Un sistema di intelligenza artificiale può setacciare anni di registrazioni sismiche e scovare segnali che, per un analista umano, restano spesso sepolti nel rumore.
L’idea è semplice da dire e difficile da realizzare: se prima di alcuni grandi terremoti esistono micro-eventi o pattern ripetuti, un modello addestrato su moltissimi dati potrebbe riconoscerli e trasformarli in un supporto operativo per la sismologia. Qui serve tenere i piedi per terra. Un conto è migliorare la rilevazione di scosse minuscole, ricostruire sequenze e capire meglio dove si accumula deformazione. Un altro è fare previsione deterministica del “giorno e ora” del prossimo evento. Oggi la frontiera più concreta resta l’allerta precoce, cioè guadagnare secondi o decine di secondi dopo l’inizio della rottura, non settimane prima. L’IA può aiutare, ma non sostituisce fisica, reti di sensori e gestione del rischio.
Stanford e INGV: 54.000 microterremoti emersi ai Campi Flegrei
Un caso italiano rende l’argomento meno astratto: ai Campi Flegrei l’uso di modelli di intelligenza artificiale ha permesso di identificare e localizzare oltre 54.000 terremoti, in gran parte di magnitudo molto bassa, che risultavano nascosti nel rumore sismico o nelle “code” di eventi più forti. Il punto non è il record numerico, ma l’aumento di risoluzione con cui si può descrivere una crisi sismica in un’area complessa e densamente abitata. La caldera flegrea è in stato di unrest dal 2005 e negli ultimi anni ha mostrato un incremento della sismicità, della velocità di sollevamento del suolo e dell’attività fumarolica. In un contesto del genere, distinguere tra rumore antropico, segnali ambientali e microfratture reali è un lavoro che richiede tempo e che può essere limitato da soglie conservative nei cataloghi. Un algoritmo addestrato su un catalogo storico aggiornato può imparare a separare meglio le componenti, riducendo i “buchi” informativi. Il risultato pratico più interessante è la possibilità di mappare con più dettaglio le strutture attive: faglie che delimitano la zona di sollevamento nella caldera e un sistema di faglie molto superficiali collegato all’area idrotermale sotto Solfatara e Pisciarelli. Per chi vive lì, o per chi deve prendere decisioni, questa non è curiosità accademica: una geometria più chiara delle sorgenti aiuta a interpretare come evolve la deformazione e dove si concentra l’attività. Il rovescio della medaglia è che “vedere di più” non significa automaticamente “prevedere meglio”. Un catalogo più ricco può migliorare stime di pericolosità e scenari, ma la relazione tra microseismicità e un eventuale grande terremoto non è lineare e non è universale. Se ti aspetti un semaforo che passa da verde a rosso con giorni di anticipo, resti deluso. Se invece lo leggi come un upgrade della sorveglianza e dell’interpretazione, il salto è concreto.
Segnali precursori: cosa l’IA può trovare nel rumore sismico
Quando si parla di “segnali nascosti”, spesso si intende una combinazione di micro-eventi, variazioni statistiche nella frequenza dei terremoti piccoli, cambiamenti nella forma d’onda o cluster che emergono solo quando hai un rilevamento molto sensibile. L’intelligenza artificiale è utile perché può confrontare milioni di finestre di segnale e riconoscere somiglianze sottili, dove l’occhio umano fatica o dove un metodo classico richiede parametri scelti a mano. Un esempio concreto è la capacità di trovare terremoti minuscoli sovrapposti ad altri segnali. Nelle registrazioni sismiche reali, un evento forte produce una coda che dura, e dentro quella coda possono esserci scosse più piccole. Se queste scosse non entrano nel catalogo, perdi informazione sulla migrazione della sismicità e sulla risposta della crosta allo stress. Recuperarle significa ricostruire sequenze più complete, con ricadute su modelli di pericolosità e su come si interpretano fasi di crisi. Qui entra la parte delicata: chiamarli “precursori” è un’ipotesi, non una garanzia. In sismologia esistono casi in cui si osservano foreshock prima di un grande evento, ma non tutti i grandi terremoti hanno foreshock riconoscibili e non tutti i cluster di microterremoti culminano in una scossa maggiore. L’IA può segnalare che “qualcosa sta cambiando” nel pattern, ma trasformarlo in una previsione richiede modelli fisici e, soprattutto, una valutazione probabilistica con incertezze esplicite. Una critica necessaria: se un algoritmo è addestrato su un’area specifica e su una rete di sensori con certe caratteristiche, può funzionare molto bene lì e molto meno altrove. Cambiano geologia, rumore urbano, densità della rete, qualità degli strumenti. Per questo, i risultati più solidi sono quelli che dichiarano chiaramente il contesto e che vengono replicati su più regioni. La promessa realistica non è “prevediamo i terremoti”, ma “riduciamo la quota di segnali persi e miglioriamo la lettura del sistema”.
