Gli eventi di intrusione del cuneo salino possono influenzare e danneggiare gravemente gli ecosistemi degli estuari. Un nuovo studio condotto dal CMCC utilizza modelli di machine learning e deep learning per prevedere l’intrusione del cuneo salino e la salinità degli estuari nel delta del Po, ottenendo risultati che potrebbero contribuire alla gestione di questi ecosistemi in tutto il mondo.

Gli estuari e le zone umide circostanti ospitano specie uniche di piante e animali, rendendoli tra gli ecosistemi più produttivi del mondo. Tuttavia, gli estuari sono anche ecosistemi delicati, sempre più minacciati dall’intrusione del cuneo salino, che influenza il loro equilibrio ecologico.

Prevedere la salinità degli estuari con precisione diventa quindi essenziale per la gestione delle risorse idriche, la conservazione degli ecosistemi e per garantire uno sviluppo sostenibile lungo le coste.

Uno studio recente condotto da un team di ricercatori del CMCC esplora l’applicazione di diversi modelli di machine learning (ML) e deep learning (DL) nella previsione dei livelli di salinità negli ambienti estuarini, utilizzando il delta del fiume Po (il secondo afflusso di acqua dolce più grande del Mar Mediterraneo) come caso studio e basandosi sui dati raccolti tra il 2016 e il 2019 alla foce del fiume Po di Goro.

Sfruttando diverse tecniche, tra cui i network Random Forest, Least-Squares Boosting, Artificial Neural Network e Long Short-Term Memory, lo studio tenta di migliorare la precisione delle previsioni al fine di comprendere meglio la complessa interazione dei fattori che influenzano le dinamiche della salinità estuarina.

La mappa del sistema del delta del Po (immagine da Google Earth) insieme alle sue foci fluviali, ovvero: Po di Maistra, Po della Pila (che si divide in Po di Tramontana, Po di Dritta, Po di Scirocco, Po di Bonifazi e Po di Bastimento), Po di Tolle, Po di Gnocca e Po di Goro (indicatori gialli). La linea rossa rappresenta il ramo del Po di Goro selezionato come caso studio. La posizione della stazione di misura Manufatto, che si trova vicino alla foce di Goro ma in un canale secondario, è mostrata nel riquadro. Fonte: Saccotelli et al, 2024

L’estuario del fiume Po (Po di Goro), che è uno dei principali hotspot di intrusione del cuneo salino, è stato selezionato come area di studio, con risultati che evidenziano un miglioramento delle prestazioni del machine learning e dimostrano la fattibilità e l’efficacia degli approcci basati su ML per stimare i livelli di salinità dovuti all’intrusione del cuneo salino negli estuari.

I risultati di questo studio potrebbero supportare significativamente strategie di gestione intelligente, non solo nell’estuario del fiume Po, ma anche in altre località, ponendo le basi per una discussione più ampia sull’uso di strategie basate su ML e DL per il monitoraggio degli estuari.

Ulteriori informazioni:

Leonardo Saccotelli, Giorgia Verri, Alessandro De Lorenzis, Carla Cherubini, Rocco Caccioppoli, Giovanni Coppini, Rosalia Maglietta, Enhancing estuary salinity prediction: A Machine Learning and Deep Learning based approach, Applied Computing and Geosciences, Volume 23, 2024, 100173, ISSN 2590-1974, https://doi.org/10.1016/j.acags.2024.100173