatto delle catastrofi naturali.
I sistemi di allerta precoce per inondazioni hanno dimostrato di poter ridurre significativamente sia le perdite di vite umane che i danni economici, specialmente nei paesi a basso e medio reddito. La loro efficacia dipende anche dalla capacità di diffondere gli allarmi in modo tempestivo e comprensibile, un’area in cui l’AI può offrire miglioramenti significativi attraverso l’analisi di dati in tempo reale e la generazione di notifiche automatizzate.

Lo scenario

Questo incremento sia nei numeri sia nella severità dei fenomeni è strettamente correlato a un ciclo idrologico in accelerazione, a causa del cambiamento climatico antropogenico.

Lo evidenzia anche uno studio della Nasa, secondo il quale la proporzione di persone in tutto il mondo che vivono in aree a rischio di inondazioni è aumentata dal 20% al 24% dal 2000 – un numero dieci volte maggiore rispetto a quello previsto dai modelli precedenti, poiché il cambiamento climatico provoca piogge estreme, innalzamento del livello del mare e uragani più intensi.

sistemi di allerta precoce sono un modo efficace per mitigare i rischi di inondazione. Sono interessanti, in tal senso due studi della World Health Organization (“The Global Climate 2001–2010: A Decade of Climate Extremes” e “The Global Climate 2011-2020: A decade of acceleration”), nei quali si evidenzia come, proprio grazie a questi sistemi, sia possibile ridurre le fatalità legate alle inondazioni fino al 43%.

Altri studi e, in particolare, alcuni lavori specifici pubblicati dalle Nazioni Unite e dalla Banca Mondiale, da anni sottolineano come allarmi e sistemi di allerta precoce potrebbero ridurne l’impatto economico tra il 35 e il 50%.

Ma, al di là dei singoli eventi, c’è una considerazione più globale che merita una riflessione: le popolazioni nei paesi a basso e medio reddito costituiscono quasi il 90% delle 1,8 miliardi di persone vulnerabili ai rischi di inondazione. E se, da un lato, è vero che in termini assoluti l’esposizione delle attività economiche risulta essere fortemente concentrata nei Paesi a più alto reddito, quando si verificano le alluvioni, in termini di severità l’impatto risulta maggiore nei contesti a basso reddito.

E di nuovo si torna al punto: secondo la Banca Mondiale, l’aggiornamento dei sistemi di allerta precoce per le inondazioni nei paesi in via di sviluppo agli standard dei paesi sviluppati salverebbe in media 23.000 vite all’anno.

Cambiamento climatico e incuria le cause delle inondazioni

Piogge intense, maremoti, scioglimento dei ghiacciai: sicuramente i cambiamenti climatici sono tra le cause che favoriscono fenomeni come le inondazioni, aumentandone la probabilità, la frequenza e l’intensità. Ma non basta.

Anche la gestione del territorio ha il suo peso, ad esempio eliminando quelle caratteristiche naturali che normalmente rallenterebbero e favorirebbero l’assorbimento dell’acqua piovana. Le strade asfaltate, ad esempio, impediscono l’assorbimento dell’acqua, mentre la deforestazione aumenta il deflusso dell’acqua piovana e il rischio di frane.

Interessante, in tal senso, lo studio “Late-stage deforestation enhances storm trends in coastal West Africa”, che ha analizzato specificamente il caso della deforestazione nella regione della Africa Sud-Occidentale, dove il fenomeno è in atto dal 1900 in una zona costiera di 300 km.

Utilizzando tre decenni di dati satellitari, lo studio evidenzia come la deforestazione abbia modulato l’aumento dell’attività convettiva. È stato notato un incremento della frequenza dei temporali pomeridiani sopra e a valle delle aree disboscate, con aumenti più significativi nelle aree di maggior dimensione.

Vicino alla costa, dove domina la convezione della brezza marina, la frequenza delle tempeste è raddoppiata nelle zone disboscate a causa del maggiore contrasto termico tra terra e mare. Questo fenomeno è particolarmente rilevante in città in rapida espansione come Freetown e Monrovia, che sono vulnerabili rispetto a inondazioni improvvise. La continua deforestazione lungo la costa potrebbe quindi perpetuare l’aumento delle tempeste.

Il ruolo dell’intelligenza artificiale nei sistemi di allerta precoce

In questo scenario, l’intelligenza artificiale può offrire un aiuto concreto, basato sull’analisi dei dati. Non è una novità, anche se sono nuovi alcuni sviluppi che la ricerca sta avendo in questi ultimi tempi.

L’AI sta emergendo come strumento fondamentale per affrontare gli effetti del cambiamento climatico, soprattutto per quanto concerne gli eventi meteorologici estremi, e può contribuire sia all’identificazione delle aree ad alto rischio, sia nell’elaborazione di strategie di mitigazione, resilienza e risposta.

