Evaluating disaster triggers and spatial susceptibility of retrogressive thawing slumps in permafrost regions Hoh Xil, Qinghai-Tibet Plateau

Sulle alte e ventose pianure dell'altopiano del Qinghai-Tibet, il suolo non è solo terra e roccia; è un archivio congelato. Per migliaia di anni, gran parte di questo paesaggio è rimasta intrappolata in uno stato di freddo permanente, una condizione che gli scienziati chiamano permafrost. Questa terra ghiacciata funge da fondazione solida per i vasti ecosistemi della regione e per le sue infrastrutture critiche, inclusi la ferrovia e l'autostrada più alte del mondo. Tuttavia, con il riscaldamento del clima globale, questa fondazione ghiacciata sta iniziando ad ammorbidirsi. Quando il ghiaccio all'interno del suolo si scioglie, il terreno perde la sua forza e può collassare improvvisamente. Una delle forme più drammatiche e distruttive di questo collasso è il cedimento per scongelamento retrogressivo (retrogressive thaw slump). Questi non sono semplici cedimenti del terreno; sono cicatrici attive e in ritirata sul paesaggio, dove una parete ripida di terreno ricco di ghiaccio cede, franando all'indietro e lasciando dietro di sé un cumulo caotico di fango e detriti. Man mano che questi cedimenti crescono, minacciano di inghiottire strade, ferrovie e il delicato ambiente alpino, rendendo vitale comprendere dove sia probabile che appaiano successivamente.

In uno studio recente focalizzato sulla regione di Hoh Xil, una parte remota e impervia dell'altopiano, i ricercatori si sono posti l'obiettivo di mappare le future zone di pericolo di queste frane da scongelamento. La sfida era immensa. Il paesaggio è vasto, i dati sono complessi e i fattori che innescano un cedimento sono profondamente intrecciati. Un cedimento non avviene per una singola causa; è il risultato di una specifica combinazione di calore, acqua, tipo di suolo e forma del terreno. Per districare questa rete, il team ha sviluppato un nuovo modo di guardare al problema, andando oltre le semplici osservazioni verso un'analisi digitale sofisticata che imita il modo in cui il cervello umano riconosce gli schemi.

I ricercatori hanno iniziato raccogliendo una quantità massiccia di informazioni sulla regione di Hoh Xil. Hanno esaminato la temperatura dell'aria, la quantità di pioggia che cade, la pendenza dei pendii e il tipo di suolo sotto la superficie. Hanno anche esaminato la quantità di ghiaccio nascosta nel terreno e la densità della vegetazione che lo ricopre. Utilizzando immagini satellitari e rilievi sul campo, hanno compilato un registro dettagliato di 1.825 cedimenti esistenti nell'area. Questo inventario ha servito come verità a terra, una mappa di dove il danno è già avvenuto. L'obiettivo era insegnare a un computer a riconoscere la specifica ricetta ambientale che porta a un cedimento, in modo che potesse prevedere dove si sarebbero formati i prossimi.

Per dare un senso a questa montagna di dati, il team ha dovuto prima filtrare il rumore. Hanno utilizzato un metodo statistico per identificare quali fattori stessero realmente guidando i cedimenti e quali fossero solo chiacchiere di sottofondo. Hanno scoperto che i trigger più potenti erano legati all'acqua e al calore. Specificamente, gli eventi di precipitazioni estreme e l'intenso ciclo di gelo e disgelo durante l'estate sono stati i motori primari. Queste condizioni saturano il suolo e indeboliscono i legami congelati che tengono insieme il terreno. Sebbene la forma del terreno e il tipo di suolo fossero importanti, essi hanno svolto un ruolo di supporto rispetto all'influenza travolgente delle condizioni idrotermiche. Lo studio ha confermato che le aree con alto contenuto di ghiaccio e suoli a grana fine, che trattengono l'acqua come una spugna, erano particolarmente vulnerabili quando il tempo diventava caldo e umido.

