Causal Effect Exploration of Landslide Susceptibility in Chongqing Using a T-Learner

Nelle aspre zone montuose della Cina sud-occidentale, la terra a volte si sposta con una forza improvvisa e distruttiva. Le frane sono una minaccia persistente per le vite, le case e le infrastrutture delle persone che vivono in queste valli ripide. Per decenni, scienziati e ingegneri si sono affidati a modelli informatici per prevedere dove questi disastri potrebbero colpire successivamente. Questi modelli sono eccellenti nel individuare schemi; possono analizzare una mappa di un versante e dire: "Questo punto sembra pericoloso", analizzando fattori come la pendenza del pendio, quanta pioggia cade lì o il tipo di roccia che giace sotto il suolo. Tuttavia, esiste una differenza cruciale tra l'individuare un modello e comprendere la causa. Sapere che una frana avviene spesso dove il terreno è ripido non ci dice automaticamente cosa accadrebbe se potessimo in qualche modo cambiare la pendenza, o se potessimo alterare la quantità di acqua nel terreno. Per gestire realmente il rischio, dobbiamo sapere non solo cosa è associato a una frana, ma cosa causerebbe effettivamente l'aumento o la diminuzione del rischio se intervenissimo.

Questo è il problema che un team di ricercatori della Chongqing Polytechnic University of Electronic Technology, della Chongqing University of Education e della Peking University si è proposto di affrontare. Si sono concentrati nel loro studio su Chongqing, una città famosa per la sua topografia drammatica e la rapida crescita urbana, dove l'intersezione tra natura e attività umana crea un laboratorio perfetto per testare nuovi modi per comprendere i pericoli geologici. Invece di chiedere semplicemente quali fattori prevedano una frana, si sono posti una domanda diversa, più difficile: se potessimo cambiare un fattore ambientale specifico, come cambierebbe il rischio di una frana? Per rispondere a questo, sono andati oltre gli strumenti di previsione standard e hanno applicato un metodo noto come T-learner. Questo approccio permette ai ricercatori di simulare uno scenario "cosa succederebbe se", stimando la differenza di rischio tra un livello elevato di un fattore, come la pioggia intensa, e un livello basso, tenendo conto attentamente di tutte le altre condizioni presenti nel paesaggio.

I ricercatori sono partiti da un enorme dataset contenente oltre 30.000 record, la metà dei quali erano località in cui si erano verificate frane e l'altra metà dove non si erano verificate. Hanno raccolto 17 diversi pezzi di informazione per ogni località, che vanno dall'altezza del terreno e l'angolo della pendenza alla quantità di acqua che evapora dal suolo, alla distanza dai fiumi e al tipo di roccia sottostante. Utilizzando un potente algoritmo di apprendimento computazionale, hanno prima addestrato un modello per riconoscere gli schemi che distinguono un sito di frana da uno sicuro. Questo modello era altamente accurato, identificando correttamente le posizioni delle frane nei suoi dati di test con un alto grado di successo. Tuttavia, il team sapeva che l'alta accuratezza da sola non rivela la causa. Un modello potrebbe imparare che le frane avvengono vicino alle strade semplicemente perché le strade sono costruite su pendii ripidi, non perché le strade stesse inneschino la frana. Per sbrogliare questa matassa, hanno usato il T-learner per stimare l'effetto medio del cambiamento di ciascun fattore.

I risultati hanno offerto una visione sfumata di ciò che guida il rischio di frana in questa regione. L'analisi ha suggerito che i tre fattori con le maggiori differenze di rischio controfattuale stimata fossero l'evapotraspirazione, le precipitazioni e l'elevazione. L'evapotraspirazione è una misura di quanta acqua si muove dal suolo e dalle piante verso l'aria; in questo studio, le aree con livelli più elevati di questo processo erano associate a un rischio previsto di frane inferiore. Allo stesso modo, l'elevazione maggiore e le precipitazioni totali più elevate erano anch'esse collegate a un rischio inferiore nel loro modello specifico. I ricercatori hanno avvertito che questo risultato riguardante le precipitazioni non dovrebbe essere tradotto direttamente in una raccomandazione di intervento di aumento delle precipitazioni. Hanno spiegato che questo risultato riflette probabilmente condizioni a lungo termine piuttosto che inneschi immediati; forse le aree con un'elevata piovosità annuale hanno una vegetazione meglio adattata a trattenere il suolo, o i dati catturano un aspetto diverso del ciclo dell'acqua rispetto alle piogge improvvise che causano il cedimento immediato. Al contrario, l'intensità delle precipitazioni — la velocità con cui cade la pioggia — ha mostrato un effetto positivo, il che significa che una pioggia più veloce e intensa era associata a un rischio maggiore, il che si allinea alla comprensione comune di come le frane vengano innescate.