Naturalmente, un ruolo chiave spetta all’AI nello sviluppo di sistemi di allerta precoce, che possono avvisare le comunità di disastri imminenti, fornendo loro tempo prezioso per prepararsi ed evacuare.

AI e machine learning sono fondamentali anche nella gestione delle fasi successive di un evento catastrofico, ad esempio utilizzando sistemi di imagery, per raffrontare le immagini aeree pre e post evento, per comprendere dove sia necessario intervenire e dove portare aiuti, per confrontare le scene prima e dopo un disastro, valutare i danni e impostare le attività di ricostruzione.

Rientra in questa casistica il modello di deep learning DAHiTrA, utilizzato per classificare i danni agli edifici basandosi su immagini satellitari raccolte dopo disastri naturali. Il modello identifica le caratteristiche geografiche di diverse località e confronta le immagini di un edificio, strada o ponte prima e dopo un disastro per determinare il livello di danno, aiutando le autorità a determinare rapidamente il numero di edifici e infrastrutture colpite e l’entità dei danni subito il giorno dopo l’evento.

Modelli di machine learning sono anche già utilizzati per analizzare le informazioni pubblicate sui social media, che diventano fonti di “insight” per segnalare criticità come interruzioni delle erogazioni idriche o elettriche e, dunque, guidare le attività di chi ha in capo la gestione delle emergenze.

Le previsioni sui bacini non monitorati

Come accennato, ci sono però ambiti del tutto nuovi sui quali si sta concentrando l’attenzione dei ricercatori. In generale, va detto che i modelli di previsione idrologica devono essere calibrati per singoli bacini idrografici utilizzando lunghi registri di dati.

Il problema emerge quando si ha a che fare con bacini che mancano di idrometri e dai quali non è, dunque, possibile ricavare dati.

Un problema non da poco, al quale, per un decennio, ha lavorato l’Associazione Internazionale delle Scienze Idrologiche (International Association of Hydrological Sciences – IAHS) con il progetto PUB – “Prediction in ungauged basins”. Al termine di dieci anni di studio, l’IAHS è arrivata alla conclusione che pochi progressi erano stati fatti e sottolineando come i passi avanti più significativi erano stati fatti «nei bacini monitorati e non in quelli non monitorati, il che ha effetti negativi soprattutto per i paesi in via di sviluppo».

Le nuove ricerche partono da un dato di fatto: solo una piccola percentuale dei bacini idrografici mondiali è monitorata e gli idrometri non sono distribuiti uniformemente in tutto il mondo.

Sistemi di allerta precoce: un progetto per le previsioni sugli eventi rari

Secondo uno studio più recente, “Global Prediction in Ungauged Watersheds”, condotto da un team di ricercatori statunitensi ed europei, esiste una forte correlazione tra il prodotto interno lordo nazionale di un dato Paese e la quantità di dati di osservazione del flusso fluviale disponibili pubblicamente. Questo significa che è molto più complesso disporre di analisi e previsioni di qualità nelle aree più vulnerabili e soggette a fenomeni di inondazione.

Utilizzando strumenti di apprendimento automatico per sviluppare modelli di simulazione idrologica trasferibili ai bacini non monitorati, lo studio si è concentrato sullo sviluppo di un sistema di previsione su scala globale, partendo dai dati disponibili pubblicamente. L’obiettivo era arrivare a sviluppare previsioni fluviali accurate su larga scala, in particolare per quanto riguarda gli eventi estremi.

La tecnologia per le previsioni idrologiche su scala globale e in tempo reale è rappresentato dalla versione 4 del Global Flood Awareness System (GloFAS), un sistema di previsione delle inondazioni globali gestito dal Servizio di Gestione delle Emergenze Copernicus (Copernicus Emergency Management Service – CEMS), sotto la responsabilità del JRC – Joint Research Centre della Commissione Europea e l’operato dello European Centre for Medium-Range Weather Forecasts (ECMWF).

Esistono altri sistemi di previsione per diverse parti del mondo e molti paesi dispongono di agenzie nazionali incaricate di produrre allarmi precoci.

Dato l’impatto severo delle inondazioni sulle comunità in tutto il mondo, si ritiene critico che le agenzie di previsione valutino e confrontino le loro previsioni, allarmi e approcci. Un importante primo passo verso questo obiettivo è l’archiviazione delle previsioni storiche.

