Ogni anno, frane:il movimento della roccia, suolo, e detriti giù per un pendio, causano migliaia di morti, miliardi di dollari di danni, e disagi a strade e linee elettriche. Perché il terreno, caratteristiche delle rocce e del suolo, tempo metereologico, e il clima contribuiscono tutti all'attività delle frane, individuare con precisione le aree più a rischio di questi pericoli in un dato momento può essere una sfida. I sistemi di allerta precoce sono generalmente regionali, basati su dati regionali specifici forniti da sensori a terra, osservazioni sul campo, e le precipitazioni totali. Ma cosa accadrebbe se potessimo identificare le aree a rischio in qualsiasi parte del mondo in qualsiasi momento?

Accedi al modello e allo strumento di mappatura Global Landslide Hazard Assessment (LHASA) della NASA.

LHASA versione 2, pubblicato il mese scorso insieme alla ricerca corrispondente, è un modello basato sull'apprendimento automatico che analizza una raccolta di variabili individuali e set di dati derivati ​​​​dal satellite per produrre "nowcast" personalizzabili. Queste previsioni tempestive e mirate sono stime della potenziale attività di frana in tempo quasi reale per ogni area di 1 chilometro quadrato tra i poli. I fattori del modello nella pendenza del terreno (pendenze più elevate sono più soggette a frane), distanza da faglie geologiche, il trucco della roccia, precipitazioni passate e presenti, e dati satellitari sull'umidità del suolo e sulla massa della neve.

"Il modello elabora tutti questi dati e produce una stima probabilistica della pericolosità da frana sotto forma di una mappa interattiva, " ha detto Thomas Stanley, Scienziato della University Space Research Association presso il Goddard Space Flight Center della NASA a Greenbelt, Maryland, che ha condotto la ricerca. "Questo è prezioso perché fornisce una scala relativa del rischio di frana, piuttosto che limitarsi a dire che c'è o non c'è rischio di frana. Gli utenti possono definire la propria area di interesse e regolare le categorie e la soglia di probabilità in base alle proprie esigenze."

Per "insegnare" il modello, i ricercatori inseriscono una tabella con tutte le variabili di frana rilevanti e molte località che hanno registrato frane in passato. L'algoritmo di apprendimento automatico prende il tavolo e testa diversi scenari e risultati possibili, e quando trova quello che si adatta meglio ai dati, emette un albero decisionale. Quindi identifica gli errori nell'albero decisionale e calcola un altro albero che corregge quegli errori. Questo processo continua fino a quando il modello non ha "imparato" e migliorato 300 volte.

"Il risultato è che questa versione del modello è circa due volte più precisa della prima versione del modello, rendendolo lo strumento di nowcasting globale più accurato disponibile, ", ha affermato Stanley. "Mentre la precisione è massima, spesso del 100%, per i grandi eventi di frana innescati da cicloni tropicali, è migliorato significativamente in tutte le scorte."

Versione 1, uscito nel 2018, non era un modello di apprendimento automatico. Ha combinato i dati sulle precipitazioni satellitari con una mappa globale della suscettibilità alle frane per produrre i suoi nowcast. Ha fatto le sue previsioni utilizzando un albero decisionale in gran parte basato sui dati sulle precipitazioni della settimana precedente e ha classificato ogni cella della griglia come bassa, moderare, o ad alto rischio.

"In questa nuova versione, abbiamo 300 alberi di informazioni sempre migliori rispetto alla prima versione, che si basava su un solo albero decisionale, " Stanley ha detto. "La versione 2 incorpora anche più variabili rispetto al suo predecessore, compresi i dati sull'umidità del suolo e sulla massa della neve".

Parlando in generale, il suolo può assorbire solo tanta acqua prima di saturarsi, e combinato con altre condizioni, presentando un rischio di frana. Incorporando i dati sull'umidità del suolo, il modello può discernere quanta acqua è già presente nel suolo e quanta pioggia aggiuntiva lo spingerebbe oltre quella soglia. Allo stesso modo, se il modello conosce la quantità di neve presente in una data area, può tenere conto dell'acqua aggiuntiva che entra nel terreno mentre la neve si scioglie. Questi dati provengono dal satellite Soil Moisture Active Passive (SMAP), che è gestito dal Jet Propulsion Laboratory della NASA nel sud della California. È stato lanciato nel 2015 e fornisce una copertura continua dell'umidità del suolo.

LHASA Versione 2 aggiunge anche una nuova funzione di esposizione che analizza la distribuzione delle strade e della popolazione in ogni cella della griglia per calcolare il numero di persone o infrastrutture esposte al rischio di frana. I dati di esposizione sono scaricabili e sono stati integrati nella mappa interattiva. L'aggiunta di questo tipo di informazioni sulle strade esposte e sulle popolazioni vulnerabili alle frane aiuta a migliorare la consapevolezza della situazione e le azioni delle parti interessate dalle organizzazioni internazionali ai funzionari locali.

Basandosi su anni di ricerca e applicazioni, LHASA Versione 2 è stata testata dal programma Disastri della NASA e dalle parti interessate in situazioni del mondo reale che hanno portato al suo rilascio formale. A novembre 2020, quando gli uragani Eta e Iota hanno colpito l'America Centrale nell'arco di due settimane, i ricercatori che lavorano con il programma Earth Applied Sciences Disasters della NASA hanno utilizzato LHASA Versione 2 per generare mappe del rischio di frana previsto per il Guatemala e l'Honduras. I ricercatori hanno sovrapposto il modello ai dati sulla popolazione a livello distrettuale in modo da poter valutare meglio la vicinanza tra potenziali pericoli e comunità densamente popolate. I coordinatori del programma sui disastri hanno condiviso le informazioni con le agenzie di risposta alle emergenze nazionali e internazionali per fornire una migliore comprensione dei rischi per il personale sul campo.

Pur essendo uno strumento utile per la pianificazione e la mitigazione del rischio, Stanley afferma che il modello è pensato per essere utilizzato con una prospettiva globale in mente piuttosto che come un sistema di allarme di emergenza locale per qualsiasi area specifica. Però, la ricerca futura potrebbe ampliare tale obiettivo.

"Stiamo lavorando per incorporare una previsione delle precipitazioni nella versione 2 di LHASA, e speriamo che fornisca ulteriori informazioni per la pianificazione avanzata e le azioni prima di grandi eventi di pioggia, " ha detto Stanley. Una sfida, note di Stanley, sta ottenendo un archivio sufficientemente lungo di dati sulle precipitazioni previste da cui il modello può apprendere.

Intanto, governi, agenzie di soccorso, soccorritori, e altre parti interessate (così come il pubblico in generale) hanno accesso a un potente strumento di valutazione del rischio in LHASA Versione 2.