Monte Carlo Positive-Unlabeled Two-Step Learning for Landslide Susceptibility Mapping under Inventory Uncertainty: Comparison with Hard-Threshold PU Two-Step and EIV in Northern Morocco

Nelle montagne impervie e battute dalla pioggia del nord del Marocco, il suolo è un'entità viva e mutevole. Pendii scoscesi, geologia complessa e forti piogge stagionali si combinano per rendere le frane una realtà frequente e pericolosa. Per i pianificatori e i funzionari della sicurezza, l'obiettivo è tracciare una mappa che mostri dove la terra è probabile che ceda nuovamente. Questa non è una questione di supposizioni; è una sfida statistica. Per costruire un modello che preveda dove potrebbero verificarsi frane, gli scienziati hanno bisogno di due cose: un elenco di luoghi in cui si sono già verificate frane e un elenco di luoghi in cui il terreno è stabile. Il primo elenco è facile da trovare; il secondo è una trappola. Solo perché una frana non è stata registrata in un punto specifico, non significa che il terreno sia sicuro. Potrebbe semplicemente significare che la frana è stata persa, nascosta dalla vegetazione o troppo vecchia per essere vista. Trattare questi punti non registrati come zone confermate "sicure" è come assumere che una stanza sia vuota perché non hai visto nessuno all'interno, ignorando la possibilità che qualcuno si stia nascondendo nell'armadio. Questa incertezza rende incredibilmente difficile insegnare a un computer come distinguere tra un terreno stabile e un terreno che sta solo aspettando di scivolare.

Un team di ricercatori marocchini ha affrontato questo problema sviluppando un nuovo modo per gestire queste frane "mancanti". Invece di costringere un computer a prendere una decisione singola e rigida su quali punti non registrati siano sicuri, hanno creato un metodo che abbraccia l'incertezza. Hanno testato questo nuovo approccio, chiamato MC-PU-2S, contro due metodi esistenti nelle montagne del Rif, un'area nota per il suo terreno scosceso e i frequenti cedimenti dei pendii. Lo studio ha utilizzato un database di quasi 6.000 osservazioni, inclusi oltre 2.300 luoghi di frane note e migliaia di altri punti in cui lo stato del terreno era sconosciuto. Eseguendo i loro modelli attraverso un rigoroso processo di test che impediva al computer di andare in overfitting memorizzando i dati di test, i ricercatori hanno scoperto che il loro nuovo metodo produceva un quadro molto più chiaro e affidabile del rischio. Mentre i vecchi metodi tendevano a etichettare quasi l'intero paesaggio come pericoloso, sfumando i confini tra alto rischio e basso rischio, il nuovo approccio riusciva a separarli, offrendo non solo una mappa del pericolo, ma una mappa della fiducia.

Il cuore del problema risiede nel modo in cui i modelli tradizionali gestiscono la classe "negativa" — i punti assunti come sicuri. In molti studi, i ricercatori scelgono semplicemente punti casuali lontani dalle frane note e dicono al computer: "Questo è sicuro". Il nuovo studio sostiene che questa è un'ipotesi fallace. Se un punto è in realtà instabile ma non è ancora stato mappato, il computer impara la lezione sbagliata. I ricercatori hanno confrontato tre diverse strategie per gestire il "negativo". La prima, nota come metodo Enhanced Information Value, cerca di filtrare i punti più sicuri guardando un modello preliminare e scegliendo le aree a rischio più basso. Il secondo, chiamato PU Two-Step, utilizza un punto di interruzione rigido: se un punto sembra abbastanza sicuro secondo un punteggio specifico, viene etichettato come sicuro; se è anche solo leggermente meno sicuro, viene scartato. Entrambi i metodi impongono una scelta binaria, creando una linea netta tra sicuro e non sicuro che potrebbe non esistere nel mondo reale.

Il nuovo metodo dei ricercatori, MC-PU-2S, prende una strada diversa. Invece di tracciare una linea dura, assegna una probabilità a ogni punto sconosciuto. Chiede: "Quanto è probabile che questo punto sia veramente sicuro?" e permette alla risposta di essere una sfumatura di grigio piuttosto che bianco o nero. Per farlo, il computer esegue centinaia di simulazioni. In ogni simulazione, decide casualmente se trattare un determinato punto sconosciuto come sicuro o non sicuro, basandosi su quella probabilità. Poi costruisce un modello di previsione per ciascuno di questi scenari. Infine, media tutti questi centinaia di modelli insieme. Questo processo smussa gli errori e rivela quali previsioni sono solide e quali sono fragili. Il risultato non è solo una mappa di suscettibilità, ma una serie di prodotti: una mappa che mostra il rischio medio, una mappa che mostra quanto varia la previsione attraverso le simulazioni e una mappa che evidenzia le aree in cui il modello semplicemente non riesce a decidere.

