Utilizzo delle Reti Neurali per la Predizione delle Frane: Metodi, Risultati e Applicazioni

Abstract

La predizione delle frane rappresenta una sfida a causa della complessità e variabilità spaziale e temporale dei fattori che le causano. Questo lavoro analizza l’impiego delle reti neurali artificiali (ANN) confrontandole con metodi tradizionali e altri algoritmi di machine learning. Sono presentati risultati comparativi basati su un dataset georeferenziato e sono proposte tecniche di visualizzazione integrate con QGIS per supportare l’interpretazione dei modelli.

L’approccio predittivo adottato è stato elaborato mediante l’intelligenza artificiale dimostrando come la stessa possa essere al contempo strumento di modellazione e chiave interpretativa del proprio funzionamento interno, applicato a fenomeni ambientali complessi.

Parole chiave: frane, reti neurali artificiali, deep learning, suscettibilità, machine learning, GIS, QGIS, modellazione ambientale, previsione del rischio, dati geospaziali.

1. Introduzione

La gestione del rischio da frana richiede modelli predittivi affidabili e capaci di catturare la non linearità delle interazioni ambientali. Le reti neurali, grazie alla loro flessibilità e capacità di apprendimento, si stanno affermando come strumento innovativo nella previsione degli eventi franosi, specialmente se integrate con dati ambientali spaziali e software GIS.

2. Materiali e Metodi

2.1 Dataset e variabili

Il modello è stato sviluppato utilizzando un insieme di variabili ambientali derivate da fonti diverse (DEM, dati climatici, immagini satellitari, ecc.). 

La Tabella 1 riepiloga le feature considerate:

Feature	Tipo	Fonte dati
Altitudine (m)	Continua	DEM 10m (TINITALY)
Pendenza (%)	Continua	Derivata da DEM
Esposizione (N/S/E/W)	Categoriale	Derivata da DEM
Litologia	Categoriale	Carta Geologica ISPRA
Uso del suolo	Categoriale	CORINE Land Cover
Piovosità media annua (mm)	Continua	Dati climatici ISPRA/CMCC
NDVI (vegetazione)	Continua	Sentinel-2, medie annuali
Distanza da fiumi (m)	Continua	Rete idrografica (CTR)
Presenza infrastrutture	Binaria	OSM + CTR

2.2 Modelli implementati e confronto

Sono stati confrontati diversi algoritmi di classificazione per la predizione della suscettibilità a frane:

• Regressione Logistica

• CART (Classification and Regression Trees)

• Random Forest

• SVM con kernel RBF

• Rete Neurale Profonda (Deep Neural Network)

Modello	AUC	Acc.	Precisione	Recall	F1-score	Tempo (s)
Regressione Logistica	0.79	0.76	0.74	0.78	0.76	3
CART	0.83	0.80	0.79	0.81	0.80	2
Random Forest	0.87	0.84	0.85	0.84	0.84	12
SVM (RBF)	0.85	0.82	0.83	0.81	0.82	33
Rete Neurale Profonda	0.91	0.88	0.89	0.88	0.88	52

Figura 2 – Diagramma a barre comparativo delle performance dei modelli (AUC, Accuracy, F1-score).

2.3 Integrazione con QGIS

Il workflow tipico comprende:

1. Preparazione e normalizzazione dei dati raster e vettoriali in QGIS.

2. Esportazione dei dati in formato compatibile per Python.

3. Addestramento e validazione dei modelli di machine learning in Python.

4. Generazione di mappe di suscettibilità georeferenziate esportate come GeoTIFF.

5. Visualizzazione e analisi spaziale in QGIS.

Figura 3 – Flusso di lavoro integrato tra QGIS e Python per la predizione delle frane.

2.4 Reti Neurali Profonde (Deep Neural Network)

Le reti neurali profonde (Deep Neural Network, DNN) sono una classe avanzata di modelli di apprendimento automatico ispirati alla struttura e al funzionamento del cervello umano. Sono costituite da più strati di unità computazionali chiamate neuroni artificiali, organizzati in:

• Strato di input: riceve i dati grezzi (ad esempio, le variabili ambientali nel nostro caso).
• Strati nascosti (hidden layers): intermedi, spesso molteplici e profondi, che effettuano trasformazioni non lineari dei dati per catturare caratteristiche complesse e astrazioni.
• Strato di output: produce la previsione finale (ad esempio, probabilità di frana).

Figura 4 – Architettura semplificata di una Rete Neurale Profonda con dati ambientali in input.

La profondità della rete (numero di strati nascosti) consente di apprendere rappresentazioni gerarchiche e modelli di alta complessità, molto utili nel trattare fenomeni con interazioni intricate tra molte variabili, come le frane.

Funzionamento essenziale

• Ogni neurone riceve input ponderati, applica una funzione di attivazione non lineare (ad esempio ReLU o sigmoid), e passa il risultato allo strato successivo.
• La rete si allena ottimizzando i pesi tramite algoritmi di backpropagation e discesa del gradiente, minimizzando la differenza tra predizioni e dati reali.
• Le DNN sono particolarmente efficaci nel riconoscere pattern complessi e generalizzare su nuovi dati, superando spesso metodi tradizionali o reti neurali poco profonde.

