C’è anche il lavoro di ARPA Valle d’Aosta dietro una ricerca che prova a cambiare il modo in cui vengono osservati i fiumi e, in particolare, quel materiale legnoso che dopo una piena si accumula lungo gli alvei. Tronchi, rami spezzati e porzioni di alberi non sono infatti semplicemente materiale da rimuovere: i cosiddetti detriti legnosi svolgono una funzione importante negli ecosistemi fluviali, creando rifugi per pesci e insetti, rallentando localmente la corrente, trattenendo sedimenti e contribuendo alla trasformazione della morfologia del corso d’acqua. La notizia è stata rilanciata dal Sistema nazionale per la protezione dell’ambiente (SNPA) il 4 settembre 2026, mettendo in evidenza il contributo dell’Agenzia valdostana a uno studio internazionale che guarda all'incontro tra monitoraggio ambientale, tecnologia e intelligenza artificiale.
Il lavoro scientifico, intitolato “Detection of Large Woody Debris in Braided-Rivers RGB-UAV Dataset: A Comparative Study”, è stato pubblicato sulla rivista Remote Sensing e nasce dalla collaborazione tra ricercatori e ricercatrici del Nanjing Hydraulic Research Institute, della Hohai University di Nanjing, del Politecnico di Torino e di ARPA Valle d’Aosta. Il problema affrontato è concreto: capire con precisione quanto legname sia presente in un fiume e dove sia localizzato è utile sia per conoscere il funzionamento degli ecosistemi sia per programmare le attività di gestione, ma farlo attraverso rilievi effettuati direttamente sul terreno può diventare molto complesso quando le superfici da controllare sono ampie e gli ambienti difficili da percorrere.
Il materiale legnoso, inoltre, non si presenta secondo forme facilmente riconoscibili. Un tronco può trovarsi isolato, mentre rami e frammenti possono formare ammassi irregolari. Osservati dall’alto, possono confondersi con la ghiaia, i sassi e il terreno, soprattutto quando colori e texture sono simili. La difficoltà aumenta nei cosiddetti fiumi “intrecciati”, caratterizzati dalla presenza di più canali che si dividono e modificano il proprio assetto nel corso delle piene. Sono ambienti estremamente dinamici, nei quali una fotografia restituisce una situazione destinata a cambiare nel tempo.
ph tratta dal sito web SNPA
Per mettere alla prova il metodo, i ricercatori hanno scelto il fiume Tagliamento, in Friuli-Venezia Giulia, considerato un esempio particolarmente significativo di grande fiume alpino ancora largamente caratterizzato da dinamiche naturali. Il corso d’acqua conserva infatti una struttura con più canali, isole di vegetazione e una consistente presenza di legname trasportato dalla corrente. Le immagini utilizzate nella ricerca sono state acquisite dall’alto attraverso un drone dotato di una normale fotocamera, aprendo così alla possibilità di raccogliere informazioni su superfici estese senza dover effettuare ogni volta un censimento interamente a piedi.
La parte più innovativa arriva però dopo l’acquisizione delle immagini. Il materiale fotografico è stato utilizzato per mettere a confronto diverse tecniche di intelligenza artificiale, comprese metodologie tradizionali e modelli di deep learning. L'obiettivo era insegnare al sistema a riconoscere automaticamente il legname e a distinguerlo dal resto della superficie fluviale. I risultati hanno mostrato che, in questo caso, semplificare il compito può aumentare la precisione: chiedere al sistema di individuare semplicemente il “legno” rispetto a tutto ciò che non lo è ha funzionato meglio rispetto a una classificazione più articolata, nella quale l'intelligenza artificiale avrebbe dovuto distinguere separatamente anche acqua, sassi e terreno.
Tra i modelli analizzati, DeepLabv3+ è risultato quello più efficace nel ricostruire la posizione del legname nelle immagini. Ma il vero banco di prova non consisteva soltanto nel verificare se l’algoritmo fosse capace di riconoscere ciò che aveva già imparato. La domanda decisiva era un’altra: sarebbe riuscito a funzionare anche in condizioni differenti?
