Approfondimenti
Se negli ultimi anni vi è sembrato che le alluvioni colpissero più spesso e con effetti più gravi, i numeri confermano la vostra percezione: in Europa, negli ultimi trenta anni i danni economici hanno superato i 170 miliardi di euro (Re Soil Foundation / MIIR – The multiple impact of the devastating floods in Europe), con una frequenza degli eventi estremi in aumento rispetto alla media del secolo scorso.
Misurare il rischio alluvionale, modellarlo e comprenderlo significa mettere chi gestisce infrastrutture critiche nelle condizioni di prevedere e prevenire il suo impatto futuro su asset, territori e comunità.
Dove può arrivare l’acqua? Con quale profondità? Con quale probabilità? E come possono cambiare queste condizioni negli scenari climatici futuri?
In questo articolo entriamo nel merito di questa catena tecnica: come si stima il pericolo alluvionale, quali approcci esistono, quali sono i loro punti di forza e quali limiti è necessario conoscere per interpretare correttamente i risultati.
Per stimare un rischio climatico alluvionale servono tre elementi distinti, che gli esperti del settore identificano con pericolo, esposizione e vulnerabilità.
Il pericolo (hazard in inglese) è la pericolosità del fenomeno fisico, e stima ad esempio dove può arrivare l’acqua in caso di esondazione fluviale, che livello raggiunga e con che frequenza il fenomeno può ripresentarsi.
L’esposizione (exposure) definisce ciò che si trova in quell’area (edifici, reti, persone).
La vulnerabilità (vulnerability) indica quanto questi elementi siano fragili rispetto all’intensità dell’evento in questione.
Se la stima di questi tre elementi è già intrinsecamente difficile, il cambiamento climatico aggiunge un ulteriore fattore di complessità, modificando la componente di pericolo nel futuro. Per proiettare il rischio alluvionale nel futuro è necessario sapere quali saranno le condizioni climatiche nei prossimi anni. A tal proposito si usano scenari climatici condivisi a livello internazionale, i cosiddetti SharedSocioeconomic Pathways (SSP), rappresentazioni future plausibili del clima ottenute a partire da ipotesi su emissioni, crescita demografica e sviluppo economico.
Una stima di rischio alluvionale oggi segue una catena logica che parte dagli asset e produce indicatori socio-econometrici utilizzabili per prendere decisioni informate.
Il primo passo è la localizzazione degli elementi da valutare (geocoding): un impianto, un tratto di rete, un edificio pubblico. Questa informazione viene quindi sovrapposta alle mappe di pericolosità, che descrivono dove l’acqua può estendersi, con quale profondità e con quale probabilità.
Oggi le mappe di pericolosità vengono costruite soprattutto attraverso due metodologie prevalenti: le simulazioni numeriche, radicate nella fisica del fenomeno, e i modelli di intelligenza artificiale, che sfruttano archivi satellitari sempre più ampi per stimare il rischio su scale geografiche più estese.
Il primo approccio si basa su un modello idrologico (spesso un modello matematico) che traduce le precipitazioni in portata, cioè nella quantità d’acqua che scorre nel fiume in un dato momento in risposta alla pioggia caduta nel bacino a monte. Successivamente, un modello idraulico, spesso in configurazione 1D (lungo il corso d’acqua) o 2D (sull’intera piana alluvionale), simula dove si diffonde l’acqua, quanto è profonda e con quale velocità scorre. Questi modelli incorporano vincoli fisici reali (topografia, argini, ponti, scarichi), e sono molto preziosi per le analisi locali ad alta risoluzione. Il loro limite principale è però la scalabilità: sono lenti, costosi e difficili da estendere a interi bacini o a copertura continentale.
