Spatial machine learning and explainable artificial intelligence predict urban road flood vulnerability in coastal West Africa

Nelle città costiere dell'Africa occidentale, il terreno si sta spostando sotto i piedi di chi le costruisce e le mantiene. Una rapida crescita urbana sta cementificando i paesaggi naturali, trasformando il suolo che un tempo assorbiva la pioggia in superfici dure che respingono l'acqua. Allo stesso tempo, il clima sta cambiando, portando tempeste più intense che sovraccaricano i vecchi sistemi di drenaggio. Per gli ingegneri incaricati di mantenere le strade aperte e sicure, questo crea un puzzle pericoloso. I metodi tradizionali per prevedere dove una strada potrebbe allagarsi si basano su rilievi del terreno dettagliati ed costosi e su complesse simulazioni fisiche. Questi approcci funzionano bene per un singolo ponte o una grande autostrada, ma sono troppo costosi e lenti per essere applicati alle vaste e intricate reti di strade secondarie che collegano interi quartieri. Quando una città non può permettersi di mappare ogni centimetro della sua rete stradale, spesso reagisce solo dopo che il danno è stato fatto, riparando le strade solo dopo che sono state portate via dall'acqua.

Un nuovo approccio offre una strada diversa, che si basa sulle vaste quantità di dati gratuiti già disponibili da satelliti e mappe aperte. I ricercatori hanno sviluppato un metodo che combina queste fonti di dati aperte con un tipo di apprendimento informatico progettato per essere trasparente. Invece di trattare il computer come una misteriosa "scatola nera" che si limita a fornire un punteggio di rischio, questo metodo utilizza una tecnica chiamata intelligenza artificiale spiegabile. Questo strumento scosta gli strati del processo decisionale del computer per rivelare le specifiche ragioni fisiche per cui una strada è vulnerabile. Permette agli ingegneri di vedere non solo che una strada è a rischio, ma perché lo è, trasformando probabilità astratte in concrete istruzioni ingegneristiche.

Lo studio si è concentrato sulle reti stradali delle città costiere dell'Africa occidentale, dove la minaccia degli allagamenti è acuta. I ricercatori hanno iniziato prendendo la mappa digitale delle strade e scomponendola in piccoli pezzi gestibili, lunghi esattamente cento metri ciascuno. Per ogni singolo segmento stradale, hanno raccolto un insieme di fatti da database globali gratuiti. Hanno osservato quanto fosse alta la quota del terreno, quanto fosse ripida la pendenza, quanta parte dell'area circostante fosse coperta da cemento o edifici e quanta pioggia fosse caduta in passato. Hanno anche controllato i record storici per vedere quali segmenti stradali si fossero effettivamente allagati in precedenza. Ciò ha creato un enorme dataset in cui ogni segmento stradale era accoppiato alle condizioni che avevano portato al suo fallimento o alla sua sopravvivenza.

Per dare un senso a questi dati, il team ha addestrato un potente modello informatico noto come albero decisionale con potenziamento del gradiente (gradient-boosted decision tree). Pensate a questo modello come a un analista altamente qualificato in grado di individuare schemi sottili in una montagna di informazioni che un essere umano potrebbe perdere. Il modello ha imparato a prevedere se un segmento stradale si sarebbe allagato in base alle sue caratteristiche fisiche. Ha operato con una precisione sorprendente, identificando correttamente le strade vulnerabili nella stragrande maggioranza dei casi. Tuttavia, la vera svolta non è stata solo nella previsione, ma nella spiegazione. Utilizzando lo strumento di intelligenza artificiale spiegabile, i ricercatori hanno potuto chiedere al modello di mostrare i suoi passaggi. Hanno scoperto che il computer non stava indovinando; si stava basando su limiti fisici specifici e misurabili.

I risultati hanno ribaltato un'assunzione comune nella pianificazione urbana. Per decenni, le autorità cittadine hanno spesso assunto che le strade principali e primarie fossero quelle più critiche da proteggere, mentre le strade locali più piccole fossero meno importanti. I dati hanno dimostrato che questo è falso. Il modello informatico ha rilevato che l'etichetta amministrativa di una strada — che fosse un'arteria principale o una piccola strada di collegamento — non aveva alcun effetto reale sul fatto che si allagasse o meno. Una piccola strada in un'area bassa e pianeggiante con grandi quantità di cemento nelle vicinanze era altrettanto soggetta a fallire quanto un'autostrada principale nello stesso punto. I fattori che contavano davvero erano le condizioni fisiche locali: l'altezza della strada rispetto al livello del mare, la pendenza del terreno e quanta parte del terreno circostante fosse coperta da edifici.

Lo studio ha individuato le soglie esatte in cui il rischio di allagamento aumenta drasticamente. Le strade situate a un'elevazione inferiore ai dodici metri sopra il livello del mare sono risultate in grave pericolo. Quando la pendenza del terreno era inferiore a due e mezzo gradi, l'acqua non aveva verso dove andare, causando pericolosi ristagni. Allo stesso modo, quando più del sessantacinque per cento del terreno entro una breve distanza dalla strada era coperto da edifici o pavimentazione, l'acqua non aveva modo di infiltrarsi, costringendola a scorrere sopra la superficie stradale. Il modello ha anche identificato che quando un singolo giorno di pioggia supera i centoquarantacinque millimetri, la base strutturale della strada si satura e cede. Queste non sono avvertenze vaghe; sono punti di svolta fisici precisi.

Questo lavoro fornisce una chiara tabella di marcia per le città che mancano del budget per costosi rilievi sul campo. Invece di aspettare che un disastro colpisca, gli ingegneri municipali possono ora usare questi numeri specifici per guidare le loro decisioni. Se una strada si trova in un'area piatta con una pendenza inferiore a due e mezzo gradi, la città sa che deve innalzare il letto stradale o migliorare il drenaggio immediatamente. Se un quartiere è diventato così cementificato che più del sessantacinque per cento della superficie è impermeabile, la città sa che deve installare superfici permeabili o tubazioni di drenaggio più grandi. La ricerca suggerisce che concentrandosi su queste realtà fisiche piuttosto che sulle categorie amministrative delle strade, le città possono indirizzare le loro risorse limitate verso i luoghi in cui faranno il massimo del bene.

Le implicazioni vanno oltre la semplice riparazione delle strade. Comprendendo esattamente dove e perché le infrastrutture falliscono, le città possono pianificare il futuro con maggiore fiducia. I ricercatori propongono che questi risultati vengano inseriti nei codici edilizi locali e nelle regole di progettazione del drenaggio. Quando viene pianificata una nuova strada, o quando una vecchia strada viene riparata, la progettazione deve basarsi su queste soglie fisiche. Se il terreno è troppo piatto o l'area circostante troppo cementificata, le specifiche ingegneristiche devono cambiare per compensare. Questo passaggio dalla riparazione reattiva alla progettazione proattiva basata sui dati offre un modo per costruire resilienza in alcune delle aree costiere più vulnerabili del mondo.

In definitiva, lo studio dimosta che l'adattamento climatico di alta qualità non richiede sempre nuove tecnologie costose o massicci team sul campo. Combinando i dati satellitari liberamente disponibili con modelli informatici intelligenti e trasparenti, è possibile vedere i rischi nascosti nelle infrastrutture di una città. Il risultato è una guida pratica e azionabile che dice agli ingegneri esattamente cosa riparare e come ripararlo. In un mondo in cui il cambiamento climatico sta rendendo più comuni gli eventi meteorologici estremi, questa capacità di prevedere e prevenire il fallimento è uno strumento vitale per mantenere le comunità connesse e sicure.