Sviluppo e ottimizzazione di un modello di morfodiversità per aree montane mediante classificazione supervisionata e reti neurali artificiali

Perché la forma delle montagne conta

Quando pensiamo a proteggere la natura, immaginiamo di solito piante e animali rari. Ma il terreno che li sostiene—scogliere, valli, creste e gole fluviali—in modo silenzioso determina dove la vita può prosperare. Questo articolo esplora come misurare quella varietà fisica, chiamata morfodiversità, in modo preciso e automatizzato. Concentrandosi sui Monti Pieniny in Polonia, l’autore mostra come tecniche informatiche moderne, comprese le reti neurali artificiali, possano trasformare dati altimetrici dettagliati in mappe affidabili che aiutano a guidare la conservazione e la pianificazione dell’uso del suolo.

Un laboratorio montano per la varietà del paesaggio

I Monti Pieniny, al confine polacco‑slovacco, sono una catena compatta ma straordinariamente diversificata. Ripide scogliere calcaree, gole profonde come la famosa gola del fiume Dunajec, pendii più dolci in flysch, rocce vulcaniche e pianori di bacino si trovano fianco a fianco. Questa mescolanza di tipi di roccia e forme del terreno crea un mosaico di habitat, da creste soleggiate a valli ombreggiate, che a sua volta sostiene una ricca biodiversità. Poiché l’area è stata mappata e studiata in dettaglio, è un “laboratorio” ideale per testare nuovi modi di quantificare quanto il paesaggio sia realmente vario, ben oltre ciò che l’occhio può facilmente giudicare da una mappa o da un belvedere.

Dall’elevazione grezza a una varietà del terreno misurabile

Lo studio parte da un modello digitale del terreno ad alta risoluzione, una descrizione 3D dettagliata della superficie. Da questo, l’autore ricava sette caratteristiche fondamentali del terreno: altitudine, pendenza, esposizione (la direzione verso cui si affaccia un versante), due tipi di curvatura (come le superfici si incurvano), differenze locali di altezza e la presenza di affioramenti rocciosi. La regione viene quindi coperta da migliaia di celle esagonali di dimensione regolare. All’interno di ciascuna cella il calcolatore misura quanto queste caratteristiche varino da pixel a pixel. Invece di limitarsi a contare quanti “tipi” di forme del terreno sono presenti, il metodo considera la variazione stessa come segnale: più cambiamenti di quota, pendenza o direzione all’interno di una cella indicano una maggiore probabilità di morfodiversità.

Allenare un classificatore digitale per riconoscere terreni complessi

Per trasformare questi numeri in una mappa significativa, lo studio utilizza classificazione supervisionata e reti neurali artificiali—modelli computazionali vagamente ispirati al modo in cui i cervelli apprendono schemi. Esperti umani identificano prima celle di esempio chiaramente “morfodiverse” (cime scoscese, creste rocciose, valli profondamente incise, pareti di gole drammatiche) o “non morfodiverse” (fondovalle pianeggianti, superfici lacustri, ampi pendii dolci). Questi esempi etichettati insegnano alla rete neurale quali combinazioni di altitudine, pendenza e altre caratteristiche corrispondono tipicamente a terreni complessi. Una volta addestrata, la rete assegna a ogni cella della regione una probabilità che indichi quanto sia probabile che appartenga alla classe morfodiversa. Il risultato è una mappa continua che può poi essere raggruppata in categorie intuitive da morfodiversità molto bassa a molto alta.

Potare i dati per conservare solo ciò che conta

I metodi più datati spesso sommavano molti indicatori del terreno, contando inconsapevolmente più volte la stessa informazione e sfocando il quadro. Questo studio affronta il problema combinando reti neurali con l’analisi di sensibilità globale, una tecnica che testa quanto ciascun input contribuisca effettivamente a previsioni accurate. Disattivando gradualmente le variabili e monitorando i cambiamenti nell’errore del modello, l’autore individua quali caratteristiche portano informazioni reali e quali sono in gran parte ridondanti. I modelli ottimizzati mostrano che basta una manciata di fattori—differenze di quota all’interno di una cella, altitudine complessiva, pendenza, il modello delle direzioni di pendenza e la presenza di affioramenti rocciosi—per catturare la struttura essenziale della morfodiversità. Anche dopo aver rimosso input a basso valore, i modelli semplificati corrispondono ancora molto da vicino alle versioni complete, con valori di correlazione fino a 0,96–0,98.

Cosa significano i risultati per la protezione della natura

Il modello raffinato, in particolare la versione RCMSC–ANN–M, produce mappe che si allineano bene con la comprensione geomorfologica del paesaggio dei Pieniny. Evidenzia non solo le spettacolari creste alte e le pareti delle gole, ma anche aree morfologicamente complesse sui versanti vallivi e nelle propaggini che altrimenti potrebbero essere trascurate. Poiché il metodo si basa su dati altimetrici ampiamente disponibili e su un set compatto di variabili chiave, può essere adattato ad altre regioni montane nel mondo. Per i pianificatori della conservazione, questo offre un modo oggettivo per localizzare e confrontare aree «ricche geologicamente» che sostengono la biodiversità e il valore paesaggistico, aiutando a stabilire priorità per protezione, gestione del turismo o indagini di campo dettagliate.

Citazione: Bartuś, T. Development and optimization of a morphodiversity model for mountainous areas using supervised classification and artificial neural networks. Sci Rep 16, 6009 (2026). https://doi.org/10.1038/s41598-026-36326-3

Parole chiave: geodiversità, morfodiversità, paesaggi montani, reti neurali, geoconservazione