Vai al contenuto

  • Unipd.it
  • Dipartimenti
  • Biblioteche
  • Contatti
  • Scuola di Scienze
  • Moodle STEM
  • Webmail
  • Uniweb
  • SIT
  • Area Riservata

Università degli Studi di Padova

DIPARTIMENTO DI GEOSCIENZE

  • SCEGLI IL
    TUO PROFILO
  • SEARCH
  • Menu
  • ENG
CLOSE
  • Dipartimento

    • Salta al menu corsi
    • Direttore e Organi di Dipartimento
    • Commissioni di Dipartimento
    • Sede e Contatti
    • Organizzazione
    • Persone
    • Yearbook
    • Amministrazione trasparente
    • Sicurezza
  • Corsi

    • Salta al menu offertaformativaa.a.2023/24-discoverourcoursesa.y.2023/24
    • Corso di Laurea in Scienze Geologiche
    • Bachelor's Degree in Earth and Climate Dynamics (in English)
    • Corso di Laurea Magistrale in Geologia e Geologia Tecnica (disattivato)
    • Corso di Laurea Magistrale in Geologia Ambientale e Dinamica della Terra
    • Master's Degree - Geophysics for Natural Risks and Resources
    • Ph.D. Course - Geosciences
    • Master
    • Formazione degli insegnanti
    • Inclusione e disabilità
    • Seminari, Iniziative e Convegni
  • Offerta Formativa A.A. 2023/24 - Discover Our Courses A.Y. 2023/24

    • Salta al menu ricerca
    • Corso di Laurea in Scienze Geologiche
    • Bachelor's Degree in Earth and Climate Dynamics
    • Corso di Laurea Magistrale in Geologia Ambientale e Dinamica della Terra
    • Master's Degree in Geophysics For Natural Risks and Resources
  • Ricerca

    • Salta al menu laboratori
    • Programmi di Ricerca
    • Qualità della Ricerca
    • CIRCe - Centro Interdipartimentale di Ricerca per lo Studio dei Materiali Cementizi e dei Leganti Idraulici
    • Istituto di Geoscienze e Georisorse del CNR
  • Laboratori

    • Salta al menu servizi
    • Geochemical Preparation Laboratory (GPL)
    • Laboratorio di Diffrattometria a Raggi X di polveri
    • Laboratorio di Diffrattometria a Raggi X Cristallo Singolo
    • Laboratori di Geofisica ed Elettronica
    • Laboratori per le Preparazioni Paleontologiche
    • Laboratorio di Disegno e Stampa
    • Laboratorio di Fotografia e 3D
    • Laboratorio di Giacimenti minerari e Minerografia
    • Laboratorio di Idrogeologia
    • Laboratorio di Macinazione
    • Laboratorio di Meccanica delle Rocce
    • Laboratorio di Microscopia Elettronica a Scansione SEM
    • Laboratorio di Microscopia Elettronica a Scansione FEG-FIB-WDS-EDS
    • Laboratorio di Microtomografia a Raggi X
    • Laboratorio di Preparazioni Geologiche di base
    • Laboratorio di Sedimentologia e Separazioni
    • Laboratorio di Spettrometria Isotopi Stabili
    • Laboratorio di Spettroscopia Micro-Raman
    • Laboratorio di Spettrometria XRF
    • Laboratorio di Termocronologia
    • Laboratorio per le Analisi Iperspettrali
    • Laboratorio per le Inclusioni Fluide
    • Laboratorio Sezioni sottili e Sezioni lucide
    • XRPD sample preparation laboratory
    • Richiesta accesso laboratori
  • Servizi

    • Salta al menu terzamissioneelaboratori
    • Laboratori
    • Biblioteca
    • Musei
    • Eduroam
    • Servizi al personale
    • Prenotazione sale riunioni
    • Prenotazione aule
    • Prenotazione furgoni
    • Richiesta accesso Laboratori
    • Sito di servizio - Newsletters studenti
    • Elenco telefonico
    • Richiesta di acquisto
    • Richiesta Attivazione Badge
  • Terza Missione e Laboratori

    • Salta al menu international
    • Attività Conto Terzi
    • Formazione Continua e Apprendimento Permanente
    • Public Engagement
    • Trasferimento Tecnologico
  • Home
    • Home Apri menu
    • Dipartimento
    • Corsi
    • Offerta Formativa A.A. 2023/24 - Discover Our Courses A.Y. 2023/24
    • Ricerca
    • Laboratori
    • Servizi
    • Terza Missione e Laboratori
  • IndietroHome

Frane: migliorare i sistemi di allerta rapida grazie all’intelligenza artificiale

Gli eventi franosi provocano ogni anno un elevato numero di morti a livello globale e rilevanti danni economici.