Il nucleo dello studio consisteva nell'addestrare un sistema informatico a imparare da questi schemi. I ricercatori si sono scontrati con un problema comune in questo tipo di ricerca: è facile trovare esempi di dove sono avvenuti i cedimenti, ma è difficile trovare esempi affidabili di dove non sono avvenuti. Se un computer viene mostrato solo dove risiede il pericolo, potrebbe ipotizzare che il mondo intero sia pericoloso. Per risolvere questo, il team ha creato una strategia di campionamento intelligente. Hanno utilizzato una tecnica di clustering per trovare aree che avessero esattamente lo stesso aspetto delle zone di cedimento in termini di ambiente, ma che fossero rimaste stabili. Selezionando attentamente questi punti "sicuri", si sono assicurati che il computer imparasse la differenza tra una potenziale zona di disastro e un pendio stabile, piuttosto che limitarsi a memorizzare posizioni casuali.

Una volta preparati i dati, il team ha testato diversi modelli di apprendimento informatico. Hanno provato algoritmi standard, ma hanno scoperto che un tipo specifico di sistema di deep learning, noto come rete neurale convoluzionale, era molto più superiore nel comprendere il paesaggio. Questo sistema è progettato per analizzare i dati nel modo in cui un essere umano guarda una fotografia, riconoscendo le relazioni spaziali tra le caratteristiche. Poteva vedere come un pendio ripido, una chiazza di terreno umido e una calda giornata estiva si unissero per creare un rischio. I ricercatori hanno poi combinato questo potente strumento di riconoscimento di pattern con un approccio di apprendimento ensemble. Questa tecnica funziona come una commissione di esperti: invece di fare affidamento su un singolo modello, hanno combinato le previsioni di molti modelli diversi, lasciando che votassero sulla risposta finale. Questo metodo ha ridotto gli errori e ha reso le previsioni molto più affidabili.

Il risultato è stato una mappa di suscettibilità altamente accurata per la regione di Hoh Xil. La mappa ha rivelato che le aree di rischio più elevato non sono sparse casualmente, ma sono concentrate in specifiche zone di transizione dove il terreno cambia da pendii ripidi a valli, e in aree con intensa attività di termocarsismo. Il modello più efficace, che combinava l'estrazione di caratteristiche tramite deep learning con la strategia di campionamento intelligente, ha raggiunto un tasso di accuratezza che ha superato di gran lunga i metodi precedenti. Ha identificato correttamente la stragrande maggioranza dei cedimenti noti evitando falsi allarmi nelle aree stabili. La mappa ha mostrato che quasi 15.000 chilometri quadrati della regione rientrano nelle categorie di rischio alto o molto alto, con le zone più pericolose che costeggiano i corridoi delle principali rotte di trasporto.

Questo studio fa molto di più che disegnare una mappa; chiarisce il meccanismo del disastro. Conferma che, sebbene il terreno sia intrinsecamente instabile in queste regioni, il trigger finale è spesso un evento meteorologico specifico, come un forte temporale estivo che colpisce un pendio ricco di ghiaccio. La ricerca dimostra che utilizzando l'apprendimento informatico avanzato per analizzare le complesse interazioni tra clima, suolo e terreno, gli scienziati possono prevedere questi pericoli con un livello di precisione precedentemente impossibile. Questa capacità offre uno strumento potente per pianificatori e ingegneri. Sapendo esattamente dove il terreno è più propenso a cedere, possono rinforzare le infrastrutture, deviare le strade o monitorare aree specifiche prima che avvenga un collasso. In una regione in cui il clima sta cambiando più velocemente di quasi ogni altra parte della Terra, questo tipo di lungimiranza non è solo un esercizio accademico; è un passo necessario per proteggere le vite e i mezzi di sussistenza che dipendono dalla stabilità dell'altopiano ghiacciato.