Dottorato in SCIENZE DELLA TERRA

Titolo della tesi: Ground Deformation Characterization using Machine Learning and Multi-Sensor PS-InSAR

Il monitoraggio satellitare interferometrico basato sui Persistent Scatterer (PS) rappresenta oggi uno strumento essenziale per l'analisi delle deformazioni superficiali. L’aumento della disponibilità di dati PS provenienti da diverse piattaforme satellitari apre nuove opportunità per un monitoraggio integrato, richiedendo però lo sviluppo di strategie innovative per una loro efficace interpretazione. Questa ricerca propone metodologie avanzate per caratterizzare i processi deformativi superficiali, combinando dati PS multi-sensore con tecniche di Machine Learning, con particolare attenzione al supporto della ricostruzione post-sisma nell'Appennino Centrale. Lo studio si sviluppa in un percorso progressivo che integra analisi spaziale e temporale. La prima fase introduce un sistema di prioritizzazione che integra dati PS e indicatori socio-economici per valutare l’impatto delle frane in aree urbane. Successivamente, si propone una metodologia di fusione dei dati multi-sensore basata su un approccio pesato ai minimi quadrati, con l’obiettivo di generare punti di misura sintetici rappresentativi degli spostamenti complessivi. L’analisi prosegue con lo studio dell’evoluzione temporale delle deformazioni in relazione a fattori ambientali innescanti, culminando in un clustering multivariato dei processi deformativi nel dominio spazio-temporale. I risultati dimostrano come l’integrazione multi-sensore superi le limitazioni dei singoli sensori, migliorando significativamente la caratterizzazione delle deformazioni. Il sistema di prioritizzazione mostra che il 30% delle frane analizzate presenta deformazioni superiori ai limiti cartografati, suggerendo possibili sottostime delle aree instabili e fornendo indicazioni cruciali per la pianificazione degli interventi di ricostruzione. L’analisi temporale evidenzia significative correlazioni tra eventi di precipitazioni estreme e accelerazioni delle deformazioni, in particolare quando a periodi di siccità prolungata seguono intense precipitazioni. Nell'attuale contesto dei cambiamenti climatici, questa comprensione delle relazioni causa-effetto risulta essenziale per lo sviluppo di misure preventive efficaci. L’analisi multivariata permette inoltre di identificare distinti pattern deformativi e di delineare aree instabili caratterizzate da dinamiche complesse, offrendo una caratterizzazione interpretabile dei processi in atto. Le metodologie sviluppate costituiscono un ponte tra le potenzialità del monitoraggio satellitare e le esigenze operative nella gestione post-evento, facilitando l'ottimizzazione delle risorse e la pianificazione degli interventi di mitigazione. La ricerca evidenzia come l’elaborazione automatizzata dei dati interferometrici multi-sensore possa potenziare sia gli aspetti tecnici che applicativi del monitoraggio delle deformazioni, fornendo elementi quantitativi utili per definire strategie di intervento mirate. Tuttavia, sebbene l'applicazione delle attuali tecniche di Machine Learning rappresenti un significativo passo avanti verso una migliore comprensione dei fenomeni deformativi, la loro complessità intrinseca e natura multi-parametrica sottolineano la necessità di sviluppare approcci più sofisticati e specifici. Questi nuovi metodi dovrebbero andare oltre il semplice adattamento delle tecniche esistenti per consentire una caratterizzazione più completa della dinamica evolutiva di questi processi.