Integrated debris-flow susceptibility assessment along the Karakoram highway using statistical, multi- criteria, and explainable machine-learning models

Nelle alte e aspre montagne, dove la terra è in costante movimento e il tempo può trasformarsi in violento in un istante, un tipo specifico di disastro rappresenta una minaccia incessante per la vita e le infrastrutture. Si tratta del colata di detriti (debris flow), un fiume rapido e turbolento di fango, rocce e acqua che scende lungo i pendii ripidi con forza devastante. A differenza di una semplice frana che potrebbe fermarsi dopo poche centinaia di metri, una colata di detriti può percorrere chilometri, trascinando con sé tutto ciò che incontra sul suo cammino e seppellendo strade, ponti e villaggi sotto tonnellate di detriti. Questi eventi sono particolarmente pericolosi in regioni dove lo sviluppo umano, come la costruzione di strade, incide pendii instabili, o dove il cambiamento climatico porta piogge più intense e uno scioglimento più rapido delle nevi. Comprendere dove questi flussi siano più probabili non è solo un esercizio accademico; è una questione di sopravvivenza per le comunità e per le vitali rotte commerciali che si snodano attraverso questi paesaggi impervi.

Da tempo i ricercatori cercano di prevedere questi disastri utilizzando diversi strumenti. Alcuni si affidano al giudizio degli esperti, in cui i geologi osservano una mappa e decidono quali aree appaiano pericolose in base alla loro esperienza. Altri utilizzano metodi statistici che contano quanto spesso si sono verificati disastri passati in determinati tipi di terreno. Più recentemente, gli scienziati hanno iniziato a utilizzare programmi informatici avanzati, noti come apprendimento automatico (machine learning), che possono apprendere da enormi quantità di dati per trovare schemi complessi che gli esseri umani potrebbero perdere. Tuttavia, questi modelli informatici agiscono spesso come una "scatola nera" (black box), facendo previsioni senza spiegare chiaramente perché siano giunti a una determinata conclusione. Un nuovo studio focalizzato sull'Autostrada del Karakorum, una strada critica di 1.200 chilometri che collega la Cina e il Pakistan attraverso alcuni dei terreni più geologicamente attivi della Terra, ha cercato di confrontare questi diversi approcci. Il team voleva vedere quale metodo funzionasse meglio e, soprattutto, voleva usare tecniche moderne per "aprire la scatola nera" e capire esattamente quali fattori guidino queste letali colate.

L'Autostrada del Karakorum è una linea vitale per la regione, ma è anche un luogo di estremo pericolo. La strada si snoda attraverso una zona in cui tre grandi catene montuose collidono, creando scogliere ripide, valli profonde e un paesaggio che viene costantemente rimodellato da terremoti ed erosione. L'autostrada ha una storia di interruzioni causate da colate di detriti, che talvolta hanno bloccato il commercio e intrappolato i viaggiatori per settimane. Per comprendere il rischio, il team di ricerca, guidato da scienziati provenienti da università della Cina, del Pakistan e dell'Arabia Saudita, ha compilato un registro dettagliato di 104 eventi passati di colate di detriti lungo l'autostrada. Hanno verificato 62 di questi siti attraverso visite sul campo e hanno identificato i restanti 42 utilizzando immagini satellitari ad alta risoluzione, creando una mappa affidabile di dove questi disastri hanno colpito in passato.

Con questo inventario in mano, i ricercatori hanno testato cinque metodi diversi per prevedere dove potrebbero verificarsi future colate di detriti. Hanno confrontato due metodi tradizionali che si basano sull'opinione degli esperti e su regole statistiche con tre modelli informatici avanzati. I metodi tradizionali includevano un processo in cui gli esperti classificano l'importanza di diversi fattori, come la pendenza del pendio o la pioggia, e un altro che osserva la semplice relazione tra eventi passati e specifiche caratteristiche del terreno. I modelli informatici includevano due potenti algoritmi di machine learning, Random Forest e XGBoost, progettati per trovare connessioni complesse e non lineari nei dati che i metodi più semplici potrebbero trascurare. Il team ha fornito a tutti questi modelli tredici informazioni diverse sul paesaggio, tra cui elevazione, pendenza, distanza dalle strade, tipo di suolo, pioggia e quantità di neve e copertura vegetale.

