Dynamic mapping of flood susceptibility and exposure associated with the El Niño phenomenon using machine learning and geospatial modeling in Trujillo, Peru

Le inondazioni sono tra le forze più potenti e distruttive della natura, capaci di rimodellare i paesaggi e sconvolgere vite in poche ore. Per le comunità che vivono in zone pianeggianti o vicino alle valli fluviali, la minaccia è costante, ma il pericolo non è uniforme sul territorio. Alcuni punti sono naturalmente inclini a trattenere l'acqua, mentre altri rimangono asciutti anche durante i forti temporali. Tradizionalmente, gli scienziati hanno mappato questi rischi utilizzando immagini statiche che mostrano quali aree siano generalmente vulnerabili in base alla loro forma, altezza e suolo. Tuttavia, queste mappe spesso non riescono a catturare una realtà cruciale: il rischio cambia quando cambia il tempo. Un pendio che è sicuro durante un leggero spruzzare di pioggia può trasformarsi in un torrente durante una settimana di piogge intense, e una pianura potrebbe allagarsi solo se la pioggia è abbastanza intensa da sopraffare il terreno. Comprendere dove si trovano le persone e gli edifici in relazione a questi rischi mutevoli è essenziale per mantenere al sicuro le comunità, eppure la maggior parte delle mappe esistenti non si aggiorna autonomamente al variare del tempo.

Nella provincia costiera arida di Trujillo, in Perù, questa sfida è particolarmente acuta. La regione è generalmente arida, ma viene periodicamente colpita da intensi eventi piovosi legati al fenomeno di El Niño, un modello climatico che riscalda l'Oceano Pacifico e altera il tempo in tutto il mondo. Questi rari temporali possono trasformare i letti di torrenti secchi in fiumi impetuosi, allagando i quartieri urbani e danneggiando le infrastrutture. Ricercatori dell'Università Nazionale di Trujillo e dell'Università Nazionale dell'Altiplano hanno intrapreso un percorso per risolvere il problema della mappatura statica, creando un nuovo modo per tracciare il rischio di inondazione che cambi con il meteo. Volevano costruire un sistema che potesse non solo identificare quali parti della città siano naturalmente vulnerabili, ma anche aggiornare quel rischio in tempo reale man mano che cade nuova pioggia, mostrando simultaneamente esattamente dove si trovano le persone e gli edifici all'interno di quelle zone di pericolo.

Per raggiungere questo obiettivo, il team è tornato ai tre grandi eventi di inondazione che hanno colpito Trujillo nel 2017, 2023 e 2025. Invece di affidarsi alle telecamere tradizionali che non possono vedere attraverso le nuvole, hanno utilizzato immagini radar dai satelliti che possono scansionare il terreno giorno e notte, indipendentemente dal tempo. Confrontando le immagini scattate prima e dopo ogni tempesta, sono stati in grado di tracciare l'esatta impronta dell'acqua mentre si diffondeva sul territorio. Hanno combinato questi dati storici con informazioni dettagliate sul terreno, come la pendenza del suolo, l'altezza del terreno e la posizione dei canali di drenaggio, oltre a dati geologici su rocce e suolo. Hanno inoltre inserito i dati relativi alla pioggia stessa, scomponendo i temporali in diverse durate per vedere come i brevi e intensi scrosci di pioggia si confrontassero con i rovesci più lunghi e costanti.

I ricercatori hanno poi utilizzato un tipo di apprendimento informatico chiamato machine learning per trovare i modelli che collegano il paesaggio e il meteo alle inondazioni reali. Hanno testato diversi modelli informatici per vedere quale potesse prevedere meglio dove andrebbe l'acqua. Un modello, noto come Random Forest, si è rivelato il più accurato. Ha imparato a riconoscere che determinate combinazioni di fattori — come una specifica direzione verso cui il terreno è rivolto, la pendenza di un pendio e la quantità di pioggia — erano forti indicatori di inondazione. Questo modello non si è limitato a memorizzare gli eventi passati; ha imparato le regole sottostanti di come l'acqua si muove attraverso il paesaggio di Trujillo. L'analisi ha rivelato che la direzione verso cui il terreno è rivolto, la quantità di pioggia, l'elevazione e la pendenza erano i fattori più importanti nel determinare quali aree sarebbero state soggette a inondazioni.

Ciò che rende distinto questo studio è la sua capacità di andare oltre una singola mappa immutabile. Una volta che il computer ha appreso le regole dalle tempeste passate, i ricercatori hanno dimostrato che potevano aggiornare la mappa del rischio semplicemente inserendo nuovi dati di precipitazione, senza dover insegnare nuovamente tutto al computer. Ciò significa che se arriva una nuova tempesta, il sistema può generare istantaneamente una nuova mappa che mostra dove il rischio è più alto in quel momento. Lo hanno testato creando uno scenario per settembre 2026. In questa vista aggiornata, il rischio non era distribuito uniformemente; invece, una grande porzione del territorio mostrava un livello di rischio moderato, coprendo più della metà dell'area. Tuttavia, le aree con il rischio più elevato erano più piccole ma comunque significative, e si sovrapponevano a parti specifiche della città dove vive molta gente.

Lo studio ha anche portato una dimensione umana ai numeri, sovrapponendo i dati della popolazione e la densità degli edifici alle mappe delle inondazioni. Ciò ha permesso al team di vedere non solo dove potrebbe andare l'acqua, ma chi ne sarebbe stato colpito. Nell'evento del 2017, ad esempio, più della metà della popolazione esposta si trovava in aree di rischio alto o molto alto. Al contrario, nell'evento del 2025, la distribuzione è cambiata, con una quota maggiore di popolazione situata in aree di rischio moderato. Guardando l'aggiornamento dinamico per settembre 2026, i ricercatori hanno scoperto che, sebbene la zona di rischio moderato coprisse la maggior parte del territorio e la stragrande maggioranza della popolazione, le zone più piccole di alto rischio contenevano comunque quasi il 18 percento delle persone e quasi il 20 percento della superficie edificata. Questo evidenzia che anche una piccola area di alto rischio può essere critica se è densamente popolata da case e attività commerciali.

I ricercatori hanno concluso che il loro approccio offre uno strumento potente per i decisori. Combinando il radar satellitare, il machine learning e i dati meteorologici in tempo reale, hanno creato un sistema in grado di tracciare la suscettibilità alle inondazioni mentre questa evolve. Questa visione dinamica aiuta a identificare le aree prioritarie per la prevenzione e la risposta, allontanandosi dall'idea che il rischio di inondazione sia una caratteristica fissa del paesaggio. Sebbene lo studio si basi su simulazioni informatiche e dati storici piuttosto che su misurazioni idrauliche in tempo reale, fornisce un metodo robusto per comprendere come l'interazione tra il terreno e il meteo plasmi il pericolo per le comunità. Per una città come Trujillo, dove la minaccia di piogge improvvise e intense è una realtà ricorrente, avere una mappa capace di aggiornarsi da sola offre un percorso più chiaro verso la protezione di vite e proprietà.