Progetto Smile: gestione del rischio tra machine learning e citizen science

Smile studierà se e come il machine learning può servire per migliorare la conoscenza che abbiamo degli edifici sul territorio, preparando scenari per mitigare il rischio

Studiare gli edifici delle nostre città e la loro predisposizione al rischio, per migliorare la resilienza e la cultura di protezione civile, mettendo al centro il machine learning e la citizen science, coinvolgendo quindi anche i cittadini nella raccolta dei dati.

Questo è quello che si propone Smile (Statistical MachIne Learning for Exposure development), un Progetto di Rilevante Interesse Nazionale finanziato dal Piano Nazionale di Ripresa e Resilienza (PNRR) dall’Unione europea – Next Generation EU. Il lavoro è coordinato dall’Istituto Nazionale di Oceanografia e Geofisica Sperimentale - OGS, e vede come partner l’Istituto di Matematica Applicata e Tecnologie Informatiche del Consiglio Nazionale delle Ricerche (Cnr-Imati), l’Università degli studi di Firenze e l’Università degli studi di Milano-Bicocca. Smile studierà se e come il machine learning può servire per migliorare la conoscenza che abbiamo degli edifici sul territorio, per capire meglio qual è la loro esposizione ai disastri naturali, preparando scenari per mitigare il rischio. L’altro pilastro importante è il coinvolgimento dei cittadini, che non è mai stato utilizzato in questo modo in questo ambito specifico. I cittadini in prima persona contribuiranno alla raccolta dei dati sugli edifici che conoscono o che frequentano, dopo aver seguito una formazione minima.

Per capire meglio i vari aspetti del progetto Smile, ne abbiamo parlato con Chiara Scaini, coordinatrice scientifica dello studio per Ogs.

Approfondire la conoscenza delle nostre città con un approccio multirischio
“Smile nasce da un progetto precedente molto piccolo, un progetto pilota che abbiamo fatto con le scuole del Friuli Venezia Giulia, coinvolgendo delle classi e facendo raccogliere dei dati agli studenti dopo che avevano parlato con noi. Abbiamo visto che questo può essere un contributo importante nella raccolta dati, per esempio anche per gli edifici che vengono ristrutturati”, ci racconta Scaini. "Alcuni di questi dati non vengono raccolti nei censimenti a campione, mentre in questo modo si riuscirebbe ad avere dati aggiornati e a coinvolgere i cittadini. “Il progetto era nato soprattutto per il rischio sismico, mentre adesso è intrinsecamente multihazard”, spiega Scaini. “Gli edifici possono avere diverse caratteristiche, che possono essere rilevanti per i terremoti o per le frane; quindi l’idea è anche di valutare i diversi tipi di eventi calamitosi”. Nel corso del progetto, si valuterà anche quali sono i tipi di dati più interessanti, quali dati si riescono a raccogliere, quali sono i più affidabili, su quali di essi il machine learning può essere più utile e per quali eventi calamitosi. E, oltre a questo si farà uso di immagini satellitari, raccogliendo ulteriori informazioni sugli edifici.

Il contributo dei cittadini e dei volontari di prociv
Fondamentale sarà anche il contributo dei cittadini, per quello che sarà un vero e proprio esempio di citizen science. Secondo l’esperienza di Scaini, infatti, basata sul piccolo e interessante progetto pilota precedente, i cittadini generalmente osservano con attenzione gli edifici della zona che conoscono. “Abbiamo visto un grande spirito di osservazione soprattutto degli studenti”, dichiara la coordinatrice scientifica. “Quindi sarà interessante riuscire a vedere fino a che punto i cittadini e gli esperti possono vedere determinate caratteristiche”. Sia ai cittadini che ai soggetti più esperti verrà fornita una scheda dati, compilabile dal cellulare, composta da una sorta di questionario corredato con delle fotografie. La scheda è stata pensata per diversi livelli, quindi ci sarà una scheda per gli studenti e altre per persone con un alto livello di conoscenza, come gli studenti di ingegneria, gli ingegneri o il personale della protezione civile. “Ci piacerebbe coinvolgere soprattutto i volontari – sottolinea Scaini – che spesso conoscono molto bene gli edifici”. In ogni caso, la scheda raccoglie una descrizione delle caratteristiche dell'edificio, ad esempio la forma dell'edificio o del tetto, ma non esprime un giudizio tecnico su di esso.

Il machine learning e gli scenari di rischio
Quella del machine learning è soprattutto l’esperienza di Milano Bicocca, che si occupa proprio di tecniche di machine learning basato su immagini. “Hanno già sviluppato in progetti precedenti delle metodologie in cui riescono a classificare, basandosi su una foto aeree degli edifici e degli attributi degli edifici stessi”, illustra Scaini. “Quindi l’idea è che, sulla base di zone che conosciamo e per cui abbiamo dei dati, possiamo allenare questo sistema per fargli classificare edifici di zone di cui abbiamo solo l’immagine aerea o le immagini raccolte dai cittadini”. L’Italia ha già dei dataset a disposizione, per cui si parte già da una base di conoscenza. Anche perché questa tecnica non verrà affinata tanto per produrre qualcosa di nuovo, quanto per migliorare qualcosa che abbiamo già a disposizione" conclude Scaini. 

In sostanza l’obiettivo scientifico di Smile è quello di sviluppare un metodo, coinvolgendo i cittadini e i portatori di interesse, mostrando delle caratteristiche del territorio che magari non erano state notate o che non erano state interpretate in questo senso. Tutto questo contribuirà anche a creare più cultura legata alla percezione dei rischi.

Giovanni Peparello