From Heuristic Models to GeoAI: A Scientometric and Thematic Evolution of Landslide Susceptibility Mapping Approaches

Le frane sono tra le forze più distruttive della Terra, capaci di inghiottire autostrade, seppellire villaggi e rimodellare i paesaggi in pochi istanti. Per decenni, gli scienziati hanno cercato di prevedere dove questi eventi siano più probabili, creando mappe che evidenziano le aree ad alto rischio. Queste mappe, note come mappe di suscettibilità alle frane, si basano sulla comprensione della relazione tra il terreno stesso e i fattori che ne innescano il movimento, come i pendii ripidi, le forti piogge e il tipo di roccia o suolo presente. Nei primi giorni di questo lavoro, gli esperti si affidavano pesantemente alla propria esperienza e al proprio giudizio per pesare questi fattori, tracciando conclusioni basate su ciò che sapevano del terreno. Con il tempo, tuttavia, gli strumenti a disposizione di questi ricercatori sono cambiati drasticamente. L'ascesa di potenti computer, immagini satellitari ad alta risoluzione e software avanzati ha permesso agli scienziati di andare oltre la semplice osservazione ed entrare nel regno della previsione basata sui dati, dove gli algoritmi possono elaborare enormi quantità di informazioni per trovare schemi invisibili all'occhio umano.

Uno studio recente condotto da ricercatori della Morgan State University e della Federal School of Surveying in Nigeria offre una visione completa di come questo campo si sia trasformato negli ultimi vent'anni. Il team non ha condotto un nuovo esperimento sul campo; ha invece eseguito una vasta revisione della letteratura scientifica esistente per tracciare l'evoluzione della previsione delle frane. Hanno raccolto 795 articoli di ricerca sottoposti a revisione paritaria (peer-reviewed) pubblicati tra il 2006 e il 2026 dalle principali banche dati scientifiche. Utilizzando software specializzati progettati per analizzare come i temi della ricerca si connettono e cambiano nel tempo, hanno mappato il percorso intellettuale del settore. Il loro obiettivo era capire non solo quali metodi venissero utilizzati, ma come l'intero approccio al problema si fosse spostato dall'intuizione umana all'intelligenza artificiale.

L'analisi rivela una transizione chiara e costante nel modo in cui gli scienziati approcciano la mappatura delle frane. Nel primo periodo, dal 2006 al 2012, la ricerca era dominata da quelli che gli autori chiamano modelli euristici. Si tratta di metodi in cui gli esperti assegnano pesi a diversi fattori in base alla loro conoscenza, utilizzando spesso semplici strumenti statistici per verificare il proprio lavoro. Durante questi anni, l'attenzione primaria era rivolta alla raccolta di migliori dati attraverso il telerilevamento, che consiste nell'utilizzare satelliti e velivoli per osservare la Terra dall'alto. Mentre la cronologia si spostava nel periodo compreso tra il 2013 e il 2018, l'attenzione si è orientata verso approcci più quantitativi. I ricercatori hanno iniziato a fare ampio affidamento sull'apprendimento automatico (machine learning), un tipo di informatica in cui gli algoritmi imparano dai dati per fare previsioni senza essere esplicitamente programmati per ogni specifica regola. Questa era ha visto un aumento nell'uso dei modelli digitali di elevazione, che sono rappresentazioni 3D dettagliate del terreno, permettendo una comprensione molto più precisa della pendenza e della stabilità.