Lo studio ha anche evidenziato una distinzione critica tra ciò che un modello informatico trova importante e ciò che effettivamente causa un cambiamento nel rischio. I ricercatori hanno confrontato i loro nuovi stimi "cosa succederebbe se" con un metodo standard chiamato SHAP, che classifica semplicemente i fattori in base a quanto aiutano il modello a fare previsioni. Nella classificazione standard, l'evapotraspirazione era il fattore più importante, seguita da precipitazioni ed elevazione. L'ordine era simile, ma il significato era diverso. Il metodo standard diceva che questi fattori erano i migliori per indovinare dove sarebbe avvenuta una frana. Il nuovo metodo suggeriva che, se potessimo cambiare questi fattori, il rischio cambierebbe significativamente. Ad esempio, lo studio ha scoperto che la differenza di rischio stimata per l'evapotraspirazione era maggiore di quella per la pendenza, un fattore che è tradizionalmente considerato il più critico nella scienza delle frane. Tuttavia, i ricercatori hanno esplicitamente notato che questo schema non implica che queste variabili abbiano dimostrato di avere effetti causali diretti più forti della pendenza. Le definizioni del trattamento, la covariazione spaziale e i fattori di confondimento non misurati possono tutti influenzare la classifica relativa, il che significa che questi risultati dovrebbero essere considerati come ipotesi per ulteriori verifiche piuttosto che prove definitive di forza causale.

Nonostante questi risultati intriganti, i ricercatori sono stati cauti nel definire i limiti del loro lavoro. Hanno sottolineato che il loro studio era un'istantanea nel tempo, utilizzando dati raccolti tutti in una volta anziché monitorare i cambiamenti nel corso degli anni. Per questo motivo, non potevano provare che un fattore causasse sicuramente un altro, né potevano escludere la possibilità che un fattore nascosto, come il tipo di suolo o la passata ingegneria umana, influenzasse sia le condizioni ambientali che il rischio di frana. Hanno inoltre notato che i loro risultati sono specifici per l'ambiente montuoso e umido di Chongqing e potrebbero non applicarsi a deserti aridi o pianure. Lo studio funge da potente quadro esplorativo, mostrando che possiamo andare oltre la semplice previsione per porre domande più profonde su causa ed effetto. Suggerisce che gli sforzi futuri per prevenire le frane dovrebbero guardare attentamente al ciclo dell'acqua e alla vegetazione, ma si ferma prima di dire agli ingegneri esattamente cosa costruire o dove scavare. Invece, fornisce un nuovo insieme di ipotesi da testare, esortando gli scienziati a progettare studi futuri che possano monitorare i cambiamenti nel tempo e confermare se questi effetti stimati si mantengano nel mondo reale.

Il valore ultimo di questa ricerca risiede nella sua capacità di separare il segnale della previsione dal segnale della causa. Applicando questi strumenti statistici avanzati a un problema del mondo reale, il team ha dimostrato che i fattori che usiamo per prevedere un disastro non sono sempre gli stessi fattori che dovremmo colpire per prevenirlo. Hanno dimostrato che, sebbene un computer possa imparare a individuare un versante pericoloso con grande precisione, comprendere perché quel versante sia pericoloso richiede un tipo di pensiero diverso. Lo studio conclude che, sebbene non possiamo ancora affermare di aver risolto il mistero della causalità delle frane a Chongqing, abbiamo compiuto un passo significativo verso la comprensione delle complesse relazioni tra pioggia, suolo e pendenza. Questa nuova prospettiva offre una tabella di marcia per la ricerca futura, una che dia priorità alla verifica di questi legami causali con dati migliori e test più rigorosi, portando infine a comunità più sicure in questi paesaggi impegnativi.