Derivazione di soglie di innesco idro-meteorologiche basate su algoritmi di machine learning

l recente rapporto delle Nazioni Unite sui disastri naturali presentato nel 2020 ha evidenziato come i disastri osservati considerando due finestre temporali, 1980/1999 e 2000/2019, siano globalmente aumentati. Tra le calamità prese in considerazione ci sono anche le frane, che passano da 254 a 376. Gli impatti delle frane possono essere devastanti, provocando danni ai beni materiali, alle infrastrutture e talvolta anche vittime tra la popolazione. I sistemi di preallerta sono tra le principali misure non strutturali di mitigazione del rischio frane. Tra i componenti fondamentali di questi sistemi vi sono le soglie pluviometriche di innesco. Obiettivo di questa tesi è migliorare la comprensione dei fenomeni di innesco, proponendo approcci innovativi per superare alcune limitazioni legate alla determinazione delle soglie di innesco delle precipitazioni. Per fare ciò si propone di: (1) superare l'utilizzo di relazioni prefissate per la soglia, generalmente di tipo potenza, (2) analizzare la possibilità di utilizzare variabili non legate alla precipitazione. Per raggiungere il primo obiettivo viene proposto un approccio basato sulle reti neurali artificiali, utilizzate in numerosi campi, per le capacità di questi algoritmi di apprendere dai dati, generalizzazione e pattern recognition. Utilizzando questo approccio, si vuole verificare se è possibile mettere a punto un classificatore che, a seconda dei dati di input, può fornire una relazione innesco, senza fare alcuna ipotesi a priori sulla forma dell'equazione soglia. La metodologia prevede inizialmente la determinazione delle soglie di piovosità cumulata per due aree di studio, una italiana e una norvegese (dove è stato svolto il periodo come visiting PhD student). Per entrambe le soglie empiriche, la performance sarà valutata utilizzando indicatori statistici di performance. In una seconda fase, le capacità di pattern recognition delle reti neurali artificiali saranno utilizzate per riconoscere, partendo dallo stesso dataset utilizzato per determinare le soglie cumulata-durata, le precipitazioni che possono innescare frane. I risultati ottenuti sembrano indicare che a parità di informazioni di input, le prestazioni di un classificatore basato su reti neurali sembrano essere migliori. Per quanto riguarda il secondo punto, ovvero l'utilizzo di informazioni relative alle caratteristiche della precipitazione (durata della precipitazione, profondità e/o intensità della precipitazione), verrà messo a punto un classificatore neurale che consentirà di valutare l'andamento di nuove soglie con n variabili. Tra le variabili utilizzate saranno considerati anche i dati di umidità del suolo (derivati dai dati ERA5-Land Reanalysis e disponibili per entrambe le aree di studio), valutando quali dei dati di input consentono di ottenere le migliori performance in termini di riconoscimento delle precipitazioni scatenanti. I risultati ottenuti sulle soglie idrometeorologiche mostrano che l'introduzione di dati di umidità del suolo consente un sostanziale miglioramento delle prestazioni del classificatore, anche se all'aumentare dei parametri di input in concomitanza con un miglioramento delle prestazioni, si ottiene una maggiore variabilità relativa all'inizializzazione di reti neurali.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2023

Author dc:creator

• DISTEFANO, PIERPAOLO

Contributors dc:contributor

• SCANDURA, Pietro

• landslide, hydrogeological hazards, rainfall triggering thresholds, early warning system, artificial neural network
• frana, rischio idrogeologico, soglie pluviometriche d'innesco, sistemi di preallerta, reti neurali artificiali

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/582143

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/582143