I geologi utilizzano l'intelligenza artificiale per migliorare la previsione delle frane

I geologi dell'UCLA hanno sviluppato una tecnica rivoluzionaria che utilizza l'intelligenza artificiale (AI) per migliorare la previsione delle frane. Questo metodo innovativo, descritto in un articolo pubblicato su Communications Earth & Environment, offre una precisione e un'interpretabilità superiori rispetto ai modelli predittivi tradizionali. Sfruttando il potere dell'AI, i geologi mirano a proteggere vite umane e proprietà nelle regioni soggette a disastri naturali, come la California, dove la convergenza di siccità, incendi boschivi e terremoti aumenta il rischio di frane devastanti.

Prevedere il verificarsi di frane è un compito complesso influenzato da molteplici fattori, tra cui la forma del terreno, la pendenza, le aree di drenaggio, le proprietà del suolo e della roccia madre, nonché le condizioni ambientali come il clima, le precipitazioni, l'idrologia e il movimento del suolo causato dai terremoti. I geologi tradizionalmente incorporano questi fattori in modelli fisici e statistici per stimare i rischi di frana. Sebbene questi modelli possano fornire previsioni ragionevolmente accurate, i modelli fisici richiedono tempo e risorse significativi e non sono adatti per applicazioni su larga scala. D'altra parte, i modelli statistici mancano di trasparenza nella valutazione dei fattori di rischio.

Sfruttare l'AI per la previsione delle frane

Per anni, i ricercatori hanno addestrato modelli di apprendimento automatico basati sull'AI, in particolare reti neurali profonde (DNN), per prevedere le frane. Queste reti interconnesse di algoritmi eccellono nell'elaborare grandi quantità di dati e nell'apprendere rapidamente da essi, risultando in previsioni altamente accurate. Tuttavia, le DNN presentano limitazioni quando si tratta di spiegare le loro previsioni e di identificare le variabili specifiche che contribuiscono al verificarsi delle frane.

Per affrontare le limitazioni delle DNN, i ricercatori dell'UCLA hanno sviluppato un metodo che utilizza un tipo di AI chiamato rete neurale sovrapponibile (SNN). A differenza delle DNN, le SNN separano i risultati provenienti da diversi input di dati, consentendo un'analisi più utile dei fattori contribuenti più importanti ai disastri naturali. Il team di ricerca ha alimentato la SNN con dati su varie variabili geospaziali e climatiche rilevanti per le montagne dell'Himalaya orientale, un'area nota per la sua alta frequenza di frane. Il modello SNN ha dimostrato una precisione paragonabile a quella delle DNN nella previsione della suscettibilità alle frane, fornendo al contempo approfondimenti sulle variabili che svolgono ruoli significativi nei risultati.

Svelare le variabili e ridurre le risorse di calcolo

La capacità del modello SNN di identificare le variabili chiave e quantificare il loro contributo alla suscettibilità alle frane offre preziosi approfondimenti ai geologi. Inoltre, questo approccio richiede meno risorse informatiche rispetto alle DNN, rendendolo efficiente e adattabile anche con potenza di calcolo limitata. I ricercatori hanno sottolineato che il loro modello SNN potrebbe essere eseguito su dispositivi piccoli come un Apple Watch, eliminando la necessità di potenti server informatici.

Applicazioni future e sistemi di allerta precoce

Il team di ricerca dell'UCLA prevede di espandere il proprio lavoro ad altre regioni soggette a frane in tutto il mondo. In particolare in aree come la California, dove la combinazione di frequenti incendi boschivi e terremoti esacerba i rischi di frana, il nuovo modello di previsione AI potrebbe aiutare nello sviluppo di sistemi di allerta precoce. Questi sistemi incorporerebbero più segnali e prevederebbero una gamma di pericoli superficiali, incluse le inondazioni, per migliorare la preparazione e gli interventi.

I geologi dell'UCLA hanno impiegato con successo la tecnologia AI per rivoluzionare la previsione delle frane. Il loro metodo, che utilizza reti neurali sovrapponibili, offre una precisione e un'interpretabilità migliorate rispetto ai modelli tradizionali. Identificando le variabili chiave e quantificando i loro contributi, questo approccio AI consente ai geologi di comprendere meglio i fattori che influenzano le frane. Con la capacità di essere eseguito su dispositivi con potenza di calcolo limitata, questo modello ha il potenziale per migliorare i sistemi di allerta precoce e proteggere vite umane e proprietà nelle regioni soggette a frane a livello globale.