L’AI può prevedere i disastri naturali? A che punto siamo con uragani, terremoti e alluvioni

A causa del cambiamento climatico i disastri naturali come inondazioni, uragani, incendi e frane, sono sempre più frequenti e intensi. A questi si aggiungono altri rischi come terremoti, tsunami ed eruzioni vulcaniche. Questi eventi nel complesso causano ogni anno nel mondo decine di migliaia di vittime e danni enormi. Nel 2025 sono stati registrati 358 disastri naturali significativi a livello globale. La loro previsione, soprattutto in tempi utili per prevenirne le conseguenze più gravi, è spesso molto complessa. Negli ultimi anni l’Intelligenza Artificiale ha dato un contributo importante in questo ambito, sia nel migliorare le previsioni e i sistemi di allerta precoce sia contribuendo a gestire meglio l’emergenza ed è oggi in grado di prevedere e monitorare i disastri naturali con una velocità e una precisione crescenti. Tuttavia in molti casi l’AI mostra ancora limiti significativi, soprattutto per quanto riguarda eventi record, sempre più frequenti a causa del riscaldamento globale.

L’uso dell’AI nella previsione degli eventi meteorologici estremi

Le previsioni meteorologiche negli ultimi anni sono migliorate notevolmente grazie all’uso dell’AI, che utilizza decenni di dati atmosferici raccolti a livello globale. La previsione di eventi meteorologici estremi è però più complessa. Il modello di AI WeatherNext di Google DeepMind, per esempio, è risultato utile per prevedere con accuratezza la traiettoria degli uragani 24 ore in anticipo rispetto ai modelli tradizionali, utilizzando dati storici sulle tempeste e immagini satellitari.

Nel 2025 ha aiutato ad emettere un’allerta precoce per l’arrivo dell’uragano Melissa sulla Giamaica. Altri modelli AI utilizzati dalla NASA sono riusciti a seguire alcuni uragani ogni ora anziché ogni sei come con i metodi tradizionali. Tuttavia, stimare l’intensità degli uragani per l’AI è più difficile, perché ha bisogno di grandi quantità di dati particolarmente dettagliati sulle aree oceaniche in cui si formano, che sono meno abbondanti. Anche per prevedere le inondazioni costiere c’è il problema della relativa scarsità di dati.

L’AI ha un ruolo significativo nella prevenzione del dissesto idrogeologico, grazie alla possibilità di integrare grandi quantità di dati di varia natura (meteorologici, idrologici, geologici, satellitari ecc.) e di eseguire rapide e precise stime dei rischi. Gli algoritmi elaborano i dati delle precipitazioni e analizzano in tempo reale i dati di portata dei fiumi per stimare l’arrivo delle onde di piena, permettendo di evacuare in tempo la popolazione.

Sono utili anche nella previsione delle frane, dal momento che elaborano rapidamente sia dati satellitari sia dati provenienti da sensori sul terreno per rilevare anomalie come deformazioni del suolo e movimenti dei versanti. In generale però, per eventi meteo estremi che hanno pochi precedenti o che superano i record storici, le stime dell’AI sono meno attendibili rispetto ai modelli convenzionali basati sulle leggi fisiche dell’atmosfera, che possono rappresentare anche situazioni senza precedenti.

Come funziona l’AI nella previsione di terremoti e tsunami

Per quanto riguarda i terremoti, i modelli di machine learning si basano su dati sismici che interessano per esempio la magnitudo, la posizione dell’ipocentro, il tipo di onde sismiche e il tempo che impiegano a raggiungere la stazione di rilevamento. I risultati ottenuti sono molto incoraggianti, nonostante non si riesca ancora a prevedere con precisione dove e quando avrà luogo un terremoto e quale sarà la sua magnitudo. Per esempio, l’Università del Texas di Austin, durante una prova di sette mesi nel sudovest della Cina, ha addestrato l’AI con dati sismici in tempo reale e relativi a cinque anni di registrazioni sismiche. L’algoritmo ha così previsto con successo 14 terremoti una settimana prima che si verificassero, entro un raggio di circa 300 km dal loro effettivo epicentro. L’AI serve anche a individuare nei dati sismici a disposizione terremoti di magnitudo inferiore che non erano stati rilevati con metodi tradizionali e quindi ad ampliare i cataloghi sismici. Per esempio, per il terremoto che il 6 aprile 2009 ha colpito l’Aquila il catalogo sismico conteneva 64.000 terremoti, mentre l’AI ne ha identificati ben 114.229. Ai Campi Flegrei invece, analizzando con l'AI i dati di monitoraggio sismico della caldera, sono stati rilevati circa 54.000 terremoti tra il 2022 e il 2025, mentre finora se ne erano individuati solo 12.000. Grazie a questi nuovi dati è stato scoperto anche un grande sistema di faglie ad anello responsabili di molti sismi, che delimita la zona in cui la caldera si sta sollevando. Avere più dati a disposizione significa anche migliorare le capacità di previsione degli algoritmi.

Nel caso degli tsunami, il machine learning elabora i dati dei sensori posizionati sul fondo dell’oceano e riconosce modelli di onda anomali che indicano un potenziale tsunami. È così in grado di prevedere l’impatto dello tsunami sulle coste velocizzando e migliorando l’accuratezza delle allerte.

non perderti questo articolo

I danni dei disastri naturali: ecco quanto ci costano e cosa fare per ridurne i rischi