Frane e AI: mappiamo i rischi post-tifone

Dopo il tifone Khanun, in Taiwan, un team di ricercatori ha usato l’intelligenza artificiale per individuare le frane in una zona montuosa. L’approccio si basa su un algoritmo chiamato Random Forest, che analizza immagini satellitari ad alta risoluzione e 22 fattori ambientali. Il problema? Le frane sono poco numerose rispetto ad altre coperture del suolo, creando uno squilibrio nei dati. Per risolvere, i ricercatori hanno testato diverse tecniche di bilanciamento, tra cui SMOTE. La versione Distance_SMOTE ha funzionato meglio, migliorando l’accuratezza del modello dal 74% all’85%. Le mappe prodotte mostrano un aumento significativo delle aree colpite da frane dopo il tifone. Questo metodo permette di agire velocemente in caso di emergenza, supportando la gestione del territorio e la ripresa delle comunità. L’impegno va verso uno sviluppo sostenibile, allineato agli Obiettivi di Sviluppo Sostenibile dell’ONU, in particolare SDG 11, 13 e 15.

Lo studio si concentra sull’applicazione del machine learning per la classificazione post-sisma della copertura del suolo (LULC) e la rilevazione delle frane a Nanfeng Village, nella centrale Taiwan, a seguito del tifone Khanun del agosto 2023. Le immagini satellitari Pléiades, caratterizzate da alta risoluzione spaziale, sono state combinate con 22 variabili ambientali e spettrali, tra cui pendenza, esposizione al sole, densità di vegetazione e dati geomorfologici. Il classificatore Random Forest è stato scelto per la sua robustezza nel gestire grandi quantità di dati eterogenei e per la sua capacità di fornire stime dell’importanza delle variabili. Tuttavia, la distribuzione delle classi di copertura del suolo era fortemente squilibrata, con le frane rappresentate da un numero molto limitato di campioni. Per affrontare questa sfida, sono state valutate diverse varianti della tecnica SMOTE (Synthetic Minority Oversampling Technique), una metodologia che genera nuovi esempi sintetici per le classi minoritarie. Tra le varianti testate, Distance_SMOTE si è rivelata la più efficace, migliorando l’accuratezza complessiva del modello dal 74% al 85% e il coefficiente Kappa da 0,69 a 0,82. L’F1-score per la classe 'frane' è salito a 0,97, segnando un miglioramento significativo rispetto ad altre classi come strade (0,85) e praterie (0,78). Le mappe LULC generate permettono di confrontare lo stato del territorio prima e dopo il tifone, evidenziando un’espansione marcata delle aree interessate da frane. Questo approccio si rivela particolarmente utile per valutazioni rapide in contesti di emergenza, fornendo dati affidabili per pianificare interventi di ripristino e mitigazione del rischio. Inoltre, l’integrazione di tecniche avanzate di apprendimento automatico con dati satellitari aperti rappresenta un passo chiave verso sistemi di monitoraggio continuo e predittivo del rischio naturale, in linea con le strategie di adattamento al clima e di sostenibilità territoriale.