Il modello di intelligenza artificiale (AI) sviluppato per questo studio utilizza reti LSTM (Long Short-Term Memory) per prevedere il flusso fluviale giornaliero lungo un orizzonte previsionale di 7 giorni. Il modello è stato addestrato e testato su campioni esterni utilizzando la validazione incrociata k-fold casuale su 5,680 stazioni di misurazione del flusso fluviale [la k-fold cross validation è una tecnica di validazione usata per valutare le prestazioni di un modello statistico. Consiste nel dividere il dataset iniziale in \( k \) sottogruppi o fold, di dimensioni uguali. Per ogni iterazione del processo, un fold differente viene utilizzato come set di test e i restanti \( k-1 \) fold vengono usati come set di training. Questo processo si ripete \( k \) volte, con ciascuno dei \( k \) fold che viene utilizzato esattamente una volta come set di test. Il risultato finale è la media delle valutazioni ottenute da ciascuna iterazione, fornendo una stima più robusta dell’efficacia del modello – ndr].

Al contrario, le metriche per il GloFAS sono state calcolate su una combinazione di località monitorate e non, e su una combinazione di periodi di calibrazione e validazione, favorendo così il confronto con il benchmark GloFAS.

Questo approccio si è reso necessario, dal momento che la calibrazione di GloFAS è computazionalmente tanto costosa da non rendere possibile l’idea di ricominciare la calibrazione su divisioni di validazione incrociata.

L’obiettivo è comprendere l’affidabilità delle previsioni di eventi estremi, di conseguenza, in questo specifico studio, il concetto di “periodi di ritorno” gioca un ruolo cruciale.

Con “periodi di ritorno” si intende la frequenza prevista di eventi estremi, tipicamente più difficili da prevedere con i modelli idrologici classici.

In genere, si teme che l’affidabilità dei modelli basati su dati possa diminuire nel caso di eventi rari, che non sono ben rappresentati nei dati di addestramento. Tuttavia, il confronto tra il sistema di previsione GloFAS e le previsioni basate sull’intelligenza artificiale mostra che l’AI mantiene un’affidabilità superiori, misurate attraverso i punteggi di precisione, arrivando a prevedere con 5 giorni di anticipo eventi con periodi di ritorno da 1 a 5 anni.

Questo dimostra la capacità dell’AI di gestire efficacemente la previsione di eventi idrologici critici e la possibilità di offrire miglioramenti sostanziali nella previsione di disastri naturali, diventando così risorsa per le strategie di mitigazione e risposta agli eventi estremi.

Oltre a produrre previsioni accurate, è essenziale lavorare anche alla disseminazione tempestiva degli allarmi. Per questo, tutte le rianalisi e rielaborazioni utilizzate per lo studio sono incluse in un repository open-source e una versione di ricerca del modello di machine learning utilizzato è disponibile come parte del repository open-source NeuralHydrology su GitHub.

C’è, naturalmente, ancora ampio margine per migliorare le previsioni globali di inondazioni e i sistemi di allarme precoce, il che è fondamentale per il benessere di milioni di persone in tutto il mondo, le cui vite (e proprietà) potrebbero beneficiare di avvisi di alluvione tempestivi e attuabili.

A tale scopo, è aperto l’invito a ricercatori e organizzazioni che abbiano accesso ai dati di flusso fluviale perché contribuiscano al progetto open-source Caravan.

Glimpses of Futures

Cerchiamo ora di ampliare la portata di queste riflessioni, con l’obiettivo di anticipare possibili scenari futuri, delineando – grazie alla matrice STEPS – gli impatti che l’evoluzione dei sistemi di allerta precoce potrebbero avere su più fronti.

S – SOCIAL: il Sendai Framework for Disaster Risk Reduction 2015-2030 dell’UNDRR (United Nations Office for Disaster Rik Reduction) stabilisce sette obiettivi e quattro priorità d’azione. L’obiettivo 7 del quadro si concentra esplicitamente su «un aumento sostanziale della disponibilità e dell’accesso a sistemi di allerta precoce multirischi e a informazioni e valutazione del rischio di disastro per le persone». L’UNDRR afferma che un sistema di allerta precoce efficace “end to end” e “centrato sulle persone” comprende quattro componenti interrelate: (1) conoscenza del rischio di disastro basata sulla raccolta sistematica di dati e sulle valutazioni del rischio di disastro; (2) rilevamento, monitoraggio, analisi e previsione dei pericoli e delle possibili conseguenze; (3) diffusione e comunicazione, da una fonte ufficiale, di avvisi tempestivi, accurati e azionabili e informazioni associate sulla probabilità e l’impatto; (4) preparazione a tutti i livelli per rispondere agli avvisi ricevuti. In generale, e questo è un dato incontrovertibile, sono sempre più numerosi gli studi che evidenziano l’importanza della preparazione sociale per la mitigazione delle perdite dovute alle alluvioni, soprattutto in circostanze in cui le capacità tecniche di previsione e di allarme sono limitate.

