An integrated framework for coastal flood Early Warning and morphological evolution analysis [Un framework integrato per l’allerta precoce delle inondazioni costiere e l’analisi dell’evoluzione morfologica]

Le zone costiere sono sempre più soggette alle pressioni combinate dell’innalzamento del livello del mare, dell’intensificazione delle mareggiate e delle alterazioni antropiche della linea di riva. Questi fattori interagenti contribuiscono a un aumento della frequenza e della severità delle inondazioni, ad un’erosione accelerata e a una crescente instabilità della morfologia costiera. Poiché le difese naturali, quali dune, zone umide e sistemi barriera, continuano a degradarsi a causa dell’espansione urbana e dei cambiamenti nell’uso del suolo, l’esposizione e la vulnerabilità aumentano, in particolare nelle aree basse o densamente popolate. Questo quadro di rischio in evoluzione richiede lo sviluppo di strumenti robusti e integrati, in grado di prevedere con accuratezza i pericoli costieri e di ridurne l’impatto tramite strategie di allertamento efficaci. La presente ricerca di dottorato propone un framework di modellazione ibrido e integrato che combina simulazioni numeriche basate sui processi, tecniche di intelligenza artificiale e dati di Osservazione della Terra (Earth Observation, EO), con l’obiettivo di migliorare la previsione delle inondazioni costiere e di analizzare i cambiamenti morfodinamici indotti dalle mareggiate. Due casi studio rappresentativi dell’area mediterranea — Granelli (Italia) e Altafulla (Spagna) — vengono utilizzati per dimostrare la metodologia proposta. Un sistema di allerta precoce (Early Warning System, EWS) è progettato e testato nell’ambiente costiero del villaggio di Granelli (provincia di Siracusa, Italia), accoppiando i modelli SWAN e XBeach con un modulo di machine learning basato su reti neurali artificiali (Artificial Neural Networks, ANN). Un insieme di simulazioni idrodinamiche viene utilizzato per addestrare l’ANN, che consente la previsione quasi istantanea delle superfici allagate a partire da dati in tempo reale di moto ondoso e livello del mare. Il modello mostra un’eccellente capacità predittiva (R2 > 0,95) sull’intero dominio simulato. I dati di telerilevamento — in particolare le mappe di acqua derivata da immagini satellitari ad alta risoluzione — sono impiegati come riferimento indipendente per la validazione del modello durante eventi di mareggiata storici osservati. L’integrazione di modelli fisicamente basati, ANN e dataset EO conduce allo sviluppo di un EWS affidabile e flessibile, adatto alla mitigazione operativa del rischio di inondazione in ambienti costieri vulnerabili. Il secondo caso studio, Altafulla, si concentra sulla simulazione dell’evoluzione batimetrica indotta dalle mareggiate tramite il modello XBeach in modalità 2DH surfbeat, con l’obiettivo di valutare la capacità del modello di riprodurre i cambiamenti morfologici di breve termine e di migliorare la comprensione dei processi idrodinamici e sedimentari nel settore di riva. Dati batimetrici pre- e post-evento, ottenuti da rilievi in campo, sono utilizzati per inizializzare e validare il modello su due intervalli di mareggiata nel 2025. Il modello viene calibrato attraverso un’analisi di sensibilità dei principali parametri morfodinamici, al fine di migliorarne la capacità di riprodurre le variazioni del fondale osservate. Pur riuscendo a cogliere le principali tendenze dei cambiamenti morfologici indotti dalle tempeste, il modello mostra deviazioni significative nella magnitudine e nella distribuzione spaziale delle variazioni batimetriche rispetto ai dati rilevati. Nel complesso, questa tesi dimostra l’efficacia di approcci ibridi che combinano modellazione numerica, dati EO e machine learning per la valutazione dei pericoli costieri. Essa fornisce una metodologia trasferibile per lo sviluppo di strumenti previsionali basati sui dati per le inondazioni costiere e per l’interpretazione delle risposte morfodinamiche agli eventi di mareggiata in contesti costieri complessi. I risultati supportano la progettazione di strategie sito-specifiche per la mitigazione del rischio di inondazione costiera e promuovono un uso più avanzato dei modelli basati sui processi per comprendere meglio la dinamica sedimentaria di breve termine e i cambiamenti morfologici indotti dalle tempeste, evidenziando al contempo le questioni aperte che richiedono ulteriori approfondimenti.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2026

Author dc:creator

• ALKHAROUBI, AHMAD I K

Contributors dc:contributor

• CONTRAFATTO, Loredana Caterina

• Coastal flooding
• Early Warning System (EWS)
• Artificial Neural Networks (ANN)
• SWAN
• XBeach
• Storm-induced morphodynamic
• Coastal erosion
• Early warning systems (EWS)
• Storm surge-induced morphodynamic
• Inondazioni costiere
• Sistema di allerta precoce (EWS)
• Reti neurali artificiali (ANN)
• Morfodinamica indotta dalle mareggiate
• Erosione costiera

Statement dc:rights

• info:eu-repo/semantics/embargoedAccess
• license:NON PUBBLICO - Accesso privato/ristretto
• license uri:iris.PRI01

Language dc:language

eng

Handle dc:identifier

https://hdl.handle.net/20.500.11769/706290

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/706290