Flood risk assessment at the neighbourhood level using Spatially Adaptive Weighting
Questo studio sviluppa un quadro di rischio di inondazione spazialmente adattivo per 412 quartieri di Melbourne utilizzando la Regressione Geograficamente Pesata Multiscala per pesare oggettivamente gli indicatori di pericolo, esposizione e vulnerabilità, rivelando che i fattori socioeconomici e la densità edilizia sono i principali driver del rischio e identificando aree ad alto rischio precedentemente trascurate oltre le immediate rive dei fiumi.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Le inondazioni non sono semplicemente una questione di innalzamento delle acque; sono una complessa collisione tra il paesaggio fisico e le persone che vi vivono. Per decenni, scienziati e pianificatori hanno cercato di misurare il pericolo delle inondazioni osservando tre distinti pezzi del puzzle. Primo, c'è l'evento pericoloso in sé: la forza pura dell'acqua, quanto diventa profonda e quanto si diffonde. Secondo, c'è l'esposizione: il semplice fatto che persone, case e attività commerciali si trovino nel percorso di quell'acqua. Terzo, c'è la vulnerabilità: le condizioni che rendono un'inondazione peggiore per una specifica comunità, come la salute precaria, la mancanza di denaro per la ricostruzione o edifici che non possono resistere all'impatto. Tradizionalmente, quando gli esperti cercavano di combinare questi tre elementi in un unico punteggio di rischio, applicavano spesso le stesse regole ovunque. Presupponevano che un certo fattore, come il numero di persone che vivono in un'area, contasse ugualmente in ogni quartiere, o si affidavano alle opinioni degli esperti per decidere quali fattori fossero più importanti. Questo approccio spesso mancava di cogliere le sottili realtà locali che determinano perché una strada si allaghi con conseguenze devastanti mentre una strada vicina, forse anche più prossima al fiume, rimane relativamente sicura.
In uno studio recente focalizzato sul bacino del fiume Maribyrnong a Melbourne, in Australia, i ricercatori hanno sviluppato un modo per vedere queste differenze locali con molta più chiarezza. Invece di applicare un unico insieme di regole a tutta la regione, hanno creato un sistema che si adatta al carattere unico di ogni quartiere. Analizzando 412 quartieri distinti, il team ha scoperto che il rischio di inondazione non riguarda solo la vicinanza al fiume. Infatti, il pericolo fisico dell'acqua in sé è spesso meno importante delle persone e delle proprietà esposte a essa, e delle condizioni sociali che rendono quelle persone più suscettibili ai danni. Lo studio rivela che alcune aree lontane dai corsi d'acqua principali sono in realtà a un rischio maggiore rispetto a quanto precedentemente ipotizzato, semplicemente perché sono zone basse, densamente popolate e sede di residenti che potrebbero avere difficoltà a riprendersi da un disastro.
I ricercatori hanno iniziato mappando la realtà fisica di un importante evento alluvionale avvenuto nell'ottobre 2022. Utilizzando simulazioni al computer ad alta risoluzione, hanno ricreato il movimento dell'acqua attraverso il paesaggio, misurando la profondità dell'acqua e la percentuale di ogni quartiere che veniva coperta. Questo ha fornito il quadro dell' "evento pericoloso". Hanno poi sovrapposto i dati relativi all'elemento umano. Hanno contato quante persone vivevano in ogni zona, quanti edifici erano concentrati e la specifica demografia dei residenti, come il numero di anziani, persone con problemi di salute o con redditi più bassi. Hanno anche esaminato l'ambiente fisico, inclusa la pendenza del terreno, la quantità di vegetazione e la densità stradale.
