• spatiotemporal prediction
• landslides
• landslide probability mapping
• early warning
• machine learning
• Random Forest

RIASSUNTO (in italiano):
Questa ricerca propone un approccio innovativo per la previsione nello spazio e nel tempo delle frane attraverso un approccio machine learning, sfruttando variabili dinamiche come piogge e vegetazione. Il lavoro è strutturato in tre fasi distinte: un'analisi preliminare nella Città Metropolitana di Firenze (MCF), Italia; una successiva esplorazione a Kvam, Norvegia; e un'analisi conclusiva che riprende il caso studio della MCF. L’obbiettivo è quello di produrre mappe di probabilità da frana per diversi scenari e suggerire potenziali future applicazioni in Landslides Early Warning Systems (LEWS).
La fase iniziale, condotta in MCF, ha gettato le basi fondamentali della ricerca, concentrandosi sul settaggio del modello e sulla verifica della sua affidabilità attraverso la valutazione dell'influenza delle variabili di input sull'innesco delle frane. La metodologia innovativa proposta coinvolge l'applicazione dinamica dell'algoritmo Random Forest (RF) attraverso l'identificazione di frane ed eventi di non-frana sia nello spazio che nel tempo. I risultati ottenuti da questa fase hanno sottolineato l'influenza significativa delle variabili dinamiche (in particolare delle piogge brevi e intense) e delle variabili statiche nella previsione delle frane, aprendo la strada alle fasi successive dello studio.
Le indagini eseguite in Norvegia hanno esteso il quadro metodologico stabilito nella MCF i) introducendo lo scioglimento della neve come nuovo parametro dinamico; ii) valutando la risposta del modello all’aumentare del numero di eventi non-frana; iii) introducendo una procedura innovativa per la mappatura della probabilità di frana per diversi scenari; iv) utilizzando il Double Threshold Validation Tool (DTVT) per validare i risultati e definire le basi di un LEWS basato sulla metodologia proposta. I risultati di questa fase hanno confermato l'efficacia della metodologia dinamica proposta, ed hanno permesso di raggiungere l'obiettivo principale del progetto: la creazione di mappe di probabilità di frana mediante un approccio machine learning.
La fase finale è stata condotta nella MCF, arricchendo l'analisi iniziale integrando intuizioni e lezioni apprese dal caso di studio norvegese. In questa analisi, la ri-calibrazione del modello, eseguita per una più approfondita indagine sull'effetto della vegetazione nell'attivazione delle frane, ha portato al potenziamento delle sue capacità predittive.
La metodologia innovativa impiegata in questa ricerca, che collega un modello di machine learning avanzato a variabili statiche e dinamiche, rappresenta un punto di partenza per l'evoluzione dei modelli di previsione delle frane. In conclusione, questa ricerca fornisce un metodo di indagine dell’affidabilità dei modelli machine learning tramite l’analisi dell’influenza dei vari fattori di input nell’innesco delle frane. Inoltre, l'analisi eseguita in diverse condizioni geografiche e climatiche, l'introduzione di nuovi parametri dinamici e l’analisi di diverse configurazioni del modello contribuiscono collettivamente a promuovere l’utilizzo del machine learning per la previsione delle frane sia nello spazio che nel tempo.

Abstract (in English)
This research proposes an innovative approach for spatiotemporal landslide prediction through a machine learning approach, leveraging dynamic variables such as rainfall and vegetation. The work is structured into three distinct phases: a preliminary analysis in the Metropolitan City of Florence (MCF), Italy; a subsequent exploration in Kvam, Norway; and a concluding analysis revisiting the MCF case study. The objective is to generate landslide probability maps for different scenarios and suggest potential future applications in Landslides Early Warning Systems (LEWS).
The initial phase, conducted in MCF, laid the fundamental groundwork for the research, focusing on model setup and verifying its reliability by evaluating the influence of input variables on landslide initiation. The proposed innovative methodology involves the dynamic application of the Random Forest (RF) algorithm through the identification of landslides and non-landslide events both in space and time. The results obtained from this phase emphasized the significant influence of dynamic variables (particularly short and intense rainfall) and static variables in landslide prediction, paving the way for subsequent phases of the study.
The investigations carried out in Norway expanded the methodological framework established in MCF by i) introducing snowmelt as a new dynamic parameter; ii) assessing the model's response to an increased number of non-landslide events; iii) introducing an innovative procedure for landslide probability mapping for various scenarios; iv) using the Double Threshold Validation Tool (DTVT) to validate the results and establish the foundations for an LEWS based on the proposed methodology. The results of this phase confirmed the effectiveness of the proposed dynamic methodology, achieving the core objective of the project: creating landslide probability maps using a machine learning approach.
The final phase was conducted in MCF, enhancing the initial analysis by incorporating insights and lessons learned from the Norwegian case study. In this analysis, the model was recalibrated through a more in-depth investigation into the effect of vegetation on landslide activation, resulting in enhanced predictive capabilities.
The innovative methodology employed in this research, connecting an advanced machine learning model with static and dynamic variables, serves as a starting point for the evolution of landslide prediction models. In conclusion, this research provides a method for assessing the reliability of machine learning models by analysing the
influence of various input factors on landslide initiation. Furthermore, the analysis conducted under different geographical and climatic conditions, the introduction of new dynamic parameters, and the investigation of different model configurations collectively promote the use of machine learning for landslide prediction in both space and time.