Geoscienze e frane: Arpal al congresso SIMP-SGI di Padova
L’agenzia ligure ha presentato a Padova uno studio che usa il machine learning per mappare le aree più esposte al rischio di frana nel promontorio di Portofino.
Dal 16 al 18 settembre si è svolto il congresso congiunto SIMP-SGI "Le Geoscienze e le sfide del XXI secolo", che ha riunito esperti nazionali e internazionali per discutere il ruolo delle geoscienze nella costruzione di un futuro sostenibile.
All’interno della sessione “Landslide detection and forecasting: challenges and opportunities for Italian Geology”, la collega Stefania Magrì ha presentato il lavoro del Settore Geologia e GIS, svolto in collaborazione con l’Università di Genova. Lo studio, dal titolo “Machine learning algorithms for landslide susceptibility mapping applied on Portofino promontory (Italy)”, con autori Magrì, Mazzaccaro, Solimano, De Stefanis, Palla, Faccini e Gnecco, rientra nel progetto RAISE (Robotics and AI for Socio-Economic Empowerment), finanziato dal Ministero dell’Università e della Ricerca nell’ambito del PNRR.
La ricerca ha sperimentato diversi algoritmi di machine learning per produrre mappe di suscettività da frana, cioè che mostrano quali zone sono più predisposte al dissesto in base a caratteristiche naturali e antropiche. I modelli hanno raggiunto valori di accuratezza e sensibilità superiori all’80%, un risultato considerato molto buono per questo tipo di analisi, che conferma l’affidabilità delle previsioni.
Un aspetto fondamentale è stata l’analisi dell’importanza delle variabili predittive, che rende i risultati trasparenti e interpretabili. Tra i fattori più rilevanti emersi ci sono quelli topografici (pendenza ed esposizione dei versanti) e quelli legati alla copertura del suolo, come la presenza di materiale sciolto (sabbia, ghiaia, detriti non compatti) e aree urbanizzate.
La mappa mostra le aree del promontorio di Portofino classificate in base al grado di suscettività: da molto bassa (blu) a molto alta (rosso). I cerchi neri indicano le frane note, utilizzate come riferimento per addestrare e validare i modelli.