Nelle Azzorre, piogge prolungate e intense possono innescare frane, mettendo a rischio persone, abitazioni e infrastrutture.
Il caso di studio originale di SOILRISK mirava a una sfida pratica: individuare dove potrebbe verificarsi una frana nei giorni successivi, con un dettaglio spaziale sufficiente a supportare la preparazione e la pianificazione delle emergenze.
La ricerca ha riunito informazioni sul terreno e sulle condizioni ambientali in evoluzione. L’obiettivo era passare dalla comprensione dei pendii suscettibili alla comprensione di come il rischio può svilupparsi nel tempo.
02 / L’approccio
Molti fattori. Un’unica visione connessa.
Un algoritmo proprietario di allerta precoce, basato sull’apprendimento automatico.
L’approccio originale di SOILRISK descrive più di 20 fattori predisponenti. Copertura del suolo, geologia, vegetazione, umidità del suolo, vento, precipitazioni e movimenti del terreno contribuiscono a diversi elementi del quadro.
Combinando questi fattori, il modello può considerare sia le caratteristiche di un pendio sia le condizioni che cambiano intorno a esso.
03 / Le informazioni alla base
Dai satelliti alle condizioni locali.
Quattro fonti di dati descritte nella panoramica tecnica originale.
01 / Deformazione del terreno
Seguire il movimento dei pendii.
L’interferometria radar satellitare (InSAR) aiuta a individuare i movimenti della superficie del terreno. Queste osservazioni aggiungono informazioni su come l’attività dei pendii cambia nello spazio e nel tempo e possono aiutare a individuare instabilità isolate.
02 / Vegetazione
Comprendere ciò che ricopre il terreno.
Vegetazione, caratteristiche del suolo e pendenza aiutano a individuare le aree suscettibili. La ricerca utilizzava immagini Sentinel-2 per ricavare l’NDVI, un indice delle condizioni della vegetazione.
03 / Umidità del suolo
Monitorare i cambiamenti nell’umidità.
Il metodo originale utilizzava dati radar Sentinel-1 e il rilevamento dei cambiamenti per stimare l’umidità del suolo. Le mappe di copertura del suolo servivano a mascherare le aree in cui tali stime erano meno affidabili.
04 / Meteo
Integrare le condizioni in continuo cambiamento.
Precipitazioni e vento alimentano l’algoritmo come variabili dinamiche. Dove disponibili, le osservazioni orarie delle stazioni meteorologiche locali forniscono contesto insieme ai servizi di previsione meteo.
04 / Dalla ricerca all’app
Una base regionale. Una prospettiva più ampia.
Il lavoro nelle Azzorre fa parte della base scientifica dei modelli proprietari SOILRISK di Eyecon.
L’app riunisce i modelli regionali SOILRISK, le informazioni globali LHASA, il meteo e le misurazioni locali compatibili. Ogni fonte ha una propria copertura, risoluzione e un proprio orizzonte di previsione.
Verifica nell’app il modello e le informazioni disponibili per la tua posizione. La ricerca regionale descritta qui non va interpretata come una specifica valida in tutto il mondo.