Esplorazione delle tecniche di apprendimento automatico per valutare la distribuzione delle praterie di fanerogame marine in scenari di rischio legati al cambiamento climatico nel Mediterraneo: trend spaziali e analisi dell'incertezza

This PhD thesis investigates the application of machine learning (ML) methods in coastal and marine environments to support environmental monitoring and management, particularly in alignment with European water directives. The research is structured around three core studies. The first study presents a systematic review of the scientific literature on the use of ML to support the implementation of the Water Framework Directive (WFD) and the Marine Strategy Framework Directive (MSFD). The analysis reveals a gap in the application of ML to marine environments, a limited use of models capable of handling spatio-temporal data structures, and a lack of studies addressing future scenarios related to climate change and management strategies. The second study focuses on modeling the distribution of seagrass meadows in Italian coastal waters, using Graph Neural Networks (GNNs). These models, with their graph-based structure, are particularly suited to capture the influence of spatial connectivity and to explore how interactions between human pressures and climate change drivers affect seagrass distribution. Results demonstrate that incorporating spatial context improves predictive performance, with GNNs outperforming traditional models such as Random Forests (RF), Multi-Layer Perceptrons (MLP), and Support Vector Machines (SVM). How- ever, data scarcity and the limited resolution of hydrodynamic inputs constrain the full integration of these components within the graph structure. The third study presents an analysis conducted in Sardinia and developed in collaboration with local authorities. A Deep Neural Network (DNN) with Monte-Carlo Dropout was applied to estimate predictive uncertainty under future climate change scenarios. Assessing model uncertainty is particularly critical in environmental applications, as it provides insight into the confidence and reliability of spatial predictions under data and model limitations. Moreover, uncertainty quantification helps to distinguish robust model signals from areas of higher risk or limited knowledge. The results indicate a potential reduction in suitable habitat for Posidonia Oceanica and provide a spatially explicit uncertainty assessment, identifying areas of confident suitability and unsuitability. This information is essential for prioritizing monitoring efforts supporting adaptive coastal management in a changing climate. The thesis advances the integration of ML in marine ecological research, emphasizing the need for models capable of representing spatial and environmental interactions, and for quantifying uncertainty to inform evidence-based and sustainable environmental policies in the face of climate change.

Questa tesi di dottorato riguarda l’applicazione dei metodi di machine learning (ML) negli ambienti marino-costieri per supportare il monitoraggio e la gestione ambientale, in conformità con le direttive europee sulle acque. La ricerca è strutturata intorno a tre studi principali. Il primo studio presenta una revisione sistematica della letteratura scientifica sull’uso del ML per supportare l’implementazione della Water Framework Directive(WFD) e della Marine Strategy Framework Directive (MSFD). L’analisi evidenzia un divario nell’applicazione del ML agli ambienti marini, un uso limitato di modelli capaci di gestire strutture di dati spazio-temporali e una carenza di studi che affrontino scenari futuri legati ai cambiamenti climatici e alle strategie di gestione. Il secondo studio si concentra sulla modellazione della distribuzione delle praterie di fanerogame marine nelle acque costiere italiane, utilizzando Graph Neural Networks (GNN). Questi modelli, grazie alla loro struttura basata su grafi, sono particolarmente adatti a catturare l’influenza della connettività spaziale e a esplorare come le interazioni tra pressioni antropiche e fattori legati ai cambiamenti climatici influenzino la distribuzione delle fanerogame marine. I risultati dimostrano che l’inclusione del contesto spaziale migliora le prestazioni predittive, con le GNN che superano modelli tradizionali come Random Forests (RF), Multi-Layer Perceptrons (MLP) e Support Vector Machines (SVM). Tuttavia, la scarsità di dati e la risoluzione limitata degli input idrodinamici limitano l’integrazione completa di questi componenti all’interno della struttura del grafo. Il terzo studio presenta un’analisi condotta in Sardegna e sviluppata in collaborazione con le autorità locali. È stata applicata una Deep Neural Network (DNN) con Monte-Carlo Dropout per stimare l’incertezza predittiva in scenari futuri di cambiamento climatico. La valutazione dell’incertezza del modello è particolarmente critica nelle applicazioni ambientali, poiché fornisce informazioni sull’affidabilità delle previsioni spaziali in presenza di limiti nei dati e nel modello. Inoltre, la quantificazione dell’incertezza aiuta a distinguere segnali robusti del modello provenienti da aree a maggiore rischio o a conoscenza limitata. I risultati indicano una potenziale riduzione dell’habitat adatto per la Posidonia oceanica e forniscono una valutazione spazialmente esplicita dell’incertezza, identificando aree di idoneità e non idoneità con maggiore confidenza. Queste informazioni sono essenziali per prioritizzare gli sforzi di monitoraggio a supporto della gestione costiera adattativa in un clima in cambiamento. La tesi contribuisce all’integrazione del ML nella ricerca ecologica marina, enfatizzando la necessità di modelli capaci di rappresentare le interazioni spaziali e ambientali e di quantificare l’incertezza per informare politiche ambientali sostenibili e basate sull’evidenza di fronte ai cambiamenti climatici.