Una valutazione multi-rischio integrata con apprendimento automatico nei terreni complessi del nord del Pakistan

Perché questa storia di montagna è importante

La valle di Hunza nel nord del Pakistan è famosa per le sue vette e i ghiacciai—ma è anche uno dei paesaggi più pericolosi della Terra. Pendenze ripide, scioglimento del ghiaccio, tempeste violente e faglie attive significano che villaggi, strade e grandi opere sono esposti a diversi tipi di disastri contemporaneamente. Questo studio mostra come dati moderni e apprendimento automatico possano essere combinati per tracciare un’unica immagine chiara e di facile uso delle sovrapposizioni di pericolo, aiutando a proteggere persone, infrastrutture e rotte commerciali vitali in questa fragile regione montana.

Una valle sotto molte minacce

Il distretto di Hunza si trova nel severo Karakoram, dove gole fluviali incise nella roccia salgono da circa 1.800 metri fino a quasi 7.800 metri sul livello del mare. Enormi ghiacciai alimentano il fiume Hunza, che a sua volta fornisce acqua e energia a milioni di persone più a valle. Ma le stesse forze che fanno di quest’area una potente torre d’acqua creano anche pericolo. Forti piogge estive, rapido scioglimento di neve e ghiaccio, suoli instabili e faglie attive si combinano per generare frane, colate detritiche, improvvise inondazioni lampo e rotture di laghi glaciali (GLOF). I terremoti possono scuotere i versanti già fratturati, innescando catene di cadute di massi e alluvioni. Poiché strade, abitazioni e terreni agricoli sono costretti nei stretti fondovalle, anche un evento moderato può avere conseguenze gravi, come mostrano disastri passati che hanno distrutto villaggi, ostruito fiumi e interrotto la Karakoram Highway, l’unico collegamento terrestre del Pakistan con la Cina.

Da mappe sparse a un’unica grande immagine

Finora la maggior parte degli studi ha esaminato un rischio alla volta—solo frane, o solo inondazioni, per esempio. Questo approccio non coglie come i pericoli possano colpire insieme o scatenarsi a vicenda, e può fuorviare i pianificatori che devono progettare strade, ponti e insediamenti per condizioni reali. Gli autori si sono proposti di costruire una visione integrata “multi-rischio” per Hunza. Hanno raccolto un’ampia gamma di informazioni: dati di elevazione dettagliati, pendenza e curvatura del terreno, distanza da fiumi e strade, regimi pluviometrici, copertura del suolo e vegetazione, indicatori di neve e ghiacciai, tipi di roccia sottostanti e mappe esistenti di pericolo dei laghi glaciali e di intensità di scuotimento sismico. In totale sono stati considerati diciotto fattori geo-ambientali, che riflettono come acqua, gravità, clima e geologia interagiscono sul territorio.

Insegnare a una foresta digitale a leggere il territorio

Per trasformare questa montagna di dati in indicazioni utili, il team ha utilizzato un metodo di apprendimento automatico noto come modello di classificazione e regressione basato su foreste, una forma pratica del popolare approccio “random forest”. Hanno prima compilato inventari dei luoghi in cui si sono verificati i pericoli—frane, inondazioni lampo, colate detritiche, zone soggette a terremoti e aree di GLOF—and hanno messo in corrispondenza queste località con le condizioni ambientali di ciascun punto. L’algoritmo ha quindi imparato quali combinazioni di pendenza, precipitazioni, tipo di roccia, vegetazione e altri fattori separano meglio i punti pericolosi da quelli più sicuri. Costruendo ripetutamente molti alberi decisionali su campioni differenti e mediandone i risultati, il modello ha prodotto mappe di suscettibilità affidabili per ogni rischio. Verifiche statistiche hanno mostrato buone prestazioni, indicando che il modello è stato in grado di distinguere correttamente aree ad alto e basso rischio più spesso che no.

Dove i pericoli si accumulano

Una volta create le mappe individuali, i ricercatori le hanno portate alla stessa scala e le hanno combinate in un’unica mappa multi-rischio. I risultati rivelano che oltre il 40 percento di Hunza è esposto ad almeno un pericolo significativo, e porzioni minori ma critiche affrontano più pericoli contemporaneamente. Circa un quinto del distretto è altamente soggetto soltanto alle frane, mentre altre zone sono principalmente minacciate da inondazioni lampo o colate detritiche. Le aree più allarmanti—sebbene relativamente piccole in estensione—sono quelle in cui scuotimento sismico, colate detritiche, frane e inondazioni lampo coincidono. Questi punti caldi sovrapposti si concentrano nelle parti centrale e basse della valle lungo i corridoi fluviali e la Karakoram Highway, dove si concentrano insediamenti, terreni agricoli e infrastrutture principali. Anche le regioni classificate a “basso rischio” sono spesso coperte da ghiacciai e neve, ricordando ai pianificatori che il riscaldamento futuro potrebbe modificare i modelli di rischio.

Trasformare le mappe in futuri più sicuri

Per i non specialisti, il messaggio chiave è semplice: in un paesaggio come Hunza, nessun singolo pericolo racconta l’intera storia. Questo studio dimostra che combinando dati satellitari, osservazioni di campo, giudizio di esperti e apprendimento automatico è possibile creare mappe chiare che mostrano dove più minacce si sovrappongono e dove l’azione protettiva è più urgente. Pur concentrandosi sulla suscettibilità—la probabilità che processi naturali possano generare eventi dannosi—offre una solida base per decisioni di uso del suolo più intelligenti, posizionamento più sicuro di strade e dighe e pianificazione mirata di sistemi di allerta precoce ed evacuazione. Con il cambiamento climatico che continua a intensificare eventi meteorologici estremi e ad accelerare lo scioglimento dei ghiacciai, strumenti integrati e basati sui dati come questo saranno essenziali per aiutare le comunità montane in Pakistan e nel resto del mondo ad adattarsi e prosperare.

Citazione: Khan, M.I., Shafique, M., Khattak, G.A. et al. An integrated multi-hazard assessment using machine learning in the complex terrains of Northern Pakistan. Sci Rep 16, 11499 (2026). https://doi.org/10.1038/s41598-026-41029-w

Parole chiave: mappatura multi-rischio, catastrofi montane, apprendimento automatico, valle di Hunza, riduzione del rischio di disastri