Università degli studi della Basilicata Geo-scienze e Rischi Naturali Potenza, 4 5 Marzo 2009 Pericolosità spaziale di frana e reti neurali artificiali: alcuni casi di studio. Stefania Pascale e Francesco Sdao MOVIMENTI DI MASSA: DEFINIZIONE Cruden & Varnes (1994) definiscono una frana un movimento di una massa di roccia, di terra o di detrito lungo un versante
DIAGRAMMA GENERALE PER LA VALUTAZIONE DEL RISCHIO IDROGEOLOGICO Fenomeno naturale Intensità Evento Pericolosità Elementi a rischio Vulnerabilità RISCHIO Danno DEFINIZIONE DELLA PERICOLOSITÀ DA FRANA PERICOLOSITÀ: probabilità di accadimento di un fenomeno potenzialmente dannoso, caratterizzato da una certa intensità, nell ambito di un dato intervallo di tempo ed all'interno di una data area (Varnes et al., 1984) NON considerando il fattore TEMPORALE, si parla propriamente di SUSCETTIBILITÀ o PERICOLOSITÀ SPAZIALE (Brabb, 1984) The susceptibility is the possibility that a landslide will occur in a particular area on the basis of the local environmental conditions. (from P. Aleotti & R. Chowdhury, 1999)
METODI DI VALUTAZIONE DELLA PERICOLOSITÀ RELATIVA DA FRANA METODI QUALITATIVI METODI QUANTITATIVI EURISTICO ANALISI STATISTICA APPROCCIO GEOTECNICO LOGICA FUZZY Riduzione del grado Diretto Analisi di SOGGETTIVITÀ delle geomorfologica decisioni; Combinazione di Indiretto mappe qualitative PREVISIONE e/o VALUTAZIONE Murat Ercanoglu, del Candan comportamento Gokceoglu di un sistema (2004) Use of fuzzy complesso relations to produce influenzato da una landslide susceptibility pluralità map of di a fattori; landslide prone area (West Analisi Black statistica bivariata Sea Region, Turkey). Engineering Geology (Anbalagan, 1992) Strumento di supporto per le 75 229 250 Analisi statistica multivariata DECISIONI; Analisi deterministica Grande facilità di integrazione di variabili di Approccio natura probabilistico diversa (qualitative e/o quantitative) sia in entrata (Input) che in uscita (output) ANALISI NEURALE RETI NEURALI ARTIFICIALI La rete neurale artificiale (ANN, Artificial Neural Network) è formata da un gran numero di unità indipendenti, connesse le une alle altre mediante dei collegamenti. Questo è simile alla struttura del nostro cervello, in cui le unità sono i neuroni e i collegamenti gli assoni e le sinapsi. E un processo che simula il comportamento del cervello umano e, più precisamente, imita i processi di apprendimento La conoscenza viene acquisita dalla rete attraverso una FASE DI APPRENDIMENTO La forza delle connessioni interneurali, note come PESI, viene usata per conservare la conoscenza
L ARCHITETTURA DELLA RETE I N P U T Ogni nodo Tutte è collegato le connessioni a tutti i nodi 1 st HIDDEN dello strato trasportano precedente PESIe successivo costituiti LAYER tramite da una numeri CONNESSIONE reali piuttosto piccoli La rete più comune è2 nd quella HIDDENMULTISTRATO (in cui i nodi vengono posti LAYERin strati paralleli, OUTPUT generalmente 2 o 3, al massimo 4) a RETROPROPAGAZIONE (che è il nome LAYER dell algoritmo di addestramento). Il vettore dei valori in INPUT non viene considerato strato, In una in rete quanto esiste trasmette sempre direttamente Una i valori un rete layer reali MULTISTRATO di OUTPUT delle variabili e uno in è input allo I strato nodi costituita dello successivo o da stesso piùnodi, strati e strato non organizzati NON mediati nascosti sono da in funzioni di invece strati trasferimento. collegati (LAYERS) (HIDDEN LAYERS) L UNITA ELEMENTARE DELLA RETE: IL NEURONE INPUT NETTO o ingresso complessivo Il valore finale a in uscita viene inviato come input a tutti i nodi dello strato successivo a I segnali numerici che arrivano al NEURONE sono costituiti da tutti i valori V i di TUTTI i neuroni dello stato precedente, ciascuno moltiplicato per il rispettivo peso p i L input pesato viene poi valutato da una funzione detta di TRASFORMAZIONE che determina l output del singolo neurone