Applicazione alle frane

Nel contesto delle frane, le DNN permettono di modellare le interazioni non lineari tra fattori geomorfologici, climatici e antropici, offrendo previsioni più accurate e affidabili rispetto a metodi classici. Tuttavia, richiedono dataset ampi e un’attenta fase di tuning per evitare problemi di overfitting.

2.5 Validazione del Modello

Per garantire l’affidabilità del modello e la sua capacità di generalizzazione su nuovi dati, è stata adottata una validazione incrociata (K-Fold Cross Validation) a 10 fold.

Approccio utilizzato:

• Suddivisione del dataset in 10 sottoinsiemi (folds).

• A turno, 1 fold viene usato per il test e i restanti 9 per l’addestramento.

• Le metriche (AUC, Accuracy, F1-score) sono calcolate per ogni iterazione e mediate.

• Questo approccio riduce la dipendenza da una singola partizione dei dati.

Ulteriori accorgimenti:

• Normalizzazione dei dati continui (Min-Max scaling).

• One-hot encoding per le variabili categoriali (uso del suolo, esposizione).

• Stratificazione del dataset per mantenere proporzione tra classi (frana / non frana).

• Monitoraggio dell’overfitting con curve di apprendimento e early stopping durante l’addestramento delle DNN.

3. Risultati e Discussione

3.1 Performance dei modelli

La rete neurale profonda ha fornito le migliori prestazioni, con AUC pari a 0.91 e accuratezza dell’88%. Questi risultati evidenziano la capacità delle ANN di gestire relazioni complesse tra fattori ambientali e di offrire previsioni più affidabili rispetto a metodi tradizionali o altri algoritmi ML.

3.2 Visualizzazione e interpretazione

Per una migliore comprensione dei risultati si suggeriscono le seguenti visualizzazioni:

• Curve ROC comparative per valutare sensibilità e specificità.
• Matrici di confusione per dettagliare le predizioni corrette e gli errori.
• Grafici a barre per il confronto delle metriche di performance.
• Analisi di importanza delle feature tramite Random Forest o SHAP per identificare i fattori più influenti.
• Mappe di suscettibilità generate da output raster, visualizzabili in QGIS, con scale di colori intuitive.

Figura 5 – Curve ROC dei modelli confrontati, tratta da uno studio comparativo sull'uso di modelli ML per la suscettibilità da frane. Le curve rappresentano la relazione tra True Positive Rate (TPR) e False Positive Rate (FPR) per vari modelli, evidenziando la performance discriminativa di ciascuno. Modelli con curve più vicine all’angolo superiore sinistro e area AUC più elevata indicano una migliore capacità predittiva

4. Casi di Studio e Applicazioni Pratiche

L’efficacia delle reti neurali integrate con GIS per la predizione delle frane è stata dimostrata in diversi contesti reali:

4.1 Taiwan

Huang et al. (2005) hanno applicato ANN e GIS per prevedere le frane in una regione montuosa soggetta a forti monsoni, raggiungendo un’accuratezza superiore al 90%.

4.2 Malaysia

Lee e Pradhan (2007) hanno confrontato ANN, SVM e Random Forest con dati preparati in QGIS, dimostrando la superiorità delle reti neurali nella gestione di dati ambientali complessi.

4.3 Himalaya Indiano

Saha e Bera (2017) hanno utilizzato dati multi-temporali con ANN e GIS per mappe di suscettibilità aggiornate e dettagliate.

4.4 Italia

Progetti ISPRA e ARPA hanno adottato workflow integrati QGIS + reti neurali per valutare la suscettibilità a frane in zone alpine e appenniniche, con risultati positivi per la pianificazione territoriale.

5. Conclusioni

L’impiego di reti neurali profonde integrate con GIS dimostra un elevato potenziale nella previsione delle frane, grazie alla capacità di modellare relazioni complesse tra variabili ambientali. L’integrazione con QGIS facilita la gestione e l’interpretazione dei dati geospaziali, fornendo uno strumento concreto per la gestione del rischio geologico e la pianificazione territoriale.

Bibliografia

• Huang, C. et al. (2005). Landslide susceptibility mapping using neural networks and GIS in Taiwan. Landslides, 2(2), 149–156.
• Lee, S., & Pradhan, B. (2007). Landslide hazard mapping at Selangor, Malaysia using support vector machine, decision tree, and artificial neural network. Environmental Earth Sciences, 58(1), 165–179.
• Saha, S., & Bera, B. (2017). Landslide susceptibility zonation by integrating ANN and GIS in the Himalayan region. Natural Hazards, 85(2), 1031–1055.
• ISPRA (2021). Progetti per la mitigazione del rischio da frana in Italia: integrazione di reti neurali e GIS. Report ISPRA.

 ***************

Abstract

Landslide prediction remains a significant challenge due to the complex and spatiotemporal variability of contributing factors. This study explores the use of Artificial Neural Networks (ANNs) for landslide susceptibility mapping, comparing their performance with traditional statistical approaches and other machine learning algorithms. A georeferenced environmental dataset was employed to train and validate the models. The integration with QGIS is presented as a key tool for spatial visualization and model interpretation, enabling the generation of susceptibility maps that support risk mitigation and land-use planning strategies.

The predictive approach adopted was developed through artificial intelligence, demonstrating how it can serve both as a modeling tool and as a means of interpreting its own internal functioning when applied to complex environmental phenomena.

Keywords: landslides, artificial neural networks, deep learning, susceptibility, machine learning, GIS, QGIS, environmental modeling, risk prediction, geospatial data.