Per dare senso a questa enorme quantità di dati, il team ha utilizzato un sofisticato metodo statistico che ha permesso l'importanza di ciascun fattore di cambiare da un quartiere all'altro. Immaginate una mappa in cui le regole per calcolare il rischio non sono fisse, ma cambiano come il terreno stesso. In un'area residenziale densa, il numero di persone che vivono lì potrebbe essere il fattore più critico che guida il punteggio di rischio. In un'altra area con molti alberi, la vegetazione potrebbe giocare un ruolo maggiore nel modo in cui l'acqua si comporta. Questo approccio, noto come pesatura spazialmente adattiva, ha significato che i ricercatori non hanno dovuto indovinare quali fattori fossero più importanti. I dati stessi hanno indicato loro, per ogni singolo quartiere, quale combinazione di pericolo, esposizione e vulnerabilità fosse la più rilevante.
I risultati hanno messo in discussione diverse ipotesi comuni sul rischio di inondazione. Lo studio ha scoperto che l'evento pericoloso fisico — la profondità e la diffusione dell'acqua — era costantemente il contributore più piccolo al punteggio di rischio complessivo. I veri motori del pericolo erano l'esposizione e la vulnerabilità. In altre parole, la presenza di persone e proprietà, unita alla loro capacità di far fronte all'evento, contava molto di più dell'acqua stessa. La densità di popolazione, la densità edilizia e la densità della vegetazione sono emersi come le forze dominanti che modellano il panorama del rischio.
Forse il risultato più sorprendente è stata l'identificazione di aree ad alto rischio che erano state trascurate dai metodi tradizionali. Mentre i quartieri più vicini al fiume mostravano naturalmente alti livelli di pericolo fisico, lo studio ha evidenziato che aree più distanti, come West Footscray e Tottenham, affrontavano un pericolo significativo. Questi quartieri non erano adiacenti ai corsi d'acqua principali e non avevano una lunga storia di inondazioni, eppure risultavano zone ad alto rischio. Ciò accadeva perché si trovavano su terreni bassi e pianeggianti dove l'acqua poteva accumularsi facilmente, ed erano sede di popolazioni dense con risorse limitate. Al contrario, lo studio ha mostrato che alcune aree con un alto pericolo fisico, come il Flemington Racecourse, avevano in realtà un punteggio di rischio complessivo basso. Questo perché il campo di gara è in gran parte privo di residenti permanenti e di edifici; l'acqua potrebbe essere profonda lì, ma senza persone o case da danneggiare, il rischio per la comunità è minimo.
I ricercatori hanno anche notato che l'importanza di specifici fattori variava enormemente in tutta la città. Nelle parti centrali e occidentali del bacino, dove la densità residenziale è elevata, il numero di persone che vivono in un'area era il predittore più forte del rischio. Al contrario, nelle zone industriali o nelle aree vicino all'aeroporto, dove i dati sulla popolazione sono scarsi o inaffidabili, il modello ha mostrato che la densità di popolazione non era un indicatore utile del rischio. Questo livello di dettaglio sarebbe impossibile da vedere se i ricercatori avessero applicato una regola singola e uniforme a tutta la regione.
Combinando queste scoperte, lo studio offre un nuovo modo per far pensare i pianificatori urbani e i servizi di emergenza alla sicurezza. Suggerisce che proteggere una comunità non significa solo costruire muri più alti o deviare l'acqua. Richiede la comprensione che i luoghi più pericolosi non sono sempre quelli più vicini al fiume. I maggiori rischi risiedono spesso nei quartieri dove l'acqua incontra una popolazione densa che manca delle risorse per riprendersi. Il quadro sviluppato in questo studio fornisce un metodo replicabile per identificare questi pericoli nascosti, garantendo che le risorse e gli sforzi di pianificazione siano diretti verso i luoghi in cui sono necessari, piuttosto che solo dove l'acqua è passata in passato. Il lavoro dimostra che un approccio veramente obiettivo e basato sui dati può rivelare la realtà complessa e disomogenea del rischio di inondazione, andando oltre la semplice prossimità all'acqua per comprendere la vera natura del pericolo nelle nostre città.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.