Le attività svolte sono mirate all'esplorazione dell'uso di modelli di deep learning, per prevedere eventi di inondazione in bacini idrografici a risposta rapido. L'obiettivo è quello di creare un sistema di allerta in grado di identificare gli eventi di piena con un preavviso di alcune ore, utilizzando dati ad alta frequenza provenienti da stazioni di controllo idrometriche e pluviometriche. I modelli di deep learning risultano efficaci anche in assenza di dati completi o precisi e possono essere applicati in contesti ambientali dove le informazioni geologiche sono scarse, offrendo un'alternativa ai modelli fisici tradizionali. Gli studi dimostrano che i modelli di deep learning sono stabili e possono essere utilizzati per migliorare la gestione del territorio, specialmente in situazioni di cambiamenti climatici significativi.

Gli studi si sono concentrati sul Fiume Arno, in Toscana per poi proseguire, grazie a una convenzione con il Consorzio di Bonifica Toscana Nord, a fiumi di carattere maggiormente torrentizio dell'area Apuo-Versiliese. Attualmente è stato rilasciato un software all'ente che permetta la messa in pratica dei modelli nella mitigazione del rischio idraulico.

Schema logico di funzionamento dei sistemi di allerta basati su deep learning

Grazie ad un finanziamento della Regione Toscana, progetto FENICE - "Mitigazione degli effetti degli emungimenti e dei cambiamenti climatici nelle pianure costiere con l'utilizzo di data science", è iniziata la sperimentazione di prodotti di artificial intelligence per la mitigazione del rischio idraulico nel Consorzio di Bonifica BassoValdarno e l'ottimizzazione degli emungimenti in termini di risorsa idrica ed energetica.

Un esempio di applicazione per la predizione del deflusso in canali di bonifica e l'ottimizzazione delle pompe idrovore

Prodotti scientifici

• Luppichini, M., Barsanti, M., Giannecchini, R., & Bini, M. (2022). Deep learning models to predict flood events in fast-flowing watersheds. Science of The Total Environment, 813, 151885. DOI