I risultati hanno mostrato un vincitore chiaro in termini di accuratezza. I modelli di machine learning hanno superato significativamente i metodi tradizionali. Il modello Random Forest si è dimostrato il più accurato nel distinguere tra aree sicure e pericolose, identificando correttamente le località delle passate colate di detriti con un alto grado di affidabilità. Il modello XGBoost è seguito da vicino, mostrando anch'esso una prestazione superiore rispetto agli approcci basati su esperti e statistici. I metodi tradizionali, pur essendo utili, tendevano o a sovrastimare il pericolo in alcune aree o a mancare i punti specifici e localizzati dove le colate hanno più probabilità di iniziare. I modelli informatici sono stati più bravi a riconoscere che il rischio non è distribuito uniformemente nel paesaggio, ma è concentrato in zone specifiche ad alto rischio, dove i pendii ripidi incontrano canali d'acqua attivi e infrastrutture umane.

Forse il contributo più prezioso di questo studio non è stato solo trovare il miglior modello, ma spiegare come funziona. Poiché i modelli di machine learning sono spesso difficili da interpretare, i ricercatori hanno utilizzato una tecnica chiamata SHAP, che agisce come un riflettore per mostrare esattamente quanto ogni fattore abbia influenzato la decisione del computer. Hanno scoperto che i driver più critici delle colate di detriti non erano un elemento singolo, ma una combinazione di fattori che lavorano insieme. La quantità di acqua che si accumula nel suolo, la pendenza del pendio e la vicinanza ai corsi d'acqua sono stati i principali contributori. Tuttavia, lo studio ha rivelato un'interazione cruciale: la presenza di strade ha aumentato significativamente il rischio. Quando le strade tagliano terreni ripidi, interrompono il drenaggio naturale e destabilizzano il suolo, rendendo i pendii molto più propensi al cedimento quando si verificano forti piogge o lo scioglimento delle nevi. I modelli informatici hanno mostrato che le aree a più alto rischio sono quelle in cui queste condizioni naturali — pendii ripidi e concentrazione d'acqua — incontrano il disturbo umano.

Lo studio ha inoltre evidenziato il ruolo specifico del clima e della geologia in questa regione. L'area è soggetta a intense piogge stagionali e rapido scioglimento delle nevi, che forniscono l'acqua necessaria per trasformare il terreno sciolto in un fiume di detriti in movimento. Il terreno stesso è fratturato da grandi faglie, rendendo la roccia e il suolo intrinsecamente instabili. Quando l'acqua penetra in queste crepe e gela, si espande e rompe ulteriormente la roccia, creando una fornitura di materiale sciolto che può essere facilmente trascinato via. I ricercatori hanno scoperto che i modelli di machine learning sono riusciti a catturare queste complesse interazioni, identificando che il pericolo è massimo nelle valli strette e alle foci dei torrenti dove l'acqua e i detriti convergono.

Le mappe prodotte dallo studio offrono uno strumento pratico per la gestione del rischio lungo l'Autostrada del Karakorum. Individuando le aree con la più alta probabilità di colate di detriti, ingegneri e pianificatori possono concentrare i loro sforzi dove sono più necessari. Invece di cercare di rinforzare l'intera strada, le risorse possono essere dirette verso specifici "punti di strozzatura", come ponti e condotti, dove la strada è più vulnerabile a essere bloccata o distrutta. Lo studio suggerisce che il potenziamento dei sistemi di drenaggio, la costruzione di barriere protettive e il rinforzo dei pendoli tagliati in queste zone ad alto rischio potrebbe migliorare significativamente la resilienza dell'autostrada. Inoltre, la capacità di prevedere questi eventi con maggiore accuratezza significa che i sistemi di allerta precoce possono essere calibrati meglio, dando ai viaggiatori e alle comunità locali più tempo per reagire prima che un disastro colpisca.

Questa ricerca sottolinea un cambiamento nel modo in cui affrontiamo i rischi naturali in ambienti complessi. Sebbene la conoscenza esperta e la statistica di base abbiano il loro posto, la capacità del machine learning di elaborare enormi quantità di dati e rivelare schemi nascosti offre un modo più preciso per comprendere il rischio. Lo studio conferma che l'Autostrada del Karakorum è un corridoio di alta vulnerabilità, ma fornisce anche una chiara via da seguire. Comprendendo la specifica combinazione di terreno ripido, flusso d'acqua e attività umana che innesca questi disastri, è possibile costruire un'infrastruttura più sicura e resiliente, capace di resistere alle potenti forze della natura. I risultati servono da modello non solo per questa fondamentale rotta commerciale, ma anche per altre regioni montuose in tutto il mondo dove esistono sfide simili.