Decifrare l’erosione dei Sundarbans: come il machine learning mappa gli impatti del cambiamento climatico

Perché questo delta conta per tutti noi

I Sundarbans, la più grande foresta di mangrovie del mondo alla foce del Gange, sono uno scudo naturale per milioni di persone contro le tempeste e l’innalzamento del livello del mare. Eppure il loro intrico di isole viene rimodellato costantemente, con coste che cedono in alcuni punti e si espandono in altri. Questo studio utilizza decenni di immagini satellitari e strumenti informatici moderni per districare come e dove i Sundarbans stanno cambiando, e quando metodi semplici sono sufficienti rispetto a quando è necessario ricorrere a tecniche avanzate di machine learning. Le risposte sono importanti per proteggere sia le comunità costiere sia questo ecosistema di importanza globale.

Un labirinto di isole in movimento

La Riserva della Biosfera dei Sundarbans in India comprende quasi un centinaio di isole boschive, intrecciate da canali tidali e bordate di mangrovie. Sebbene la pressione umana sia relativamente bassa all’interno della riserva, la regione ha già perso circa 100 chilometri quadrati di terreno negli ultimi tre decenni, principalmente lungo le coste meridionali esposte al mare. Tracciando la linea di costa in migliaia di punti equidistanziati dal 1988 al 2023 tramite immagini satellitari, gli autori hanno costruito un quadro dettagliato di quali coste si stanno ritirando e quali stanno crescendo. Hanno rilevato che le isole rivolte verso il mare aperto si stanno erodendo rapidamente, in alcuni punti di oltre 30–50 metri all’anno, mentre parti delle isole occidentali e del lontano nord stanno guadagnando terreno grazie a nuovi depositi di sedimenti.

Leggere linee rette in una costa irrequieta

Per descrivere il cambiamento nel tempo, gli scienziati costieri spesso adattano una retta alle posizioni di una linea di costa e usano la sua pendenza come tasso a lungo termine di avanzamento o ritirata. Ma le coste rispondono a tempeste, maree e sedimenti a impulsi, non sempre in modo uniforme. Lo studio ha controllato, per oltre 21.000 punti della linea di costa, quanto bene una retta corrispondesse effettivamente alla storia di ciascun luogo. Le coste erose lungo il mare aperto e i canali principali spesso seguivano trend quasi lineari, il che significa che il loro cambiamento era sufficientemente costante da rendere una semplice retta efficace. Al contrario, molti punti dove il terreno si stava formando mostravano curve, pause e salti che una retta non poteva cogliere, rivelando un comportamento fortemente non lineare.

Cosa hanno scoperto le macchine

I ricercatori hanno poi impiegato due metodi di machine learning, random forest e gradient boosting, per valutare quali fattori naturali spiegassero meglio i tassi osservati di erosione o accrezione. Hanno fornito ai modelli informazioni come la distanza di ogni punto dal mare aperto, dalle sorgenti di sedimento portate dai fiumi, la larghezza del canale tidale vicino, la pendenza della spiaggia e il tipo di sedimento sottostante. I modelli hanno concordato che sono i fattori regionali e di ampia scala a dominare: la distanza dal mare è il principale motore dell’erosione, mentre la vicinanza a fiumi ricchi di sedimenti è la più importante per la formazione di nuovo terreno. Dettagli locali, come pendenze dolci della spiaggia e canali ampi, favoriscono l’insediamento e la stabilizzazione dei sedimenti, ma hanno un ruolo complessivo minore. Attraverso test ripetuti, il team ha anche individuato un punto di svolta nella qualità dell’adattamento lineare: quando la qualità del fit superava un certo valore, i modelli lineari per l’erosione restavano affidabili; al di sotto di quel valore, il machine learning forniva risposte migliori.

Un modo più intelligente per scegliere lo strumento giusto

Combinando l’approccio della retta con il machine learning, lo studio propone un quadro pratico per i pianificatori costieri. Dove l’erosione è forte e il trend è quasi lineare, i metodi lineari semplici sono accurati, trasparenti ed economici da usare. Nelle zone in cui la storia della linea di costa è più irregolare—in particolare dove il terreno sta tentando di formarsi—gli stessi test segnalano che sono necessari modelli di machine learning più flessibili per catturare scoppi di cambiamento a breve termine e l’interazione tra onde, maree e disponibilità di sedimenti. Questa strategia a «due livelli» aiuta a concentrare gli sforzi di modellazione avanzata e raccolta dati esattamente dove contano di più, riducendo costi ed errori.

Orientare la protezione delle persone e delle mangrovie

Per i non specialisti, il messaggio centrale è che non tutti i cambiamenti costieri sono ugualmente difficili da prevedere. Nei Sundarbans, l’erosione delle coste rivolte al mare si comporta in modo relativamente semplice e costante e può essere monitorata con strumenti diretti, mentre la formazione di nuovo terreno è molto più complessa e richiede analisi sofisticate. Riconoscere questa differenza permette ai gestori di progettare sistemi di allerta migliori, indirizzare nuove costruzioni lontano dai margini più fragili e sostenere difese basate sulla natura, come mangrovie e canali tidali ampi, dove sono più efficaci. In un mondo che si riscalda e dove molte coste affrontano pressioni simili, questo metodo offre un modello per trasformare dati frammentari in indicazioni più chiare e specifiche sui luoghi dove le coste resisteranno, dove cederanno e come possiamo reagire.

Citazione: Biswas, J., Maiti, S. Unraveling Sundarbans’ erosion: how machine learning maps climate change impacts. npj Clim. Action 5, 33 (2026). https://doi.org/10.1038/s44168-026-00336-8

Parole chiave: Cambiamento della linea di costa dei Sundarbans, erosione e accrezione costiera, resilienza del delta di mangrovie, telerilevamento satellitare, machine learning nell’adattamento climatico