Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

In molte parti del mondo, le città crescono più velocemente di quanto il terreno sottostante possa gestire. Quando cade una pioggia intensa su un paesaggio coperto di cemento e asfalto, l'acqua non può infiltrarsi nel terreno come faceva un tempo. Invece, scorre sulla superficie, accumulando velocità e volume finché non travolge strade e scantinati. Questa è l'essenza dell'alluvione urbana, una crisi che sta diventando più frequente poiché il cambiamento climatico porta tempeste più intense e la rapida costruzione sigilla il drenaggio naturale. Per proteggere persone e proprietà, i pianificatori urbani devono sapere esattamente dove l'acqua si accumulerà e quanto potrebbe diventare profonda. Per decenni, gli esperti si sono affidati a mappe e registri storici per ipotizzare questi rischi, ma un nuovo approccio sta cambiando le regole del gioco. Combinando occhi satellitari in grado di vedere attraverso le nuvole con potenti programmi informatici che imparano dai modelli, gli scienziati possono ora prevedere i rischi di inondazione con un livello di precisione che prima era impossibile. Questo passaggio permette alle comunità di passare dal reagire ai disastri al prevenirli.

Nella parte occidentale di Riyadh, in Arabia Saudita, un ricercatore ha applicato questo moderno kit di strumenti a una sfida specifica: il bacino di Wadi Hanifa. Questa valle, che attraversa i distretti occidentali e centrali della città, è un canale naturale per l'acqua che scorre dalle montagne vicine. Sebbene storicamente abbia sostenuto l'agricoltura e gli insediamenti, la rapida espansione di Riyadh ha trasformato gran parte di questa valle in un'area urbana densa. La crescita della città ha creato una situazione in cui le piogge intense, che sono rare ma violente, possono rapidamente trasformarsi in pericolose inondazioni improvvise. Il ricercatore si è posto l'obiettivo di creare una mappa dettagliata che mostrasse esattamente quali quartieri sono più probabili che vengano inondati. Non si è affidato a supposizioni o semplici regole empiriche. Inveve, ha costruito un modello digitale dell'intero bacino, alimentandolo con una vasta gamma di informazioni raccolte dallo spazio e dal suolo.

Il ricercatore ha raccolto dati da cinque diverse fonti per costruire un quadro completo del paesaggio. Ha utilizzato immagini satellitari per vedere i tipi di superfici che coprono il terreno, distinguendo tra vegetazione verde, suolo nudo e le superfici dure e impermeabili di edifici e strade. Ha estratto immagini radar che possono rilevare l'acqua anche quando il cielo è nuvoloso, assicurandosi di poter vedere l'effettiva estensione delle inondazioni passate. Ha inoltre incorporato una mappa 3D dettagliata del terreno per comprendere la pendenza e la forma del suolo, insieme a decenni di registri pluviometrici per vedere dove hanno colpito i temporali più intensi. Infine, ha mappato le reti stradali, che possono agire sia come barriere che come canali per l'acqua. Con tutte queste informazioni assemblate, si è rivolto a un algoritmo di machine learning, un tipo di programma informatico che impara per esempi. Ha mostrato al computer migliaia di esempi di aree che si erano allagate in passato e migliaoli di esempi di aree che erano rimaste asciutte. Il computer ha analizzato questi esempi per trovare i modelli nascosti che collegano il paesaggio all'acqua.

Il computer ha appreso che il rischio di inondazione in questa regione è guidato da alcuni fattori chiave. Il fattore più importante si è rivelato essere la densità della rete di drenaggio. Le aree con un'alta concentrazione di torrenti e canali sono più soggette a inondazioni perché l'acqua si concentra lì, specialmente durante le piogge intense. Il secondo fattore critico è il tipo di copertura del suolo. I quartieri con molti edifici e strade asfaltate, dove l'acqua non può infiltrarsi, affrontano un rischio molto più elevato rispetto alle aree con più suolo o vegetazione. L'intensità delle precipitazioni è stata il terzo driver principale, confermando che il volume d'acqua che cade in un breve periodo è una causa primaria del problema. Il computer ha anche appreso che la rugosità del terreno è importante; le aree più lisce e piatte permettono all'acqua di diffondersi e accumularsi, mentre il terreno più accidentato può rallentarla. Altri fattori, come la direzione della pendenza del terreno o la sua esatta elevazione, hanno giocato un ruolo, ma sono stati meno decisivi rispetto ai modelli di drenaggio e di uso del suolo.

Una volta che il computer aveva appreso questi modelli, li ha applicati all'intero bacino di Wadi Hanifa per prevedere i rischi di inondazione per ogni singolo punto della mappa. I risultati sono stati sorprendentemente accurati. Quando il ricercatore ha testato il modello rispetto ai dati del mondo reale, ha identificato correttamente le aree allagate il 90 percento delle volte. Il modello ha distinto con successo tra i luoghi che si sarebbero allagati e quelli che non lo avrebbero fatto, dimostrando che la combinazione di dati satellitari e machine learning può catturare la complessa realtà delle inondazioni urbane. La mappa risultante divide il bacino in cinque categorie di rischio, che vanno da molto basso a molto alto. L'analisi ha rivelato che circa il 6,1 percento del bacino è ad altissimo rischio, con un altro 14,2 percento che affronta un rischio elevato. Queste zone pericolose non sono sparse casualmente; si raggruppano in specifici quartieri densamente popolati.

La mappa ha identificato diverse comunità che richiedono attenzione immediata. Aree come Center Uraija, Uraija, Derab, Ukaz, Marwwah, Uraid, Twaeeq-Etaigah e Hejrat Wadi Leban sono state segnalate come aventi un'altissima suscettibilità alle inondazioni urbane. Questi quartieri si trovano in zone basse dove l'acqua si accumula naturalmente, e sono circondati da estese reti di strade e edifici che impediscono all'acqua di defluire. Lo studio evidenzia che questi non sono solo rischi teorici; le previsioni del modello si allineano con le posizioni reali dove si sono verificate le inondazioni. Ad esempio, quando si è verificato un evento alluvionale maggiore nell'aprile 2026, la stragrande maggioranza dei punti di inondazione osservati cadeva esattamente nelle zone che il modello aveva contrassegnato come ad alto o altissimo rischio. Questa validazione fornisce ai funzionari cittadini uno strumento potente per il processo decisionale. Possono ora vedere esattamente dove rinforzare i sistemi di drenaggio, dove limitare le nuove costruzioni e dove dare priorità ai piani di risposta alle emergenze.

Questa ricerca dimostra che il futuro della gestione delle inondazioni risiede nell'integrare la tecnologia avanzata con la conoscenza locale. Utilizzando il machine learning per analizzare l'interazione complessa tra pioggia, terreno e sviluppo umano, gli scienziati possono fornire intuizioni chiare e azionabili per proteggere le città in crescita. Lo studio non pretende di aver risolto il problema delle inondazioni per sempre, ma ha fornito un metodo affidabile per identificare i punti più vulnerabili. Per i residenti di Riyadh e di altre città in rapida urbanizzazione, questo significa passare dal sperare nel meglio al prepararsi al peggio con fiducia. La mappa serve come guida, mostrando dove andrà l'acqua affinché le persone possano costruire meglio, pianificare in modo più intelligente e restare al sicuro.