T – TECHNOLOGICAL: utilizzando, come nello studio presentato in questo articolo, l’intelligenza artificiale e set di dati aperti, è possibile migliorare notevolmente la precisione e il tempo di anticipazione delle previsioni a breve termine (0-7 giorni) per eventi fluviali estremi. In media, l’affidabilità delle attuali previsioni immediate globali è stata estesa a un tempo di anticipazione di cinque giorni. Soprattutto, ed è questo un dato particolarmente significativo, utilizzando una metodologia basata sull’AI, è stato possibile portare l’accuratezza previsionale in regioni con una più bassa presenza di bacini monitorati – come l’Africa – a livelli simili a quelli disponibili in Europa.

E – ECONOMIC: già qualche anno fa, una ricerca del JRC sottolineava che gli impatti diretti e indiretti dei disastri naturali come le inondazioni possono essere molteplici ed estendersi su diverse scale temporali. Durante l’evento, sono a rischio vite umane e proprietà e le misure di protezione civile mirano principalmente a proteggere nel breve termine persone, abitazioni e infrastrutture critiche. I danni alle reti di trasporto, inclusi porti e aeroporti, così come alle infrastrutture della rete energetica, possono causare interruzioni da medio a lungo termine, con conseguenze negative per la competitività delle industrie locali, regionali e nazionali. Inoltre, le inondazioni spesso sovraccaricano i sistemi fognari e gli impianti di trattamento delle acque reflue, causando possibili sversamenti di acque non trattate nell’ambiente, portando alla contaminazione delle strutture di acqua potabile e creando condizioni favorevoli per lo sviluppo di malattie trasmesse dall’acqua. Inoltre, durante le inondazioni si verifica il rilascio nell’ambiente di agenti tossici come benzina, pesticidi, detersivi e vernici, causando contaminazioni con effetti nocivi duraturi. I danni alle attività produttive non solo portano con sé un innalzamento dei livelli di disoccupazione, ma anche la crescita della sfiducia da parte degli investitori, con un effetto a cascata sull’economia della regione colpita. Inoltre, in un mondo globalizzato, dove industrie e imprese sono interconnesse su scala globale, è molto probabile che l’impatto di tali disastri maggiori non rimanga limitato alle industrie e infrastrutture locali e nazionali e alle comunità locali, ma che gli effetti possano diffondersi rapidamente in altre parti del mondo e interrompere processi e catene di approvvigionamento con effetti a lungo termine. 

P – POLITICAL: circa un terzo della popolazione mondiale è ancora privo di sistemi di allerta precoce, soprattutto nei paesi meno sviluppati e negli Stati insulari in via di sviluppo. Ed è in questo scenario che si inserisce un’importante presa di posizione da parte delle Nazioni Unite. Nel 2022, il suo Segretario Generale, António Guterres, ha infatti annunciato che le Nazioni Unite si impegneranno affinché, entro il 2027, ogni persona sulla Terra sia protetta da sistemi di allerta precoce. In questo obiettivo programmatico, un ruolo importante è giocato da UNESCO, pioniera nella progettazione e implementazione di sistemi di allerta precoce per vari pericoli naturali, in particolare per gli tsunami, sta lavorando con gli Stati membri per raggiungere questo obiettivo. Negli ultimi decenni, l’UNESCO ha ampliato la capacità dei suoi sistemi di allerta precoce includendo anche altri tipi di rischi, come inondazioni, siccità, incendi boschivi e scioglimento dei ghiacciai. Aumentare la disponibilità di sistemi di allerta precoce multi-rischi e di informazioni sul rischio di disastri è anche uno dei sette obiettivi globali fissati dal già citato framework di Sendai per la Riduzione del Rischio di Disastri (2015-2030).

S – SUSTAINABILITY: i sistemi di allerta precoce per i rischi climatici devono basarsi su solide fondamenta scientifiche e tecniche e concentrarsi sulle persone o sui settori maggiormente esposti al rischio. Questo comporta l’adozione di un approccio sistemico che integri tutti i fattori di rischio rilevanti, sia quelli derivanti da pericoli climatici sia da vulnerabilità sociali, e che consideri sia i processi a breve termine che quelli a lungo termine. I sistemi di allerta precoce comprendono la rilevazione, l’analisi, la previsione e la successiva diffusione degli avvisi, seguiti dalla presa di decisioni e dall’attuazione delle risposte. Già attivi in molte parti del mondo, aiutano a monitorare, prevedere e avvisare la popolazione riguardo a cicloni tropicali, inondazioni, tempeste, tsunami, valanghe, tornado, nubifragi, eruzioni vulcaniche, ondate di caldo e di freddo, incendi boschivi, siccità, ecc. I piani di allerta precoce e il soccorso in caso di disastro sono essenziali per mitigare l’impatto di eventi estremi. Tuttavia, il cambiamento climatico in atto e la cattiva gestione dei territori non possono che aumentare la probabilità e l’intensità dei fenomeni. Ed è anche su questo fronte che bisogna agire con maggiore efficacia.

Scritto da:

Maria Teresa Della Mura

Journalist Leggi articoli Guarda il profilo Linkedin