Un modello svizzero di IA “ascolta” la montagna per rilevare le valanghe

Oggi, grazie all’intelligenza artificiale, è possibile individuare con elevata precisione la maggior parte delle valanghe in corso. SLF

Le montagne non sono silenziose. Vibrano, scricchiolano e si muovono. Oggi gli algoritmi stanno imparando ad “ascoltarle”. Ricercatrici e ricercatori svizzeri stanno sperimentando l’uso dell’intelligenza artificiale per analizzare i segnali sismici e individuare precocemente le valanghe, con l’obiettivo di prevenire incidenti.

Il pericolo di valanghe è attualmente al livello massimo in diverse regioni della Svizzera. La neve fresca si accumula su strati deboli del manto nevoso, dalla consistenza “zuccherosa”, formatisi durante lunghi periodi di freddi e secchi. I forti venti creano accumuli irregolari e basta anche solo il peso di uno sciatore o un’ulteriore nevicata per provocare una frattura e innescare il crollo d’intere porzioni di montagna.

Questo processo non avviene in maniera silenziosa. “Quando una valanga è in movimento, produce onde sonore e vibrazioni del terreno con specifiche caratteristiche in termini di durata e frequenza”, dice Cristina Pérez, ricercatrice dell’Istituto WSL per lo studio della neve e delle valanghe SLFCollegamento esterno.

In passato, i metodi progettati per rilevare questi segnali sismici generavano numerosi falsi allarmi. Oggi, grazie all’intelligenza artificiale (IA), Pérez e il suo gruppo di ricerca riescono a individuare con elevata precisione la maggior parte delle valanghe in corso.

In futuro, il loro rilevamento precoce con l’aiuto dell’IA potrebbe consentire alle autorità di evacuare località e chiudere preventivamente strade e linee ferroviarie, prevenendo incidenti potenzialmente mortali.

Più del 90% dei segnali delle valanghe rilevati con l’IA

Prima dell’introduzione dell’intelligenza artificiale, per Pérez e i suoi colleghi era difficile intercettare automaticamente i segnali di una slavina. I sistemi di rilevamento, basati su sensori sismici installati nel terreno, attivavano un preallarme ogni volta che le vibrazioni superavano una determinata soglia.

Il problema, spiega Pérez, è che molti segnali diversi possono superare questa soglia ed essere confusi con una valanga, come le vibrazioni provocate dal passaggio di un’auto o da un terremoto. “Prima dell’IA, molte altre fonti sonore facevano scattare l’allarme, anche quando non c’erano valanghe in corso”, afferma Pérez.

Andri Simeon e Cristina Pérez installano sensori sismici e infrasonici per rilevare le valanghe nel sito di prova della valle della Sionne. Johannes Aichele – SLF

L’IA ha ridotto significativamente i falsi allarmi. Oggi il sistema è in grado di rilevare automaticamente oltre il 90% delle valanghe. Cristina Pérez e il dottorando dell’SLF Andri Simeon hanno sviluppato un modello di IA capace di riconoscere in tempo reale e apprendere gli schemi dei segnali sismici delle slavine.

Simeon spiega che funziona in modo simile ai modelli linguistici di grandi dimensioni (LLM), come quelli che alimentano chatbot quali ChatGPT. Ma invece di colmare lacune nei testi, il modello di Simeon, spiega, viene addestrato a ricostruire parti mancanti dei segnali sismici e a identificare la “firma sismica” di una valanga, distinguendola da quella di un elicottero o del traffico stradale.

Vent’anni di dati sismici sulle valanghe

Uno dei principali vantaggi del modello sviluppato dall’SLF è che viene addestrato sui dati sismici delle valanghe raccolti dall’istituto fin dal 1999. Secondo Pérez, si tratta di una situazione relativamente unica a livello mondiale.

Dieci anni fa lavorava come dottoranda di ricerca all’Università di Barcellona, che aveva già collaborazioni in corso con l’SLF. “Abbiamo a disposizione oltre vent’anni di rilevazioni sismiche, uno dei set di dati temporali sulle valanghe più lunghi al mondo”, spiega la ricercatrice.

Oltre a questi preziosi dati storici, Pérez può contare sull’esperienza dell’istituto nell’utilizzo dell’IA per la previsione del pericolo valanghe a livello regionale. Modelli predittivi altamente specializzati stimano la probabilità di distacco delle slavine e le loro dimensioni combinando previsioni meteorologiche e simulazioni della stratificazione del manto nevoso. Il risultato è una previsione del livello di pericoloCollegamento esterno su una scala da 1 a 5, dove 5 indica il grado massimo.

“Fino a cinque o sei anni fa, esperti umani analizzavano misurazioni meteorologiche, osservazioni sul terreno e risultati dei modelli del manto nevoso. Con l’aumentare del volume e della complessità dei dati, è diventato sempre più difficile integrare tutto in una previsione coerente”, afferma Frank Techel, scienziato dell’SLF ed esperto di previsione delle valanghe con oltre 15 anni di esperienza nella redazione del bollettino nazionale svizzero.

>> Le valanghe non hanno sempre e solo un effetto distruttivo:

“Continuo a esaminare i dati personalmente”: i limiti dei modelli di IA

Anche se l’IA ha aiutato gli esperti e le esperte in Svizzera a dare senso a grandi e complesse quantità di dati, non è infallibile. Techel sottolinea che il controllo umano resta indispensabile, poiché l’IA può talvolta produrre risultati errati. Ciò accade soprattutto quando il pericolo di valanghe è ai livelli più elevati: le condizioni estreme sono rare e quindi meno rappresentate nei dati storici.

“Continuo a esaminare personalmente i dati e a formulare una previsione. Poi utilizzo i modelli per verificare le mie ipotesi”, afferma Techel.

Cristina Pérez ammette che anche il suo modello presenta dei limiti. Ad esempio, le valanghe di piccole dimensioni producono segnali simili al rumore di fondo, rendendone difficile l’individuazione da parte delle macchine. “Stiamo ancora lavorando per massimizzare i tassi di rilevamento e ridurre al contempo i falsi allarmi”, dice.

Anche studi internazionali mostrano che i modelli di IA hanno difficoltà a rilevare eventi rariCollegamento esterno e schemi di segnali complessiCollegamento esterno, spesso a causa della scarsità di dati di addestramento o d’interpretazioni errate di situazioni non relative a valanghe.

Ciononostante, Pérez ritiene che nel giro di pochi anni questi modelli potrebbero diventare sufficientemente affidabili da poter essere impiegati in aree abitate e in zone ad alto rischio. Nel frattempo, gruppi di ricerca del WSL hanno sviluppato approcci simili anche per monitorare grandi frane, come quelle che hanno colpito i villaggi di Blatten e Brienz.

In futuro, dunque, grazie all’AI i ricercatori e le ricercatrici potrebbero essere in grado di rilevare automaticamente sia le valanghe che le frane.

“Il nostro sogno è che questi modelli possano essere utilizzati in tempo reale per contribuire a mettere in sicurezza strade, linee ferroviarie e villaggi”, conclude Pérez.

A cura di Reto von Wartburg