A Hybrid AI–Ontology Framework for Tropical Cyclone Forecasting, Risk Assessment, and Intelligent Disaster Decision Support

I cicloni tropicali sono tra le forze più potenti della Terra, che si formano sopra le acque calde degli oceani per scatenare vento, pioggia e mareggiate capaci di rimodellare le linee costiere e minacciare milioni di vite. Per decenni, i meteorologi hanno lavorato per prevedere dove si sarebbero diretti questi stormi e quanto sarebbero diventati forti. Queste previsioni si affidano a complessi modelli informatici che tracciano il movimento e l'intensità della tempesta, dando alle autorità un vantaggio fondamentale. Tuttavia, sapere la traiettoria di una tempesta è solo metà della battaglia. Una previsione che dice a una città di aspettarsi venti forti è utile, ma non dice automaticamente ai funzionari quali quartieri siano più vulnerabili, quante persone debbano evacuare o quali pericoli specifici — come le inondazioni rispetto ai danni strutturali — li attendano. Il divario tra una previsione meteorologica grezza e un piano d'azione chiaro per salvare vite umane è stato a lungo una sfida per i gestori dei disastri.

Per colmare questo divario, un team di ricercatori ha sviluppato un nuovo sistema che combina il potere predittivo dell'intelligenza artificiale con un modo strutturato di comprendere il mondo, noto come ontologia. Pensate a un'ontologia come a una mappa digitale della conoscenza che collega i fatti relativi alla tempesta ai fatti relativi alla terra e alle persone che vi vivono. Sebbene l'intelligenza artificiale sia eccellente nel individuare schemi in enormi quantità di dati per prevedere il futuro, spesso agisce come una "scatola nera", offrendo un numero o un percorso senza spiegare il ragionamento sottostante. I ricercatori volevano costruire un sistema che non solo prevedesse dove andrà un ciclone, ma che traduca anche quella previsione in una storia logica e chiara sul rischio. Insegnando a un computer a comprendere le relazioni tra velocità del vento, precipitazioni, densità di popolazione e resistenza degli edifici, hanno creato uno strumento in grado di generare consigli specifici e comprensibili per i decisori.

I ricercatori hanno testato questo framework ibrido utilizzando tre cicloni reali che hanno colpito il Golfo del Bengala: Amphan nel 2020, Yaas nel 2021 e Remal nel 2024. Il sistema opera in due fasi principali. Primo, utilizza un tipo di intelligenza artificiale chiamata rete Long Short-Term Memory per analizzare i dati meteorologici storici. Questo modello analizza una sequenza di osservazioni passate — come la posizione, la velocità e la pressione della tempesta — per prevedere la sua traiettoria per le successive ventiquattro ore. Contemporaneamente, un secondo modello di intelligenza artificiale stima l'ampiezza della zona di impatto della tempesta, determinando quanto lontano dal centro si estenderanno le condizioni pericolose. Queste previsioni non sono semplici numeri; vengono inserite nella seconda fase del sistema, ovvero il motore di ragionamento basato sull'ontologia.

Questo motore di ragionamento agisce come il traduttore. Prende la traiettoria e la dimensione previste della tempesta e le sovrappone a un profilo digitale dettagliato della regione colpita. Questo profilo include informazioni statiche che non cambiano, come la posizione delle città, la densità della popolazione, il tipo di edifici nell'area e la geografia locale. Il sistema applica quindi un insieme di regole logiche a questi dati combinati. Ad esempio, se l'IA prevede venti forti e l'ontologia sa che un'area specifica ha molte strutture vecchie e fragili, il sistema inferisce un alto rischio di danni strutturali. Se la previsione include forti piogge e l'area è pianeggiante, il sistema inferisce un alto rischio di inondazioni. Il risultato è una valutazione del rischio completa che va oltre i semplici dati meteorologici per rispondere a domande critiche: Qual è la gravità della minaccia? Quali aree sono nella zona rossa? Quante persone sono a rischio?

Quando il team ha applicato questo framework al ciclone Amphan, il più distruttivo dei tre, il sistema ha operato con un'elevata precisione. L'IA ha previsto la traiettoria della tempesta con un errore medio di circa 72 chilometri in un periodo di ventiquattro ore, un livello di precisione paragonabile ad altri metodi avanzati di deep learning. Più importante ancora, il motore di ragionamento ha identificato correttamente l'evento come una minaccia "Grave", assegnando una zona di rischio rossa e raccomandando una risposta di alta allerta. Ha stimato che circa 640.000 persone fossero a rischio, una cifra che si è allineata strettamente con la massiccia risposta di emergenza che è stata effettivamente lanciata durante l'evento reale. Il sistema ha distinto con successo tra il pericolo estremo di Amphan e i rischi leggermente inferiori, seppur significativi, causati dai cicloni Yaas e Remal. Per Yaas, il sistema ha segnalato anch'esso una zona rossa e un'alta allerta, mentre per Remal ha valutato correttamente un rischio moderato, suggerendo una zona gialla e un livello di urgenza inferiore.

Lo studio dimostra che combinare l'intelligenza artificiale predittiva con il ragionamento strutturato sulla conoscenza crea uno strumento più utile per la gestione dei disastri rispetto a quanto ciascun approccio potrebbe fornire da solo. L'intelligenza artificiale gestisce la matematica difficile della previsione del futuro della tempesta, mentre lo strato ontologico assicura che queste previsioni siano interpretate attraverso la lente della realtà locale. Ciò consente al sistema di produrre output che non sono solo numeri accurati, ma consigli intelligibili, come direttive di evacuazione specifiche o avvisi di rifugio. I ricercatori hanno scoperto che questo approccio ha trasformato con successo i dati meteorologici grezzi in informazioni sul rischio semantiche e strutturate su cui i decisori potevano fare affidamento e agire. Sebbene l'attuale sistema si basi su dati storici e regole predefinite, gli autori suggeriscono che versioni future potrebbero incorporare dati in tempo reale da satelliti e stazioni meteorologiche per rendere il sistema ancora più reattivo. In definitiva, questo lavoro offre una strada promettente verso sistemi di gestione dei disastri che non siano solo abbastanza intelligenti da prevedere la tempesta, ma anche abbastanza saggi da comprendere il suo vero impatto sulle persone e sui luoghi che minacciano.