Approccio di analisi delle interazioni multi-hazard naturali in Italia

This thesis is framed within the context of multi-hazard research, with the aim of analyzing the spatio-temporal relationships among different natural phenomena at the national scale. In particular, the study aimed to develop a multi-hazard inventory based on observed events, integrating datasets related to landslides, floods, wildfires, and heatwaves across the Italian territory. The data were processed using Geographic Information Systems (GIS) and subsequently analyzed through procedures developed in a Python environment, in order to automatically identify spatio-temporal relationships among events belonging to different hazard types. The adopted approach was based on representing events as georeferenced centroids, each described by a unique identifier (ID), a date of occurrence, and a hazard type, enabling a systematic analysis of interactions among different natural phenomena. A national multi-hazard dataset was developed, including over 100,000 physical events, to which heatwaves—analyzed separately—were added, for a total of more than 170,000 entities. The identification of interactions among events was carried out through the application of spatio-temporal thresholds, which enabled the classification of different types of relationships, including simultaneous, consecutive, and compound events. Due to computational limitations, the analysis was conducted on a representative sample of events, consisting of 2,500 instances for each hazard type. The results revealed the presence of numerous multi-hazard interactions, with a total of 1,937 correlations identified, demonstrating the validity of the proposed approach. The study demonstrated that interactions among hazards can be automatically analyzed through geospatial tools and data analysis techniques, providing a replicable methodological framework for future multi-hazard studies and for the development of predictive models based on machine learning techniques.

Questo lavoro di tesi si inserisce nel contesto degli studi sui sistemi multi-hazard, con l’obiettivo di analizzare le relazioni spazio-temporali tra diversi fenomeni naturali a scala nazionale. In particolare, il lavoro si è proposto di costruire un inventario multi-hazard basato su eventi osservati, integrando dati relativi a frane, alluvioni, incendi boschivi e ondate di calore sul territorio italiano. I dati sono stati elaborati mediante sistemi informativi geografici (GIS) e successivamente analizzati attraverso procedure sviluppate in ambiente Python, al fine di identificare in modo automatico le relazioni spazio-temporali tra eventi appartenenti a diverse tipologie di hazard. L’approccio adottato si è basato sulla rappresentazione degli eventi tramite centroidi georeferenziati, ciascuno descritto da un identificativo univoco (ID), una data di occorrenza e una tipologia di hazard, consentendo di analizzare in modo sistematico le interazioni tra fenomeni naturali differenti. È stato costruito un dataset multi-hazard nazionale che include oltre 100.000 eventi fisici, a cui si sono aggiunte le ondate di calore analizzate separatamente, per un totale di oltre 170.000 entità. L’identificazione delle interazioni tra eventi è stata effettuata mediante l’applicazione di soglie spazio-temporali, che hanno consentito di classificare diverse tipologie di relazioni, tra cui eventi simultanei, consecutivi e compound. A causa delle limitazioni computazionali, l’analisi è stata condotta su un campione rappresentativo di eventi, pari a 2500 per ciascuna tipologia di hazard. I risultati hanno evidenziato la presenza di numerose interazioni multi-hazard, con un totale di 1937 correlazioni identificate, dimostrando la validità dell’approccio proposto. Il lavoro ha evidenziato come le interazioni tra hazard possano essere analizzate in modo automatico attraverso strumenti geospaziali e tecniche di analisi dei dati, fornendo una base metodologica replicabile per futuri studi multi-hazard e per lo sviluppo di modelli predittivi basati su tecniche di machine learning.