I ricercatori hanno quindi addestrato il modello su una porzione del fiume e in uno specifico momento, sottoponendolo successivamente a immagini relative a un’area più ampia e a un periodo differente dell’anno. Il risultato è stato incoraggiante. L’intelligenza artificiale ha continuato a riconoscere il materiale legnoso con una buona affidabilità anche in condizioni nuove, pur mostrando qualche difficoltà aggiuntiva nei periodi più secchi, quando il legname asciutto può assomigliare maggiormente alla ghiaia circostante.
È proprio questo aspetto a rendere interessante la ricerca anche al di là del singolo esperimento. Se un sistema riesce a riconoscere il legname non soltanto nelle immagini utilizzate per il suo addestramento, ma anche in contesti differenti, diventa possibile immaginare campagne di monitoraggio ripetute nel tempo. Lo stesso tratto di fiume potrebbe essere osservato dopo eventi di piena, a distanza di mesi o in differenti condizioni stagionali, costruendo progressivamente una serie di dati utile a comprendere come cambiano la distribuzione del legname e la struttura dell’alveo.
La prospettiva interessa direttamente anche la gestione del territorio. I detriti legnosi hanno infatti una doppia dimensione: da una parte sono un elemento naturale dell'ecosistema e possono contribuire alla biodiversità e alla dinamica del fiume; dall'altra, la loro presenza deve essere valutata nell'ambito delle attività di gestione e sicurezza dei corsi d'acqua. La possibilità di disporre rapidamente di una mappatura dettagliata può quindi fornire informazioni aggiuntive a chi deve decidere se, dove e come intervenire.
La tecnologia, in questo senso, non sostituisce il lavoro degli esperti ma può cambiare il modo nel quale vengono raccolti i dati. Un drone equipaggiato con una fotocamera comune è uno strumento relativamente semplice da utilizzare e, se associato a modelli di intelligenza artificiale adeguatamente addestrati, può trasformare una grande quantità di immagini in informazioni utilizzabili per il monitoraggio. Il vantaggio potenziale è soprattutto nella possibilità di coprire superfici ampie e difficili da percorrere, riducendo la necessità di affidarsi esclusivamente a sopralluoghi manuali.
Per una realtà montana come la Valle d’Aosta, il tema assume un interesse particolare. La conoscenza dei corsi d’acqua e della loro evoluzione è infatti parte di una più ampia esigenza di monitoraggio del territorio alpino, dove morfologia, pendenze, eventi meteorologici e dinamiche torrentizie rendono spesso complesso osservare direttamente ogni trasformazione. Il contributo di ARPA Valle d’Aosta a una ricerca internazionale di questo tipo mostra quindi come le competenze sviluppate localmente possano inserirsi in un confronto scientifico più ampio, nel quale le tecnologie digitali diventano strumenti al servizio della conoscenza ambientale.
C’è infine un elemento politico e amministrativo che non va trascurato. Monitorare meglio significa disporre di informazioni più solide quando si devono assumere decisioni sul territorio. In un campo nel quale la gestione dei fiumi deve spesso trovare un equilibrio tra tutela degli ecosistemi, prevenzione del rischio e necessità di intervento, poter contare su dati aggiornati e facilmente replicabili può migliorare la qualità delle scelte pubbliche. L'intelligenza artificiale, dunque, non rappresenta soltanto una nuova tecnologia applicata alle immagini: può diventare uno strumento per rendere più sistematico il rapporto tra osservazione scientifica e gestione del territorio.
Il risultato più interessante dello studio è forse proprio questo: per conoscere un fiume non basta più soltanto guardarlo da vicino. Oggi è possibile osservarlo anche dal cielo, raccogliere immagini e lasciare che un algoritmo impari a riconoscere ciò che all'occhio umano può apparire indistinto. Nel caso dei tronchi e dei rami trasportati dalla corrente, una tecnologia relativamente semplice come un drone può così trasformarsi, grazie all'intelligenza artificiale, in uno strumento di monitoraggio ambientale capace di seguire nel tempo una delle componenti più visibili e al tempo stesso meno facilmente quantificabili della dinamica fluviale.
SU