Intelligenza artificiale per analisi climatica multi-rischio nella Regione Veneto

The interconnectedness of socio-economic and natural systems, coupled with the uncertainties brought about by climate change is making climate risk assessment increasingly complex. Traditional methods, often focussed on a single hazard and acting in silos, fail to unravel the complex interactions between the different risk drivers. This thesis aims at implementing Artificial Intelligence (AI) based tools to assess multi-hazard and multi-risk in the Veneto Region, in present and future scenarios. First, a literature review explores the potential of AI for climate and multi-risk analysis, discussing opportunities for data collection and processing, multi-hazard identification and prediction; analysis of risks and impacts; and modelling future multi-risk scenarios. Then, a methodology based on unsupervised machine learning is developed to identify multi-hazard spatio-temporal footprints across the different landscapes of the Veneto Region. The study focused on four atmospheric hazards (extreme precipitation, extreme wind, heat anomalies and droughts) and used different time-lag functions to create a dataset of spatiotemporal compounding and consecutive events in present and future scenarios, based on two high-resolution climate projections for RCP 4.5 and 8.5. The analysis highlighted how climate change is expected to create new multi-hazard combinations and increase the extension and duration of heat-drought events, especially during the last decades of RCP 8.5. The third chapter, extends the analysis to multi-risk, considering four socio-economic receptors (population, tourism, built environment and agriculture) and including other relevant hazards for the Veneto Region. In particular, supervised ML methods (XGBoost, Random Forest, Support Vector Machines) are used to compute susceptibility maps for landslides and wildfires, which are then integrated into multi-hazard susceptibility maps that are then combined with the exposure and vulnerability indicators of the selected socio-economic receptors to produce a multi-risk assessment of the Veneto Region for present and future scenarios.

Le interazioni tra i rischi climatici e i sistemi socio-economici richiedono valutazioni multi-rischio che tengano conto delle complesse interazioni tra i diversi fattori di pericolo e rischio. Il cambiamento climatico aggiunge ulteriori complessità e incertezze alle analisi dei rischi presenti e futuri, modificando frequenza, intensità degli eventi estremi e creando nuove combinazioni di pericoli. I metodi tradizionali spesso non riescono a districare le interazioni tra i pericoli, che spesso agiscono su scale temporali e spaziali diverse, ed i loro effetti a cascati sulle altre componenti del rischio, sottostimando gli impatti degli eventi multi-pericolo nel presente e nel futuro. Questa tesi si propone di esplorare il potenziale dei metodi basati sull'Intelligenza Artificiale (IA) come strumento per analizzare gli eventi multi-pericolo ed i rischi nella Regione Veneto. In primo luogo, è stata condotta una revisione della letteratura scientifica per analizzare l’uso dei metodi di Intelligenza Artificiale nell'analisi dei rischi climatici e del multi-rischio, discutendo le opportunità per la raccolta e l'elaborazione dei dati; l'identificazione e la previsione dei pericoli multipli; l'analisi del rischi e degli impatti; la modellazione degli scenari multi-rischio futuri. Successivamente, viene sviluppata e testata una metodologia basata su unsupervised machine learning (basata sull’algoritmo di clustering DBSCAN) per identificare le impronte spazio-temporali dei rischi multipli nella Regione Veneto. L'analisi, focalizzata su quattro pericoli atmosferici (precipitazioni estreme, venti estremi, anomalie termiche e siccità), ha identificato eventi composti e consecutivi spazio-temporali nello scenario presente e in due proiezioni climatiche future (RCP 4.5 e RCP 8.5), evidenziando un aumento dell'estensione, della durata e della frequenza della coppia di pericoli rappresentata da anomalie termiche e siccità, in particolare nello scenario RCP 8.5. Nel terzo capitolo, vengono analizzate frane e incendi boschivi, creando mappe di suscettibilità basate su supervised machine learning e integrandole con i pericoli atmosferici in mappe di suscettibilità multi-rischio. Inoltre, vengono integrati indicatori di esposizione e vulnerabilità per diversi recettori socio-economici (popolazione, agricoltura, edifici e turismo), esplorando gli scenari presenti e futuri del multi-rischio nella Regione del Veneto.