Nel momento in cui i ricercatori hanno esaminato il periodo dal 2019 al 2022, il campo era entrato in una nuova fase caratterizzata dalla rapida adozione del deep learning (apprendimento profondo). Questo è una forma più avanzata di intelligenza artificiale che imita il modo in cui il cervello umano elabora le informazioni attraverso strati di nodi interconnessi. Lo studio ha rilevato che durante questi anni il numero di articoli pubblicati è esploso, con quasi il 90 percento di tutta la ricerca nel loro dataset apparsa dopo il 2018. I temi della letteratura si sono ampliati per includere complessi modelli d'insieme (ensemble models), che combinano le previsioni di molteplici algoritmi differenti per creare un risultato più robusto e accurato. I ricercatori hanno inoltre notato una crescente integrazione di tecnologie come il LiDAR, che utilizza impulsi laser per creare mappe incredibilmente dettagliate della superficie terrestre, e l'InSAR, una tecnica che utilizza il radar per rilevare minimi movimenti della superficie terrestre prima che avvenga una frana.

Nel periodo più recente, dal 2023 al 2026, lo studio identifica un panorama maturo in cui l'attenzione si è spostata verso il rendere questi potenti sistemi di intelligenza artificiale comprensibili e affidabili. Sebbene l'obiettivo centrale della previsione delle frane rimanga lo stesso, i metodi sono diventati altamente specializzati. I ricercatori hanno scoperto che gli scienziati lavorano ora sull'intelligenza artificiale spiegabile (explainable AI), un campo dedicato ad aprire la "scatola nera" dei complessi algoritmi affinché gli esseri umani possano capire perché un modello abbia formulato una specifica previsione. Ciò è fondamentale per i decisori che devono fidarsi delle mappe prima di poterle utilizzare per pianificare strade o evacuare comunità. Lo studio evidenzia anche una crescente enfasi sulle infrastrutture, con una maggiore ricerca dedicata alla protezione di autostrade e aree urbane, riflettendo il crescente valore di questi sistemi in un mondo in cui il cambiamento climatico e l'urbanizzazione rendono le frane più frequenti e pericolose.

La revisione ha anche svelato il lato umano di questo progresso scientifico. I ricercatori hanno mappato la rete globale di collaborazione e hanno scoperto che il lavoro è fortemente concentrato in Asia, in particolare in Cina, che ha prodotto il maggior numero di studi. India, Vietnam e Stati Uniti sono emersi come importanti centri di attività. L'analisi ha mostrato che questi ricercatori non lavorano isolati; al contrario, formano fitte reti di collaborazione, con team in diversi paesi che lavorano insieme per condividere dati e perfezionare i propri modelli. Questo sforzo internazionale è stato essenziale per far progredire il campo, consentendo il test di nuovi metodi in diversi paesaggi e condizioni geologiche.

Nonostante questi significativi progressi, lo studio sottolinea che rimangono delle sfide. I ricercatori osservano che, sebbene i modelli stiano diventando più accurati, essi incontrano ancora problemi con l'incertezza. Spesso è difficile sapere esattamente come un modello si comporterà in un nuovo luogo che non ha mai visto prima, un problema noto come trasferibilità. Ci sono anche preoccupazioni riguardo alla qualità dei dati utilizzati per addestrare questi sistemi; se i record delle frane passate sono incompleti o inaccurati, le previsioni ne risentiranno. Inoltre, la complessità dei nuovi modelli di intelligenza artificiale può renderli difficili da interpretare, sollevando questioni su come garantire che prendano decisioni basate su solidi principi geologici piuttosto che su semplici coincidenze statistiche.

In definitiva, questa revisione funge da tabella di marcia per il futuro della scienza delle frane. Conferma che il campo si è evoluto ben oltre le semplici mappe basate sull'esperienza del passato, trasformandosi in una disciplina sofisticata guidata dai big data e dall'intelligenza artificiale. Gli autori suggeriscono che la prossima frontiera risiede nella creazione di sistemi che siano non solo potenti, ma anche trasparenti e capaci di operare in tempo reale. Combinando le ultime tecnologie geospaziali con l'informatica avanzata, gli scienziati mirano a costruire un futuro in cui le comunità possano essere avvertite di imminenti frane con maggiore precisione e affidabilità, invertendo la rotta contro uno degli eventi più imprevedibili della natura.