Allerta precoce: perché contano le onde P e quei 5-12 secondi
L’allerta precoce non è la previsione a lungo termine: è un sistema che riconosce l’inizio di un terremoto e avvisa prima che arrivino le scosse più distruttive. La base fisica è nota: le onde P arrivano per prime, sono più veloci e in genere meno dannose; le onde S e le onde superficiali arrivano dopo e fanno la parte più pesante dei danni. Se intercetti subito le P, puoi guadagnare secondi preziosi per fermare treni, chiudere valvole, mettere in sicurezza linee industriali. In reti strumentali ben progettate, l’identificazione automatica può partire in pochi secondi. Le stime iniziali di epicentro e magnitudo migliorano man mano che più stazioni vengono investite dal segnale. In letteratura divulgativa e tecnica si parla di localizzazione e prima stima in circa 5-6 secondi e di stabilizzazione delle stime dopo circa 10-12 secondi, oltre i quali aspettare non aggiunge molto per la decisione di allertare, perché il tempo utile si riduce. La chiave è probabilistica: un sistema serio associa incertezze alle stime e aggiorna le probabilità in tempo reale. Questo riduce il rischio di falsi allarmi, ma introduce un compromesso inevitabile: più aspetti per essere sicuro, meno tempo resta per reagire. Qui l’intelligenza artificiale può aiutare in due modi: riconoscere più rapidamente le P in segnali rumorosi e stimare parametri iniziali con modelli addestrati su grandi archivi, sempre con controllo di qualità e validazione. Se vuoi un’immagine concreta, pensa a un’azienda con macchinari sensibili o a una metropolitana: anche 10 secondi possono bastare per aprire porte, bloccare ascensori, rallentare un convoglio. Ma se sei praticamente sopra l’epicentro, l’allerta arriva tardi o non arriva: la fisica delle onde non fa sconti. Per questo parlare di “soluzione totale” è fuorviante. L’allerta precoce è un tassello, utile e misurabile, dentro una strategia più ampia di riduzione del rischio.
Smartphone, sensori e rete: cosa cambia tra Android e sismometri scientifici
Negli ultimi anni si è parlato molto di allerta via smartphone, basata sugli accelerometri dei telefoni. L’idea è sfruttare una quantità enorme di sensori “non scientifici” distribuiti sul territorio. Il vantaggio è la numerosità: anche se ogni singolo sensore è meno preciso, la massa di dati può compensare in parte. Il limite è altrettanto chiaro: un accelerometro di un telefono non ha la qualità di uno strumento scientifico, e la variabilità di condizioni d’uso, custodie, superfici d’appoggio e rumore ambientale complica la selezione del segnale. Dal punto di vista dei costi, la differenza è netta: gli strumenti scientifici possono costare da poche centinaia a qualche migliaio di euro, mentre un sensore “consumer” è incorporato in un dispositivo che già possiedi. Ma il prezzo non è tutto: una rete scientifica è progettata per misurare, calibrare, sincronizzare tempi, mantenere continuità e qualità del dato. Una rete di smartphone è opportunistica, disomogenea, dipende da connessione e partecipazione. Sono due strumenti diversi, non uno il sostituto dell’altro. In Italia si lavora su sperimentazioni per sistemi di allerta precoce su scala nazionale e su applicazioni mirate. Un esempio citato in ambito divulgativo è l’uso su infrastrutture critiche come la linea ferroviaria ad alta velocità, dove anche pochi secondi possono ridurre rischi operativi. Qui l’IA può entrare nella catena per classificare eventi, filtrare falsi segnali e migliorare la robustezza, ma sempre dentro una governance chiara: chi decide l’allarme, con quali soglie, con quale responsabilità. La sfida più concreta, se ragioni da cittadino, è la comunicazione del rischio: un avviso sul telefono deve essere comprensibile, tempestivo e proporzionato, altrimenti genera panico o assuefazione. E qui serve una nota critica: se un sistema produce troppi falsi allarmi, la gente smette di crederci. Se è troppo prudente, arriva tardi. L’intelligenza artificiale può ottimizzare, ma non elimina il trade-off. La qualità del servizio dipende da rete, algoritmi, procedure e addestramento della popolazione.
Promesse e limiti: tra previsione probabilistica e responsabilità pubblica
Dire che l’IA “prevede i terremoti” è una scorciatoia che non aiuta. Oggi l’obiettivo realistico è migliorare la previsione in senso probabilistico, cioè stimare come cambia la probabilità di scuotimento forte in un’area, e potenziare l’allerta precoce in tempo reale. In mezzo c’è un lavoro enorme: validazione su dati indipendenti, test in tempo reale, analisi dei bias, gestione dei casi rari. I grandi terremoti sono pochi rispetto alla quantità di dati, e questo rende difficile addestrare modelli che generalizzino bene. Un punto spesso sottovalutato è la trasferibilità: un modello che funziona ai Campi Flegrei, dove il rumore antropico è forte e la sorgente è vulcanica-idrotermale, non è detto che funzioni uguale su una faglia tettonica in Appennino o su una zona subduzione. Per questo la comunità scientifica insiste su benchmark, confronti tra metodi e trasparenza sulle prestazioni. Se un algoritmo migliora la rilevazione di microeventi del 20% in un’area, è un risultato utile, ma non si traduce automaticamente in “domani sapremo quando arriva la scossa”. C’è poi il tema della responsabilità: se un sistema di IA suggerisce un aumento di rischio, chi prende la decisione di evacuare, fermare un impianto, chiudere una scuola? In molti contesti, l’IA viene vista come supporto decisionale, non come decisore. Questo approccio riduce il rischio di delegare a una “scatola nera” scelte con impatto sociale enorme. Nella pratica, servono protocolli, audit, simulazioni e comunicazione pubblica chiara, altrimenti la tecnologia diventa un boomerang. Per capire dove può arrivare davvero, vale una distinzione semplice. L’IA è già forte nel riconoscimento di pattern, nella pulizia dei dati, nella classificazione automatica e nella ricostruzione di cataloghi più completi, come mostrano i casi di microterremoti recuperati. È più debole quando le chiedi di anticipare con certezza un evento raro e complesso, governato da processi fisici non osservabili direttamente. Se la usi per migliorare la sismologia operativa, è uno strumento potente. Se la carichi di promesse assolute, l’evoluzione resta incerta e il rischio di disinformazione cresce.
Fonti