Quando i ricercatori hanno confrontato i risultati, la differenza è stata sorprendente. I vecchi metodi producevano mappe in cui quasi ogni singolo punto dell'area di studio era classificato come avente un alto rischio di frane. Il computer stava essenzialmente gridando "pericolo" ovunque, il che non è utile per la pianificazione. Il nuovo metodo, invece, ha prodotto una visione molto più equilibrata. Ha identificato correttamente che, sebbene molte aree siano effettivamente rischiose, una parte significativa del paesaggio è stabile. Il nuovo modello è stato molto più bravo a distinguere tra i due, con le sue previsioni che si allineavano molto più da vicino ai dati reali. Ha anche corretto un difetto maggiore dei vecchi modelli: le loro stime di probabilità erano compresse e distorte, il che significava che non potevano distinguere accuratamente un AUC di 0,9 da un AUC di 0,6. Il nuovo metodo ha distribuito queste probabilità, permettendo una comprensione più sfumata del terreno.

Forse l'output più prezioso di questo nuovo approccio è la capacità di identificare l'incertezza. Lo studio ha scoperto che in circa il 23 percento dell'area, il modello non poteva dire con certezza se il terreno fosse sicuro o meno. Questi sono i punti in cui la classificazione oscilla proprio sul limite della decisione. In una mappa tradizionale, queste aree apparirebbero identiche al resto, nascondendo una mancanza critica di conoscenza. Nelle nuove mappe, queste aree sono segnalate esplicitamente. Questo è un elemento di svolta per i decisori. Un'area ad alto rischio con alta fiducia può essere immediatamente oggetto di misure di sicurezza. Un'area ad alto rischio con bassa fiducia segnala che è necessario più lavoro sul campo prima di spendere denaro in costruzione o mitigazione. Dice ai funzionari esattamente dove guardare successivamente, trasformando un avvertimento vago in un piano d'azione specifico.

Lo studio ha anche confermato che i fattori più importanti che guidano le frane in questa regione rimangono coerenti con ciò che i geologi già sanno: la pendenza del pendio, la distanza dalle strade, il tipo di roccia e la quantità di pioggia. Tuttavia, il modo in cui questi fattori vengono interpretati cambia quando l'incertezza viene presa in considerazione. Il nuovo metodo ha mostrato che la relazione tra questi fattori e il rischio non è un semplice interruttore, ma un gradiente complesso. Mediando il rumore delle frane "mancanti", il modello è riuscito a vedere questi schemi più chiaramente. I ricercatori hanno osservato che, sebbene il loro metodo richieda più potenza di calcolo rispetto alle tecniche più vecchie, il compromesso vale la pena. La capacità di quantificare l'incertezza e produrre una mappa che ammette ciò che non sa è un passo avanti significativo nella gestione dei rischi naturali.

Questo lavoro non pretende di aver risolto interamente il problema della previsione delle frane. I ricercatori sottolineano con cura che il loro metodo è sensibile alla qualità dei dati iniziali e che il numero di simulazioni utilizzate nel loro studio è stato un test pilota. Suggeriscono che i lavori futuri dovrebbero eseguire ancora più simulazioni per garantire che i risultati siano stabili. Evidenziano inoltre che il loro metodo misura solo un tipo di incertezza: l'incertezza su quali punti siano realmente sicuri. Non tiene conto degli errori nelle mappe stesse o dei cambiamenti meteorologici nel tempo. Ciononostante, lo studio dimostra che allontanarsi dal pensiero rigido, bianco o nero, verso un approccio probabilistico produce risultati migliori. In un mondo in cui il terreno è in costante movimento, un modello che può ammettere i propri dubbi è molto più utile di uno che è con decisione errato. Le nuove mappe del nord del Marocco offrono una guida più chiara e onesta per proteggere le comunità che vivono sul bordo del pendio.