Riuscire a prevedere l’evoluzione delle frane è fondamentale per la valutazione del rischio e la progettazione di sistemi di allertamento che siano affidabili e riescano a tener conto dell’impatto di fattori scatenanti esterni come precipitazioni, fluttuazioni dei bacini e delle acque sotterranee, terremoti e attività antropiche. Non si tratta però di una sfida di facile risoluzione perché la progressione delle frane in genere non aderisce a uno schema lineare.

Recenti scoperte nella previsione dello spostamento delle frane hanno dimostrato che l'intelligenza artificiale e, in particolare, le tecniche di deep learning possono rappresentare un punto di svolta nella possibilità di mettere a punto efficaci sistemi di allerta precoce.

Uno studio recentemente pubblicato sulla rivista Landslides e guidato da un team di ricercatori del Dipartimento di Geoscienze dell’Università di Padova in collaborazione con colleghi di università e centri di ricerca di Spagna e Austria, ha testato l'efficacia di sette tecniche di deep learning per prevedere lo spostamento delle frane. Lo studio si è focalizzato su quattro diverse frane che variavano per posizione geografica, fattori di influenza e caratteristiche geologiche, ma anche in termini di volumi e materiali coinvolti e strumenti di monitoraggio: le frane di Sant’Andrea and Lamosano sulle Dolomiti, in Italia, quella di Baishuihe nella provincia cinese dello Hubei e la frana di El Arrecife nel sud della Spagna.

“Nella nostra ricerca abbiamo confrontato le performance dei sette modelli più utilizzati per le previsioni di serie temporali in quattro frane diverse, due delle quali sono locate all'interno di contesti di lago”, spiega Lorenzo Nava, dottorando del Dipartimento di Geoscienze e primo autore dello studio, osservando che in questi casi ad influenzare l’accelerazione o la decelerazione dei corpi di frana sono anche i cambiamenti del livello del lago, oltre alle precipitazioni.

La ricerca ha dimostrato che il deep learning (DL) può essere applicato con successo ai sistemi di allerta precoce in caso di frana. E, in particolare, “tre dei modelli utilizzati sono riusciti ad avere performance consistenti in tutti e quattro i casi studio”, aggiunge Lorenzo Nava.


Sulla repository di GitHub di Lorenzo Nava sono disponibili i codici Phyton e i dati con cui testare e ottimizzare i sette modelli utilizzati in questa ricerca. 

Doi: https://doi.org/10.1007/s10346-023-02104-9

Titolo: Landslide displacement forecasting using deep learning and monitoring data across selected sites

Autori: Lorenzo Nava, Edoardo Carraro, Cristina Reyes-Carmona, Silvia Puliero, Kushanav Bhuyan, Ascanio Rosi, Oriol Monserrat, Mario Floris, Sansar Raj Meena, Jorge Pedro Galve e Filippo Catani

IN EVIDENZA

  • Landslide displacement forecasting using deep learning and monitoring data across selected sites
  • Repository GitHub

DIPARTIMENTO DI GEOSCIENZE

  • Accesso al sistema bibliotecario
  • Amministrazione trasparente
  • Helpdesk
  • Moodle STEM
  • Wi-Fi Eduroam
  • Syllabus
  • SIT
  • Gebes

CONTATTI

Via G. Gradenigo n.6 - 35131- Padova
Portineria: +39 049 827 9110
Fax +39 049 827 9134
  • Posta certificata: dipartimento.geoscienze@pec.unipd.it
  • Segreteria di direzione: geoscienze.direzione@unipd.it
  • Comunication Officer: comunicazione.geoscienze@unipd.it
Università inclusiva HR Excellence in research
© 2023 Università di Padova - Tutti i diritti riservati P.I. 00742430283 C.F. 80006480281
  • Informazioni su questo sito
  • Privacy policy