Derivazione di soglie di innesco idro-meteorologiche basate su algoritmi di machine learning

The recent United Nations report on natural disasters presented in 2020 highlighted how the disasters observed considering two-time windows, 1980/1999 and 2000/2019, have globally increased. Among the calamities taken into consideration are also landslides, which increase from 254 to 376. The impacts of landslides can be devastating, causing damage to material assets, infrastructures and sometimes even victims among the population. Early warning systems are among the main non-structural mitigation measures of landslide risk. Among the fundamental components of these systems are the trigger thresholds. Goal of this thesis is improving the understanding of triggering phenomena, proposing innovative approaches to overcome some limitations related to the determination of triggering rainfall thresholds. To do this, it is proposed to: (1) overcome the use of predetermined relationships for the threshold, generally of the power type, (2) analyse the possibility of using variables not related to precipitation. To achieve the first objective, an approach based on artificial neural networks is proposed, used in numerous fields, for its ability to learn from data, generalization and pattern recognition. Using this approach, we want to verify if it is possible to set up a classifier which, depending on the input data, can provide a trigger relationship, without making any a priori assumptions on the form of the threshold equation. The methodology initially involves determining the cumulative-duration rainfall thresholds for two study areas, one Italian and one Norwegian (where the period as visiting PhD student was carried out). For both empirical thresholds, performance will be assessed using statistical performance indicators. In a second step, the pattern recognition skills of artificial neural networks will be used to recognize, starting from the same dataset used to determine the depth-duration thresholds, the precipitations that can trigger landslides. The results obtained seem to indicate that for the same input information, the performance of a classifier based on neural networks is better. As regards the second limit, i.e., the use of information related to the characteristics of the precipitation (precipitation duration, depth and/or rainfall intensity), a neural classifier will be constructed which will allow to evaluate the performance of new thresholds with n variables. Among the variables used, soil moisture data will also be considered (derived from the ERA5-Land Reanalysis data and available for both study areas), evaluating which of the input data allows to obtain the best performance in terms of recognition of triggering rainfall. The results obtained about the hydro-meteorological thresholds show that introducing soil moisture data allows for a substantial improvement in the performance of the classifier, although as the input parameters increase in conjunction with an improvement in performance, greater variability is obtained related to the initialization of neural networks.

l recente rapporto delle Nazioni Unite sui disastri naturali presentato nel 2020 ha evidenziato come i disastri osservati considerando due finestre temporali, 1980/1999 e 2000/2019, siano globalmente aumentati. Tra le calamità prese in considerazione ci sono anche le frane, che passano da 254 a 376. Gli impatti delle frane possono essere devastanti, provocando danni ai beni materiali, alle infrastrutture e talvolta anche vittime tra la popolazione. I sistemi di preallerta sono tra le principali misure non strutturali di mitigazione del rischio frane. Tra i componenti fondamentali di questi sistemi vi sono le soglie pluviometriche di innesco. Obiettivo di questa tesi è migliorare la comprensione dei fenomeni di innesco, proponendo approcci innovativi per superare alcune limitazioni legate alla determinazione delle soglie di innesco delle precipitazioni. Per fare ciò si propone di: (1) superare l'utilizzo di relazioni prefissate per la soglia, generalmente di tipo potenza, (2) analizzare la possibilità di utilizzare variabili non legate alla precipitazione. Per raggiungere il primo obiettivo viene proposto un approccio basato sulle reti neurali artificiali, utilizzate in numerosi campi, per le capacità di questi algoritmi di apprendere dai dati, generalizzazione e pattern recognition. Utilizzando questo approccio, si vuole verificare se è possibile mettere a punto un classificatore che, a seconda dei dati di input, può fornire una relazione innesco, senza fare alcuna ipotesi a priori sulla forma dell'equazione soglia. La metodologia prevede inizialmente la determinazione delle soglie di piovosità cumulata per due aree di studio, una italiana e una norvegese (dove è stato svolto il periodo come visiting PhD student). Per entrambe le soglie empiriche, la performance sarà valutata utilizzando indicatori statistici di performance. In una seconda fase, le capacità di pattern recognition delle reti neurali artificiali saranno utilizzate per riconoscere, partendo dallo stesso dataset utilizzato per determinare le soglie cumulata-durata, le precipitazioni che possono innescare frane. I risultati ottenuti sembrano indicare che a parità di informazioni di input, le prestazioni di un classificatore basato su reti neurali sembrano essere migliori. Per quanto riguarda il secondo punto, ovvero l'utilizzo di informazioni relative alle caratteristiche della precipitazione (durata della precipitazione, profondità e/o intensità della precipitazione), verrà messo a punto un classificatore neurale che consentirà di valutare l'andamento di nuove soglie con n variabili. Tra le variabili utilizzate saranno considerati anche i dati di umidità del suolo (derivati dai dati ERA5-Land Reanalysis e disponibili per entrambe le aree di studio), valutando quali dei dati di input consentono di ottenere le migliori performance in termini di riconoscimento delle precipitazioni scatenanti. I risultati ottenuti sulle soglie idrometeorologiche mostrano che l'introduzione di dati di umidità del suolo consente un sostanziale miglioramento delle prestazioni del classificatore, anche se all'aumentare dei parametri di input in concomitanza con un miglioramento delle prestazioni, si ottiene una maggiore variabilità relativa all'inizializzazione di reti neurali.