Lotta al rischio idraulico. L’intelligenza artificiale per prevedere le piene
L’intelligenza artificiale può aiutare a prevedere le portate dei corsi d’acqua, persino a carattere torrentizio, i più difficili da gestire proprio per la rapidità con cui sopraggiungono le piene. È il risultato raggiunto grazie a una collaborazione fra il Consorzio di Bonifica Toscana Nord e il Dipartimento di Scienze della Terra dell’università di Pisa: un accordo di ricerca che si è sviluppato negli ultimi anni. Le due realtà hanno fatto sistema con l’obiettivo di riuscire a migliorare i tempi di previsione delle piene applicando tecniche innovative basate su Machine Learning (intelligenza artificiale, ndr). "Grazie all’utilizzo dell’Ia – spiega il presidente del Consorzio, Ismaele Ridolfi – possiamo calcolare i probabili scenari del flusso di alcuni corsi d’acqua del comprensorio del Consorzio, sulla base dei dati di pioggia rilevati dall’intero sistema di pluviometri della zona, e non solamente di quelli situati nei pressi del corso d’acqua stesso. Un metodo innovativo che permette di passare dalla teoria alla pratica e gestire le grandi banche dei dati territoriali. Un passo in avanti nella difesa del suolo perché efficace anche su corsi d’acqua a carattere torrentizio caratterizzati da repentini cambi di portata e che risentono in maniera maggiore dei cambiamenti climatici in atto. Oggi, grazie all’intelligenza artificiale, possiamo prevedere i momenti di piena fino a 6 ore prima".
L’accordo fra Consorzio di Bonifica e Dipartimento di Scienze della Terra per ora è stato applicato su tre corsi d’acqua: Freddana, Versilia e Carrione, oltre al Lago di Massaciuccoli. Responsabile per la parte scientifica del Dipartimento è la professoressa Monica Bini. "Il sistema di intelligenza artificiale – afferma – funziona anche nei casi di eventi intensi e concentrati, che sono i più difficili da prevedere ma che sono sempre più frequenti a causa dell’aumento delle temperature legato all’attuale riscaldamento globale". Marco Luppichini, che ha condotto in prima persona le analisi, sottolinea: "Abbiamo visto all’atto pratico che i modelli fisici utilizzati richiedono dati non sempre semplici da reperire e una stima non corretta dei dati input può portare a risultati distanti da quella che è la realtà. Ad esempio, nella realizzazione di un modello fisico applicato al fiume Versilia avevamo avuto problemi con la quantificazione dell’acqua di infiltrazione a causa del sistema carsico che caratterizza l’area. Questi problemi sono stati largamente superati applicando modelli di Machine Learning che si basano solo su dati facilmente reperibili".