L'intelligenza artificiale può aiutare a prevedere le inondazioni?

Fotografia

Alberto González

L'attuale studio dell'idrologia deve affrontare molte sfide. Gli effetti del riscaldamento globale si manifestano sotto forma di precipitazioni estreme che portano a disastri per la società. Abbiamo esempi recenti di inondazioni devastanti quest'estate in Germania, Cina, Giappone e Spagna. Il crescente intervento umano sul territorio genera alterazioni molto significative delle condizioni naturali di drenaggio bacini idrici – porzioni di terreno le cui acque confluiscono tutte nello stesso canale – e movimenti delle acque sotterranee.

Cosa succede alla pioggia in superficie?

L'idrologia di un bacino è il risultato dell'interazione di più processi molto variabili nello spazio e nel tempo. Nello stesso bacino, può piovere con intensità diversa in luoghi diversi e queste tempeste possono svilupparsi in modo diverso. Le precipitazioni possono infiltrarsi a velocità diverse in diverse parti del bacino. Questi tassi dipenderanno non solo dall'occupazione del terreno, ma anche da altri parametri come le sue proprietà fisiche o il suo tasso di umidità iniziale.

La parte di pioggia non infiltrata defluisce in alvei superficiali a velocità variabili o può fermarsi in depositi intermedi e raggiungere il canale principale in momenti diversi. Infine, una piena o alluvione progredisce lungo il canale principale con afflussi continui in ogni suo punto. La sua velocità dipende principalmente dalle caratteristiche geometriche del canale. L'integrazione di tutti questi processi genera un sistema con grande variabilità spaziale e temporale, estremamente complesso da catturare in un modello idrologico per l'intero bacino. Il comportamento complessivo del sistema determina, grosso modo, il verificarsi delle piene e le sue conseguenze.

Modelli per lo studio dei bacini idrografici

Per avvicinarsi allo studio di tali sistemi, esistono modelli basati sulla fisica che sono concettualmente molto robusti, ma matematicamente difficili da manipolare. Il suo utilizzo alla scala di un bacino fluviale è molto complesso nella pratica perché richiede informazioni molto dettagliate. Esistono anche modelli empirici usati molto di frequente, sebbene la loro generalizzazione sia ancora discutibile.

In questo contesto, gli idrologi più rinomati riconoscono che i modelli esistenti non sono in grado di fornire soluzioni adeguate alle attuali esigenze dell'idrologia. Questi esperti si chiedono se i modelli attuali siano in grado di rappresentare adeguatamente i processi idrologici a diverse scale. Inoltre, richiedono lo sviluppo di nuove tecniche per l'acquisizione di dati sperimentali sui processi e l'utilizzo di dati storici come base su cui costruire modelli idrologici.

Paradossalmente, nonostante esistano innumerevoli tecniche molto precise per la misurazione delle variabili idrologiche (precipitazioni, infiltrazioni, umidità del suolo, livelli dell'acqua negli alvei), gli esperti riconoscono la mancanza di dati di qualità. Avvertono che questo, più che la disponibilità di modelli concettualmente indiscutibili, è essenziale per far progredire la nostra comprensione dei processi idrologici.

Utilizzo di algoritmi di intelligenza artificiale

L'uso di dati storici per costruire modelli da algoritmi di intelligenza artificiale o apprendimento automatico ha visto un grande boom ultimamente. Sono stati utilizzati per modellare in modo molto preciso una moltitudine di fenomeni come le precipitazioni nel tempo (sia a livello mensile o stagionale che a brevissimo termine), per prevedere i livelli di flusso nei canali dopo i temporali o per identificare aree sensibili del territorio. .il verificarsi di inondazioni ei livelli di inondazione previsti.

Gli algoritmi di intelligenza artificiale prevedono l'evoluzione dei fenomeni idrologici

Questi algoritmi sono molto efficienti nell'estrarre informazioni da insiemi di dati e molto utili nella classificazione delle informazioni o nella previsione dell'evoluzione dei fenomeni idrologici. Inoltre, l'utilizzo di questi strumenti, e quindi la loro possibilità di fornire informazioni utili alla comprensione dell'idrologia, è fortemente favorito dallo sviluppo delle tecniche di misura grazie ai recenti progressi della microelettronica e delle comunicazioni che consentire il dispiegamento di sensori molto precisi o l'uso di droni o satelliti.

Tuttavia, questi progressi non sono stati sufficienti. Gli idrologi non sono ancora soddisfatti dei modelli e della loro capacità di prevedere l'evoluzione dei fenomeni idrologici. Inoltre, non ritengono che i dati raccolti siano sufficientemente rappresentativi dei fenomeni da studiare. In un certo senso, la capacità di migliorare la conoscenza dei sistemi idrologici e quindi modellare e prevedere meglio la loro evoluzione per prevenire le inondazioni deve derivare da un cambio di paradigma. È necessario un approccio radicalmente diverso alle esigenze attuali. Le basi fisiche dei sistemi idrologici risalgono principalmente all'inizio del XX o alla fine del XIX secolo e il modo in cui vengono interpretate e risolte devono essere adattati al contesto attuale e agli strumenti a disposizione.

L'utilizzo di algoritmi di intelligenza artificiale assemblati e disponibili per modelli basati sulla fisica è una strada poco esplorata e che può offrire nuove interessanti prospettive per migliorare la capacità predittiva dei modelli. D'altra parte, il cambio di paradigma deve anche considerare che l'attuale idrologia non dovrebbe basarsi solo sulla previsione di (protezione da) fenomeni estremi, ma piuttosto che il contesto richiede lo sviluppo di misure che consentano anche di trarre vantaggio da il deflusso della stragrande maggioranza delle tempeste come risorsa scarsa e non solo per evitare gli effetti perniciosi di queste tempeste che si verificano con pochissima frequenza.

Sergio Zubelzu è Professore di Idrologia, Ingegneria Idraulica e Irrigazione presso l'Università Politecnica di Madrid (UPM); Sara Esperanza Matendo è dottoranda presso l'Università Politecnica di Madrid (UPM) e Víctor Galán Vaquerizo è dottoranda in agroingegneria presso l'Università Politecnica di Madrid (UPM). Questo articolo è originariamente apparso su The Conversation. Leggi l'originale.