Previsione a scala geografica di frane pluvio-indotte tramite Deep Learning

Abstract

Il presente lavoro di tesi ha l’obiettivo di implementare un modello di deep learning finalizzato alla previsione spazio-temporale dell’innesco di frane superficiali pluvio indotte a scala nazionale. Il lavoro si prefigge di proporre nuovi strumenti utili nell’ambito delle attività della Protezione Civile per la previsione e gestione degli eventi meteo-idrologici. L’approccio metodologico adottato si articola in due fasi principali. La prima fase, finalizzata alla costruzione della rete neurale, è basata sull’analisi statistica e sull’apprendimento automatico. Viene calcolata la probabilità d’innesco di una frana superficiale pluvio-indotta data la pioggia, nell’intorno dei pluviometri su cui viene fatta la previsione, utilizzando il database ITALICA, che riporta tutte le frane pluvio-indotte occorse sul territorio nazionale e un dataset di dati pluviometrici, raccolti dai pluviometri della rete nazionale della Protezione Civile, entrambi relativi a un arco temporale di vent’anni. Successivamente, i risultati di questa prima fase sono stati spazializzati usando due tecniche di modellazione geometrica differenti (una deterministica ed una stocastica) introducendo la suscettibilità al dissesto, variabile spaziale che tiene conto dell’influenza delle caratteristiche geologiche e geomorfologiche dell'area di studio. I modelli previsionali sviluppati sono stati testati sull'intero territorio ligure, mostrando come l'integrazione di queste variabili abbia permesso di affinare la previsione effettuata dalla sola rete neurale. Tra le prospettive future del presente lavoro vi è quella di espandere l’applicazione dei modelli a tutto il territorio nazionale, per poter fornire uno strumento utile alla prevenzione dei rischi associati al verificarsi di frane superficiali pluvio-indotte.

This thesis aims to implement a deep learning model aimed at the spatial-temporal prediction of the triggering of shallow rain-induced landslides at a national scale. The work aims to propose new useful tools within the scope of Protezione Civile activities for the prediction and management of weather-hydrological events. The methodological approach adopted consists of two main phases. The first phase, aimed at building the neural network, is based on statistical analysis and machine learning. The probability of a rain-induced landslide is calculated, in the around of the rain gauge on which the forecast is made, using the ITALICA database, which reports all the rain-induced landslides events occurred on the national territory and a dataset of pluviometric data, collected from the rain gauges of the national network of Protezione Civile, both relating to a time span of twenty years. Subsequently, the results of this first phase were spatialized using two different geometric modelling techniques (deterministic and stochastic) introducing susceptibility, a spatial variable that considers the influence of geological and geomorphological characteristics of the study area. The forecast models developed have been tested on the entire territory of Liguria, showing how the integration of these variables has allowed to refine the forecast carried out by the neural network alone. One of the future perspectives of this work is to expand the application of models throughout the country, to provide a useful tool for the prevention of risks associated with the occurrence of rainfall induced shallow landslides.