Christoph Mertz, il principale scienziato del progetto presso il Robotics Institute della Carnegie Mellon University, ha iniziato a scattare foto delle colline che si affacciano sul West End di Pittsburgh sul suo smartphone.

"Ogni giorno, per mesi, Stavo raccogliendo immagini di queste colline, " Mertz ha detto. "Volevo vedere se potevo usare queste immagini come un modo per prevedere la prossima frana".

Le frane sono fenomeni naturali, ma molte delle condizioni che possono aumentare la loro probabilità sono causate dall'attività umana, come dirigere il deflusso superficiale verso un'area o alterare i pendii naturali per la costruzione di edifici e strade. In combinazione con l'aumento dei tassi di pioggia legati al cambiamento climatico, le frane negli Stati Uniti sono diventate più comuni e più gravi. Lo United States Geological Survey stima che ogni anno tra i 25 e i 50 decessi sono dovuti a frane, così come tra $ 2 miliardi e $ 4 miliardi di perdite annuali dovute a danni alla proprietà. Man mano che queste condizioni peggiorano, queste cifre dovrebbero aumentare.

Per Mertz, Pittsburgh era una posizione privilegiata per questo lavoro. Nel 2018, La contea di Allegheny ha subito un numero senza precedenti di frane, con conseguenti danni ad almeno 131 proprietà. Entro la fine dell'anno, PennDOT ha stimato che il costo per riparare tutti i danni da frana della contea fosse di circa $ 40 milioni. Non solo questa quantità sembra scoraggiante, sembra del tutto imprevisto. L'anno scorso, la città di Pittsburgh ha superato il suo budget annuale di bonifica da frana di 1 milione di dollari in pochi mesi. Però, secondo Karen Lightman, direttore esecutivo di Metro21:Smart Cities Institute, Il 2018 non è stato un valore anomalo:è la nuova normalità.

"Il problema è che molte aree stanno diventando più umide, " disse Lightman. "Questo problema non farà che peggiorare nel tempo."

Pittsburgh non è l'unica città a risentire di questi effetti. Prendiamo il caso di Big Sur. Nel maggio del 2017, una frana ha seppellito un tratto di quarto di miglio della panoramica Highway 1 della California sotto sei milioni di tonnellate di terra. Mentre nessuno è stato ferito, la frana ha tagliato l'unica via a nord nel Big Sur. Accade poco prima del weekend del Memorial Day, quella frana ha avuto un impatto significativo sull'economia locale.

Quattro mesi dopo, il Dipartimento dei trasporti della California ha annunciato un piano per costruire una strada sostitutiva sopra la frana. Dopo 54 milioni di dollari e 14 mesi di lavori per ricostruire la strada, un'altra sezione della Highway 1 è stata chiusa da un'altra frana a marzo.

Mertz non è estraneo alla ricerca di modi innovativi per anticipare il degrado infrastrutturale. Oltre al suo ruolo presso il Robotics Institute, Mertz è il co-fondatore di RoadBotics, dove utilizza l'analisi di apprendimento profondo delle immagini degli smartphone per identificare le buche in via di sviluppo e altri problemi di infrastrutture stradali in tempo reale. Più di 100 governi in tutto il mondo utilizzano ora il sistema di valutazione della pavimentazione di RoadBotics.

In considerazione del lavoro svolto con RoadBotics, Mertz si chiedeva se non potesse usare lo stesso approccio di apprendimento profondo per rilevare i segni di imminenti frane, come crepe in rapida evoluzione sulla strada, parapetti deformati, detriti sulla strada, deformazione dei pendii o inclinazione degli alberi.

Anatomia di una frana

Mertz ha imparato presto che il passaggio dalle buche alle frane non era semplicemente una questione di orizzontale contro verticale.

Le frane hanno un'ampia varietà di cause e, per estensione, un'ampia varietà di fattori contribuenti. Una collina composta da argilla rossa crolla in modo diverso da una collina di scisto. L'inclinazione della chioma circostante potrebbe essere un valido indicatore quanto l'andamento del versante stesso, così come il rigonfiamento dei muri di sostegno vicini. E non tutte le crepe e le deformazioni sono uguali:la posizione di una fessura nel terreno può alterare radicalmente le implicazioni di un evento geologico successivo.

Inoltre, c'erano fattori che le immagini della collina stessa non potevano catturare efficacemente. Una crepa nell'infrastruttura stradale potrebbe essere l'indicatore di una frana in arrivo, così come un tombino intasato che reindirizza l'acqua a una collina vicina.

Per trovare modelli e prevedere i risultati, gli algoritmi di deep learning richiedono grandi quantità di dati esistenti. Senza vedere migliaia di immagini di incroci, il deep learning non sarebbe in grado di aiutare un veicolo autonomo a distinguere un segnale di stop da un segnale di resa. Senza dati linguistici, non potrebbe aiutare Google Translate a determinare istantaneamente che un passaggio è in spagnolo e non in italiano. Per estensione, al fine di comprendere le tendenze e i modelli dietro le frane della regione, l'apprendimento profondo richiede una quantità significativa di dati storici e geologici.

Così, per addestrare il suo modello e ottenere un quadro più olistico dell'anatomia di una frana, Mertz aveva bisogno di uscire dalla sua disciplina.

"È una faccenda davvero complicata, " ha detto Mertz. "Hai bisogno del tipo di collaborazione interdisciplinare che c'è qui alla Carnegie Mellon University, non solo esperti in informatica e apprendimento automatico, ma esperti in geologia, nelle infrastrutture, nell'acqua e nelle acque reflue, per riunirsi e affrontare il problema".

In collaborazione con la contea di Allegheny, Mertz sta analizzando cinque siti di potenziali frane per valutare la fattibilità del suo sistema.

In definitiva, Il progetto di Mertz non riguarda solo la capacità di prevedere e prevenire le frane. Intende anche utilizzare questo lavoro per dirigere in modo più equo il cambiamento infrastrutturale necessario per supportare questo tipo di previsione e prevenzione.

"Non sono sicuro che la prevenzione delle frane fosse in dialetto anche tre anni fa, " disse Lightman. "Ma ora, Lo sento più spesso nelle conversazioni sui futuri investimenti nelle infrastrutture".

Nella sua più recente Report Card sulle infrastrutture, l'American Society of Civil Engineers ha assegnato all'infrastruttura americana un grado complessivo D+. In particolare, molti degli elementi dell'infrastruttura che sono stati centrali per la formazione di frane, come strade, argini e acque reflue, anche ricevuto gradi D-range.

Però, le risorse necessarie per colmare queste lacune nelle infrastrutture sono talvolta distribuite in modo diseguale tra i quartieri e molte decisioni infrastrutturali spesso depriorizzano i bisogni delle aree con popolazioni emarginate.

"Sulla base del nostro modello, ci sono molti indicatori per le frane che potrebbero aiutare a informare la politica e l'allocazione del budget, " Mertz ha detto. "A volte, queste decisioni sono influenzate da pregiudizi. Ma fornendo una rappresentazione oggettiva del degrado infrastrutturale, speriamo di supportare un mezzo più equo per allocare queste risorse".