Per rispondere all’esigenza di scalare l’analisi su aree sempre più vaste, negli ultimi anni si è diffuso un secondo approccio, quello che adottiamo e sviluppiamo in Eoliann, basato su tecnologie emergenti che combinano modelli di intelligenza artificiale con dati satellitari sempre più ricchi e diffusi. A differenza delle simulazioni numeriche, che partono da equazioni fisiche e da dati di dettaglio locale, questo metodo si appoggia soprattutto a osservazioni del territorio viste dall’alto: immagini radar SAR (Synthetic Aperture Radar), che possono rilevare la presenza dell’acqua anche attraverso la nuvolosità, modelli digitali del terreno che descrivono la morfologia del suolo o ne derivano le proprietà, e archivi di inondazioni passate che documentano dove l’acqua si è effettivamente estesa in eventi precedenti. In pratica, il satellite non misura direttamente il rischio alluvionale, ma fornisce informazioni spaziali continue su un’area molto ampia (spesso continentale o globale) che altrimenti sarebbe impossibile coprire con la stessa rapidità.
Queste informazioni devono poi essere opportunamente processate da un modello di intelligenza artificiale addestrato per riconoscere i pattern che legano le caratteristiche meteo-climatiche, morfologiche e antropiche al rischio alluvionale. Tale addestramento, noto come training, è il cuore di questo approccio: si forniscono al modello da addestrare migliaia di esempi in cui sono note sia le condizioni di input (precipitazioni, quota del terreno, urbanizzazione, vicinanza ai corsi d’acqua, etc.) sia l’esito osservato (estensione, profondità o velocità dell’inondazione). Il modello impara progressivamente a riconoscere quali combinazioni di fattori si associano a inondazioni di diversa intensità, senza che lo sviluppatore debba codificare esplicitamente ogni legame fisico. Una volta addestrato, il modello può essere usato per fare inferenza: applicato a un’area nuova, stima la pericolosità alluvionale sulla base di ciò che ha imparato dagli esempi precedenti. Il più grande vantaggio è la velocità: una volta costruito, può produrre mappe di rischio su vaste estensioni geografiche in tempi molto inferiori rispetto a una catena idrologica-idraulica completa. Allo stesso tempo, è chiaro il limite:la qualità dell’output dipende dalla qualità e dalla rappresentatività dei dati con cui il modello è stato addestrato. Se ad un modello viene chiesto di stimare il rischio alluvionale in un contesto eccessivamente diverso dagli esempi visti durante la fase di addestramento, la stima rischia di essere meno affidabile.
Il vero potenziale, però, non sta nel sostituire le simulazioni numeriche, ma nel combinarle. Le mappe basate su intelligenza artificiale e dati satellitari offrono copertura e velocità; le simulazioni fisiche offrono precisione locale e interpretabilità. Usate insieme, possono compensare i rispettivi limiti: il modello satellitare può fornire informazioni territoriali di contesto sulle condizioni di un possibile pericolo alluvionale, mentre le simulazioni numeriche possono validare o servire da addestramento per le stime del modello di intelligenza artificiale, soprattutto nei punti critici come argini, infrastrutture o bacini con difese idrauliche complesse. In questo approccio ibrido, l’intelligenza artificiale non scopre leggi fisiche ignorate alla scienza: riconosce pattern statistici nei dati. Per questo, nel lavoro che facciamo in Eoliann, li consideriamo strumenti complementari.
I paragrafi precedenti descrivono come si misura il pericolo alluvionale: dove può arrivare l’acqua, con quale intensità e con quale frequenza. Ma il pericolo da solo non basta a stimare il rischio. Servono due ulteriori informazioni: l’esposizione, cioè cosa si trova nell’area potenzialmente allagata (edifici, infrastrutture, persone); e la vulnerabilità, cioè quanto questi elementi siano fragili di fronte a un’inondazione di data intensità. Senza esposizione e vulnerabilità, una mappa di pericolosità resta una descrizione del fenomeno fisico, non una base per decidere. Qui entrano in gioco le curve danno-profondità: relazioni empiriche che collegano la profondità dell’acqua al danno atteso su un asset o su un’attività. Applicandole a ciascun asset esposto e combinando opportunamente le informazioni di pericolo e vulnerabilità, si ottengono diversi indicatori econometrici, come ad esempio l’Expected Annual Damage (EAD), cioè il danno medio annuo atteso. Questa è una delle metriche utilizzata più spesso per confrontare rischi diversi, prioritizzare interventi o alimentare analisi assicurative e di investimento. Gli ultimi passaggi sono la proiezione su scenari climatici futuri e la validazione, cioè il confronto dei risultati con eventi osservati o con mappe ufficiali delle autorità, dove disponibili, per verificare se i risultati del modello siano solidi abbastanza da supportare una decisione.