PROCESSO DI APPRENDIMENTO (TRAINING) Il processo di apprendimento standard consiste in ripetute iterazioni (EPOCHE), in ciascuna delle quali si presenta alla rete TUTTO il set di esempi. Al termine di ogni EPOCA,, i pesi preesistenti vengono modificati in modo orientato e tale da migliorare costantemente la capacità della rete di riprodurre l output l (target) a partire dall input. Ingressi Rete neurale Uscite Modifica dei parametri della rete Calcolo dell errore Algoritmo di backpropagation Al termine del training, la CONOSCENZA acquisita dalla rete RISIEDE nei VALORI dei PESI ADDESTRAMENTO: TRAINING SET TEST SET DATA SET Data Set: Totalità dei casi reali a disposizione (100%) Il problema principale di una rete neurale è che essa è una "scatola chiusa", è cioè molto difficile comprenderne Training Set il funzionamento e ci si deve spesso Casi limitare realmente a fidarsi utilizzati per dell'addestramento, senza avere la l addestramento possibilità di controllare della cosa rete (30%) Training effettivamente Test avviene dentro la rete. set set In questa fase di impiego operativo vengono forniti alla rete casi dei quali non si conosce l esito (target) ma solo l assetto delle variabili in input. La rete (se convenientemente addestrata) fornirà, caso per caso, la valutazione dell output del sistema Test Set Casi che non entrano nel training ma che vengono utilizzati per il controllo della capacità di GENERALIZZAZIONE della rete (70%)
CASO DI STUDIO: IL TERRITORIO DI POTENZA Carta geolitologica del territorio comunale di Potenza F. Sdao e S. Pascale CASO DI STUDIO: IL TERRITORIO DI POTENZA Febbraio Marzo 2005
APPLICAZIONE DELLA RETE NEURALE INPUT Aspetto del rilievo Elevazione Angolo di pendio Litologia Forma del rilevo Uso del suolo Indice topografico Strato nascosto Strato nascosto Strato nascosto Training Testing OUTPUT Errore
CASO DI STUDIO: I VERSANTI DELLA GRAVINA DI MATERA
CASO DI STUDIO: PARCO ARCHEOLOGICO STORICO NATURALE DELLE CHIESE RUPESTRI- MATERA BELVEDERE DELLE CHIESE RUPESTRI Situazioni instabili in corrispondenza di testimonianze rupestri (VIII XIII sec. D.C) APPLICAZIONE DELLA RETE NEURALE INPUT TRAINING
CARTA DI SUSCETTIBILITA DEL BELVEDERE CHIESE RUPESTRI meters 0,015 0,010 0,005 0,000-0,005-0,010-0,015 N. of pixels Delta Nord w.r.t. Staz.10 Staz. 02 1.60E+05 Staz. 03 1.40E+05 Staz. 04 Staz. 05 1.20E+05 Staz. 06 1.00E+05 Staz. 07 Staz. 08 8.00E+04 Staz. 09 6.00E+04 VL L M H VH 4.00E+04 2.00E+04 0.00E+00 0 0.2 0.4 0.6 0.8 1 14/01/2004 25/11/2003 06/10/2003 17/08/2003 28/06/2003 09/05/2003 20/03/2003 29/01/2003 10/12/2002 21/10/2002 01/09/2002 Landslide susceptibility Rete Date di monitoraggio GPS CONCLUSIONI I metodi basati sull intelligenza artificiale (RETI NEURALI ARTIFICIALI) sono sempre più spesso applicati alla valutazione della pericolosità spaziale da frana; le reti neurali possono costituire una risposta relativamente semplice nella risoluzione di problemi complessi come quelli concernenti la valutazione della suscettibilità de frana. attualmente oltre le reti neurali artificiali, la fuzzy logic, gli automi cellulari, ecc, sono sempre più spesso applicati nella valutazione della suscettibilità di frana.