Così l’AI migliorerà la previsione dell’erosione

L’Università dell’Illinois, ha testato un sistema di apprendimento automatico che combina diversi modelli predittivi dell’erosione. Con risultati migliori rispetto a quelli ottenuti dai singoli algoritmi

di Matteo Cavallito

 

L’erosione rappresenta uno dei fenomeni più preoccupanti per i suoli del Pianeta. Ma non tutti gli eventi di questo genere sono uguali. Tra le varie forme di degrado, ricordano infatti gli esperti, spicca in particolare l’erosione a solchi profondi (anche noti come “gullies”), considerata tipicamente come la forma più intensa. Questo fenomeno, causato da piogge intense, produce canali profondi – detti calanchi – nelle campagne, compromettendo la fertilità del terreno e facendo crescere il trasporto di sedimenti nei corsi d’acqua.

In questo scenario, ovviamente, individuare in anticipo le aree a rischio consente di adottare interventi mirati, come la copertura del suolo, il drenaggio e la gestione della vegetazione. Essenziale, insomma, è la capacità di previsione, una risorsa che oggi, sostiene uno studio, può essere ulteriormente migliorata. Grazie all’intelligenza artificiale.

Lo studio

Pubblicata sulla rivista Journal of Environmental Management, la ricerca, a cura di un gruppo di scienziati dell’Università dell’Illinois Urbana–Champaign, ha proposto una nuova metodologia predittiva che è stata testata in un’area rurale della contea di Jefferson, nella parte meridionale dello Stato. La zona, spiega lo studio, “presenta una topografia ondulata ed è costituita per il 60% circa da terreni agricoli, utilizzati principalmente per la coltivazione di mais e soia”.

Il modello di apprendimento automatico sperimentato è basato sulla tecnica dello stacking ensemble. Ovvero sulla combinazione di diversi algoritmi predittivi.

Tale sistema è in grado di sfruttare i punti di forza di ciascun modello per migliorare la precisione complessiva. Nell’occasione i ricercatori hanno mappato “l’area di studio sulla base delle differenze altimetriche osservate tra il 2012 e il 2015”. Nell’addestrare e validare i modelli, inoltre, gli autori hanno preso in esame 25 variabili “che possono influenzare la suscettibilità all’erosione, tra cui la topografia, le proprietà del suolo, le caratteristiche della vegetazione e i modelli di precipitazione”. I risultati sono stati promettenti.

Informazioni più precise sull’erosione

In totale stati valutati 44 modelli diversi ciascuno dei quali costituito da una combinazione di modelli base. In seguito, osserva un articolo pubblicato dall’Università dell’Illinois, gli autori “hanno creato mappe di suscettibilità all’erosione dei calanchi utilizzando il modello di stacking più performante e quattro modelli individuali”. Le performance rilevate sono state nettamente superiori rispetto a quelle realizzate dai singoli algoritmi.

I ricercatori, infatti, “hanno rilevato che il miglior modello di stacking ha raggiunto un’accuratezza di previsione del 91,6%, rispetto all’86% ottenuto dal più efficace modello individuale”.

Grazie all’uso di uno specifico strumento noto come SHAP (SHapley Additive exPlanations), una tecnica basata sull’intelligenza artificiale che attribuisce a ogni variabile un impatto specifico, è stato possibile, inoltre, individuare il peso dei singoli fattori coinvolti. Il sistema, in particolare, “ha identificato l’indice di area fogliare annuale (LAI) come la caratteristica più influente in entrambi i modelli di base”. Semplificando, osserva ancora l’articolo, significa che “una maggiore copertura fogliare riduce l’impatto diretto delle precipitazioni sul suolo, che a sua volta limita la gravità dell’erosione”.

Una risorsa per decisioni informate

Secondo gli studiosi, la ricerca fornisce uno strumento utile per la pianificazione territoriale e la gestione del rischio idrogeologico. Creando mappe di rischio più precise, l’intelligenza artificiale aiuta infatti a guidare in modo efficace interventi di prevenzione mirati, come la riforestazione, la gestione dei deflussi o la protezione delle infrastrutture. La ricerca, insomma, introduce “un modello innovativo e comprensibile di stacking ensemble per migliorare le prestazioni predittive sulla suscettibilità all’erosione dei calanchi”. Fornendo, in questo modo, “interpretazioni trasparenti delle decisioni prese sulla base del metodo”, concludono gli autori.