Nonostante progressi tecnologici e metodologici significativi, la stima del rischio alluvionale presenta ancora limiti strutturali.
Il primo riguarda i dati: la qualità, la risoluzione e le informazioni su argini, muri e difese idrauliche restano disomogenee tra paesi e bacini, con il rischio di introdurre distorsioni e bias nelle stime.
Il secondo riguarda l’incertezza associata alle stime climatiche dei modelli regionali e globali, spesso elevata soprattutto su scala locale. Qui serve una precisazione: le metodologie di stima del pericolo alluvionale descritte in precedenza possono essere molto accurate sul dettaglio locale, ma rischiano di essere poco precise se i dati di input (come, ad esempio, le stime dei modelli climatici) sono altamente incerti. In altre parole, il modello può simulare o predire bene l’inondazione, ma la sua stima sarà comunque condizionata dall’incertezza sui dati meteo-climatici in input. Non è un dettaglio tecnico: significa che due analisi sullo stesso asset, con ipotesi climatiche diverse ma entrambe plausibili, possono arrivare a risultati anche distanti tra loro. Per questo, le stime di rischio alluvionale non si basano di solito su un singolo modello climatico, ma su un insieme di modelli (un cosiddetto ensemble), permettendo di ridurre il rischio di errori sistematici legati a un singolo approccio. Stimare, verificare e comunicare questa incertezza fa parte del lavoro.
Di fronte a questi limiti, in Eoliann stiamo costruendo una direzione diversa.
Un framework ibrido che mette insieme, in un unico flusso operativo, fisica del fenomeno, dati geospaziali ad alta risoluzione, modelli probabilistici e di intelligenza artificiale e requisiti regolatori.
Non si tratta di ripartire da zero, gran parte degli ingredienti esiste già: modelli idrologico-idraulici consolidati, mappe satellitari, archivi climatici, standard normativi. Il nostro lavoro consiste nel farli dialogare tra loro in modo nuovo: prendere il meglio di ciascun approccio, riconoscerne i limiti e ricombinarli in un sistema che sia più di quanto ogni componente possa offrire da sola. Le simulazioni numeriche restano il riferimento per la precisione locale e, dove necessario, per generare o validare esempi di addestramento del modello di intelligenza artificiale. I dati satellitari ampliano la copertura e forniscono informazioni di contesto territoriale sulle condizioni che possono precedere un’inondazione. L’intelligenza artificiale permette una stima del rischio alluvionale in tempo quasi reale e accelera la copertura dove serve scala. A questo si aggiungono i record di eventi alluvioni passati per validare il framework e i requisiti regolatori per garantire trasparenza e aggiornabilità. Sul fronte dell’incertezzastiamo lavorando per l’integrazione di modelli ensemble.
Il senso del nostro approccio ibrido è tutto qua: utilizzare il meglio di ciascuna componente per determinare il rischio alluvionale nel modo più accurato possibile trasformando l’informazione in conoscenza utile in chiave decisionale, per chi oggi ha la responsabilità di scegliere per il futuro di territori e comunità.
Questo articolo è a cura della Climate Risk Models Unit di Eoliann e inaugura la rubrica “Eoliann Lens”, una serie di approfondimenti sulla tecnologia e sulle metodologie che stanno dietro al nostro lavoro.
Vuoi andare più a fondo?
