Previsione delle variazioni del livello delle acque sotterranee mediante tecniche di machine learning nell'area di Tazerbo, bacino di Al Kufra, sud-est della Libia

Perché il futuro delle acque sotterranee conta qui

In alcune delle aree più aride del pianeta, l'acqua sotterranea è l'unica risorsa che sostiene coltivazioni, centri abitati e attività industriali. Nel sud-est della Libia, grandi campi pozzi sfruttano un acquifero profondo del deserto per inviare acqua verso le città costiere a nord. Questo articolo spiega come gli scienziati abbiano impiegato strumenti informatici moderni per guardare avanti e valutare come queste riserve nascoste potrebbero cambiare nei prossimi due decenni sotto diversi piani di pompaggio, aiutando i decisori a evitare gravi carenze e danni al territorio.

L'acquifero del deserto dietro la linea di vita idrica della Libia

Lo studio si concentra sul campo pozzi di Tazerbo nel bacino di Al Kufra, una delle fonti chiave per il Progetto Fiume Artificiale della Libia, che convoglia acque fossili della falda Sahariana verso città lontane. La regione riceve pochissime precipitazioni e affronta calore intenso, perciò il profondo Acquifero di Arenaria Nubiana funziona come un conto bancario di acque antiche. Dall'inizio del pompaggio su larga scala nel 2004, più di cento pozzi di produzione hanno estratto, in certi periodi, fino a circa un milione di metri cubi di acqua al giorno. Questo sfruttamento intenso ha già abbassato i livelli delle acque sotterranee fino a circa 16 metri in alcune parti del campo e ha contribuito a fenomeni di subsidenza del suolo, sollevando preoccupazioni sulla durata di questa fonte vitale.

Trasformare i registri dei pozzi in un problema di apprendimento

Per esplorare il futuro dell'acquifero, i ricercatori hanno raccolto vent'anni di misure annuali del livello delle acque sotterranee da quattordici pozzi di monitoraggio intorno a Tazerbo, insieme a registri delle quantità d'acqua pompate ogni giorno. Hanno anche compilato informazioni di base sui pozzi e sull'acquifero, come lo spessore delle rocce e la loro permeabilità. Invece di tentare di modellare ogni dettaglio fisico del flusso sotterraneo, hanno trattato il problema come una serie temporale: come risponde nel tempo il livello dell'acqua in un pozzo ai livelli passati e ai cambiamenti nel pompaggio? Questa impostazione è ben adatta ai metodi di machine learning, che possono rivelare schemi nei dati senza richiedere la specifica di ogni processo fisico a priori.

Come la macchina impara a prevedere

Il team ha testato diversi strumenti statistici e di machine learning avanzati, inclusi tipi di regressione con processi Gaussiani e una rete neurale ricorrente chiamata Long Short-Term Memory. Hanno valutato quanto bene ciascun metodo riuscisse a riprodurre livelli d'acqua noti usando criteri standard, come la corrispondenza tra valori previsti e osservati e l'entità degli errori tipici. Il vincitore netto è stato un tipo speciale di rete neurale per serie temporali nota come modello Nonlinear Autoregressive Exogenous, o NARX, che incorpora sia i livelli d'acqua passati sia le quantità pompate. Con una struttura relativamente semplice, questa rete è stata in grado di riprodurre la storia di tutti e quattordici i pozzi con altissima accuratezza. Un'analisi di sensitività dettagliata ha mostrato che il modello attingeva a combinazioni diverse di input in pozzi differenti, suggerendo che stava catturando pattern causali significativi piuttosto che limitarsi a memorizzare i dati.

Due futuri diversi per lo stesso acquifero

Una volta addestrato e validato, il modello NARX è stato usato per proiettare il 2030 e il 2040 sotto due piani di pompaggio. Nel primo piano si mantiene il tasso di prelievo attuale ridotto, di circa 255.000 metri cubi al giorno. In quel caso, il modello prevede un ulteriore abbassamento relativamente modesto, principalmente nella parte settentrionale del campo: circa 2 metri di declino aggiuntivo entro il 2030 rispetto al 2024, e approssimativamente altri 1,6 metri entro il 2040. Alcuni pozzi a sud potrebbero addirittura mostrare un lieve recupero, probabilmente legato alla struttura locale dell'acquifero. In netto contrasto, il secondo piano assume un aumento del pompaggio fino a 400.000 metri cubi al giorno.

Cosa significano i risultati per i gestori idrici

Sotto il piano di pompaggio più elevato, il modello prevede cali molto ampi dei livelli delle acque sotterranee, che superano i 50 metri nelle parti sud-orientali e sud-occidentali del campo pozzi già entro il 2030 e rimangono fortemente depressi nel 2040. L'esperienza passata a Tazerbo mostra che un pompaggio aggressivo può scatenare cali rapidi, in parte reversibili quando l'estrazione viene ridotta. Le nuove previsioni confermano questo quadro e sottolineano quanto l'acquifero sia sensibile al sovrasfruttamento prolungato. Per il lettore non specialistico, il messaggio è chiaro: mantenere i prelievi vicino ai livelli ridotti attuali aiuta a dilatare nel tempo questa riserva idrica finita, mentre un aumento del pompaggio rischia cali drastici, subsidenza del suolo e maggiori ripercussioni sulle comunità che dipendono da quest'acqua nascosta. Lo studio dimostra che strumenti di machine learning calibrati con attenzione possono diventare guide pratiche per pianificare un uso sostenibile dell'acqua in alcune delle regioni più carenti di risorse idriche al mondo.

Citazione: El Fallah, O.A., Abou El-Magd, L.M., El Kammar, M.M. et al. Forecasting groundwater level changes using machine learning techniques in Tazerbo area, Al Kufra Basin, southeast Libya. Sci Rep 16, 15383 (2026). https://doi.org/10.1038/s41598-026-37337-w

Parole chiave: previsione acque sotterranee, machine learning, acquifero Libia, gestione idrica, rete neurale NARX