L’intelligenza artificiale può davvero individuare automaticamente la presenza di permafrost sui versanti montani? Una risposta arriva dalla ricerca scientifica coordinata dal Dipartimento di Scienze della Terra dell’Università di Pisa, che ha messo a punto un nuovo approccio per il riconoscimento automatico dei rock glacier, le tipiche masse di detriti e ghiaccio che si formano nelle aree fredde e costituiscono un indicatore chiave degli ambienti periglaciali. Lo studio propone un framework innovativo basato sull’elaborazione di dati satellitari e sull’uso di modelli di intelligenza artificiale, con l’obiettivo di rendere più rapida e precisa la mappatura di queste forme del terreno, spesso difficili da identificare con i metodi tradizionali.
La metodologia è stata integrata nella piattaforma Google Earth Engine e sfrutta il dataset “Satellite Embedding” sviluppato da AlphaEarth Foundations di Google DeepMind. Si tratta di rappresentazioni numeriche avanzate, chiamate embedding, ottenute combinando informazioni provenienti da più sensori satellitari e da osservazioni raccolte nel tempo. Ogni pixel dell’immagine satellitare viene così descritto attraverso 64 variabili diverse, consentendo all’algoritmo di cogliere pattern geomorfologici complessi. Il risultato è una capacità di riconoscimento ad alta precisione delle forme del suolo, con una risoluzione spaziale fino a 10 metri per pixel, aprendo nuove prospettive per lo studio del permafrost e dei cambiamenti climatici nelle aree montane.
“Abbiamo sviluppato un framework per il rilevamento automatico dei rock glacier utilizzando il dataset Satellite Embedding prodotto da AlphaEarth Foundations di Google DeepMind“, spiega Adriano Ribolini del Dipartimento di Scienze della Terra. “Questi embedding di pixel ad alta dimensionalità trasformano i dati satellitari multi-sensore e multi-temporali in vettori a 64 dimensioni, consentendoci di riconoscere modelli geomorfologici complessi e mappare queste forme del terreno con una risoluzione di 10 metri per pixel“.
I risultati sono stati ottenuti analizzando gli embedding multi-sensore attraverso tecniche di Machine Learning direttamente nell’ambiente di lavoro di Google Earth Engine. “Siamo stati in grado di localizzare automaticamente 621 rock glacier in un’area delle Alpi Occidentali con un’accuratezza dell’85,7%, corrispondente a un’estensione di permafrost di circa 32 km²“, afferma Varun Khajuria, dottorando presso la Scuola di Dottorato in Geoscienze e Ambiente del Dipartimento di Scienze della Terra e primo autore dello studio.
Secondo i ricercatori, questo approccio apre la strada ad analisi su larga scala nelle principali catene montuose del pianeta, in particolare nelle regioni dove il ghiaccio contenuto nel permafrost rappresenta una riserva strategica di acqua allo stato solido e una risorsa sempre più importante per affrontare le sfide poste dal cambiamento climatico. La ricerca è stata realizzata con la partecipazione e il cofinanziamento di ARPA Piemonte (Luca Paro), dell’Università di Aberdeen (Shaktiman Singh), dell’Università di Torino (Matteo Spagnolo) e del Laboratorio Georadar del Dipartimento di Scienze della Terra dell’Università di Pisa. I risultati sono stati pubblicati sulla rivista Earth Systems and Environment (DOI: 10.1007/s41748-026-01139-x).