Come i satelliti e l'IA svelano la siccità in India?

Le siccità mettono a dura prova agricoltura, acqua e natura. Per intervenire in tempo, gli scienziati hanno combinato le immagini multispettrali di Sentinel‑2 con algoritmi di machine learning. Hanno analizzato 12 indici spettrali – dal colore delle foglie al contenuto d’acqua del suolo – in tre zone indiane (Jodhpur, Amravati, Thanjavur) durante la stagione Rabi (ottobre‑aprile). I dati di riferimento sono stati ricavati da dichiarazioni ufficiali di siccità e da notizie, creando una tabella “drought / no drought” per ogni distretto e anno (2016‑2025). Con questa “ground truth” hanno etichettato ogni osservazione satellitare con 1 (siccità) o 0 (assenza). I modelli testati – Random Forest, XGBoost, Bagging e Gradient Boosting – hanno raggiunto fino all’84,8 % di accuratezza, ma con una strategia di voto stagionale la precisione è salita al 96,7 % per XGBoost e Bagging. L’analisi SHAP ha mostrato che l’indice NMDI (Normalized Multi‑band Drought Index) e il “Day of Season” sono i fattori più decisivi, seguiti da RECI, NDWI, NDMI e RDI. Un test di ablation ha confermato che usare i primi cinque indicatori massimizza le performance, soprattutto per XGBoost. Questi risultati dimostrano che i dati satellitari, uniti a modelli intelligenti, possono diventare un vero “allarme precoce” per le siccità, aiutando agricoltori e autorità a pianificare interventi più efficaci.

Il lavoro si basa su Sentinel‑2, una costellazione di satelliti operata dall’Agenzia Spaziale Europea (ESA) che fornisce immagini a 10‑30 m di risoluzione ogni cinque giorni. Gli indici spettrali analizzati includono NMDI, che combina bande del rosso, dell’infrarosso vicino e dell’infrarosso a onde corte per stimare la frazione di suolo asciutto, e NDWI, sensibile all’acqua vegetativa. Il Day of Season (DOS) è una variabile temporale che cattura la progressione fenologica, fondamentale per distinguere stress idrico da normali cambiamenti stagionali. XGBoost, un algoritmo di boosting basato su alberi decisionali, ottimizza la funzione di perdita mediante gradienti, gestendo al contempo interazioni non lineari tra le variabili. La sua capacità di regolarizzazione (L1/L2) riduce l’overfitting, spiegando le performance superiori rispetto a Random Forest. L’analisi SHAP fornisce valori di importanza locali, consentendo di interpretare l’impatto di ciascun indice su ogni predizione. La strategia di majority voting stagionale aggrega le previsioni mensili, mitigando rumore temporale e migliorando robustezza. Il confronto tra modelli con top‑k feature selection evidenzia che, già con i primi due indici (NMDI e DOS), le metriche salgono sopra il 80 %, ma l’inclusione di RECI, NDWI, NDMI e RDI porta la precisione al picco, dimostrando la complementarità tra indicatori di vegetazione, umidità del suolo e contenuto clorofilliano. Questi risultati suggeriscono che una pipeline integrata – dati satellitari, ground truth basata su fonti ufficiali, e modelli ML interpretabili – può essere scalata ad altre regioni vulnerabili, fornendo un supporto decisionale tempestivo per la gestione delle risorse idriche.