Il settore dei trasporti è tra i più vulnerabili agli impatti dei cambiamenti climatici, con eventi estremi quali alluvioni, ondate di calore e tempeste che minacciano la continuità dei servizi e l’integrità delle infrastrutture.

Nonostante l’attenzione crescente alla digitalizzazione e all’efficienza, il potenziale dell’intelligenza artificiale (AI) quale strumento per rafforzare la resilienza climatica dei sistemi di trasporto è ancora oggi molto alto. Questo contributo propone un framework integrato che combina modelli predittivi di AI con metodologie di analisi del rischio climatico, al fine di anticipare interruzioni, ottimizzare piani di emergenza e supportare strategie di adattamento.

L’approccio è articolato su tre livelli:

• previsione degli impatti climatici sulle infrastrutture attraverso l’uso di reti neurali e modelli di machine learning addestrati su serie storiche di eventi e dati meteo-climatici;
• valutazione della vulnerabilità e dell’esposizione delle reti di trasporto mediante metriche di risk assessment ispirate alle linee guida IPCC;
• implementazione di strumenti di decision support per autorità e gestori, orientati a migliorare pianificazione e allocazione delle risorse in scenari di emergenza.

L’analisi sottolinea come l’AI possa assumere un ruolo strategico nella climate adaptation dei trasporti, integrandosi con le politiche europee (EU Adaptation Strategy, Green Deal) e nazionali (PNACC). In conclusione, il paper evidenzia la necessità di sviluppare sistemi predittivi trasparenti, robusti e interoperabili che consentano di trasformare i dati climatici in conoscenza operativa, favorendo la resilienza infrastrutturale e la sicurezza dei cittadini.

Cambiamenti climatici e vulnerabilità dei trasporti

I cambiamenti climatici stanno già intensificando la frequenza e l’intensità di molti eventi estremi; tali eventi mettono sotto pressione infrastrutture e servizi essenziali, inclusi i trasporti [1]. Il settore dei trasporti, e in particolare le reti ferroviarie, è altamente esposto: ondate di calore estreme, precipitazioni intense con alluvioni, tempeste di vento e altri eventi avversi generano danni fisici alle infrastrutture, interruzioni del servizio e rischi per la sicurezza degli utenti. Gli impatti economici dei rischi climatici sono rilevanti.

Nell’Unione Europea, ad esempio, i danni annui attesi alle infrastrutture energetiche, oggi stimati in circa 0,5 miliardi di euro all’anno, potrebbero aumentare fino al 1612% entro il 2080 secondo proiezioni basate su scenari climatici estremi. Questo dato evidenzia l’ordine di grandezza delle perdite economiche potenziali che possono riguardare anche le infrastrutture di trasporto, considerate tra i settori critici più vulnerabili [2]. Gli eventi climatici estremi come ondate di calore, siccità e alluvioni costiere, pertanto, colpiranno con maggiore intensità l’Europa meridionale e sud-orientale, generando perdite economiche rilevanti soprattutto nei settori dei trasporti, dell’energia e dell’industria. Tali impatti non saranno distribuiti in modo uniforme e richiederanno maggiori investimenti di adattamento nelle regioni più vulnerabili [1]. Le conseguenze dirette dei cambiamenti climatici sul settore dei trasporti sono già osservabili: a livello globale, circa il 27% delle infrastrutture stradali e ferroviarie risulta attualmente esposto ad almeno un tipo di evento meteorologico estremo dannoso [3]. In molti casi, eventi estremi come precipitazioni eccezionali provocano frane, allagamenti o cedimenti che possono interrompere completamente l’operatività di linee ferroviarie e stradali.

L’ondata di calore europea del 2019, e simili episodi estremi, possono causare deformazioni termiche dei binari nei sistemi ferroviari (fenomeni di buckling) che impongono riduzioni di velocità e interventi d’emergenza [4]. Questi episodi evidenziano la vulnerabilità strutturale e funzionale delle reti di trasporto di fronte a condizioni climatiche eccezionali. Tradizionalmente, la pianificazione e la progettazione delle infrastrutture di trasporto si è fondata sull’assunto di un clima sostanzialmente stabile e prevedibile, utilizzando serie storiche per definire standard tecnici e protocolli operativi [5].

Questo approccio business as usual si rivela però sempre più inadeguato in un contesto climatico caratterizzato da variazioni non lineari e non stazionarie. Molte infrastrutture europee sono state concepite per condizioni del passato e già oggi sperimentano eventi che eccedono le soglie previste in fase di progettazione. Le strategie di adattamento sinora prevalenti nel settore hanno privilegiato interventi di irrobustimento fisico delle opere, ossia approcci ingegneristici finalizzati ad aumentare la robustezza strutturale, guidati da analisi di rischio tradizionali. Tuttavia, diversi studi si interrogano sulla sufficienza di tale approccio di fronte all’elevata incertezza delle traiettorie climatiche future e alla natura dinamica dei rischi emergenti [6]. Un adattamento “strutturale” centrato unicamente sul “rinforzo” delle infrastrutture rischia infatti di trascurare aspetti critici quali l’interdipendenza tra sistemi (trasporti, energia, telecomunicazioni, acqua) e i fattori organizzativi e umani che influenzano direttamente la continuità dei servizi. In parallelo, negli ultimi anni si è assistito a una crescente enfasi sulla trasformazione digitale e sull’uso di sistemi intelligenti per migliorare l’efficienza e la sicurezza dei trasporti (come manutenzione predittiva, smart roads, Internet of Things).

Molta meno attenzione è stata dedicata all’impiego dell’Intelligenza Artificiale (AI) per affrontare le sfide specifiche poste dai cambiamenti climatici. La letteratura scientifica sull’adaptation climatica nei trasporti, pur ricca di analisi su vulnerabilità e impatti attesi, ha finora esplorato solo in modo marginale l’adozione di tecniche avanzate di machine learning e data analytics per potenziare la resilienza climatica, soprattutto nel settore ferroviario [7]. Questa lacuna suggerisce un potenziale non ancora pienamente sfruttato: l’AI potrebbe offrire strumenti potenti per anticipare gli eventi critici, valutare in modo dinamico i rischi e supportare decisioni più informate e tempestive, superando i limiti degli approcci statici. Inoltre, i modelli di rischio climatico che oggi fanno uso di AI tendono a concentrarsi prevalentemente sulla stima dell’hazard (la pericolosità degli eventi) e in parte sull’esposizione, ma spesso trascurano aspetti cruciali quali la vulnerabilità intrinseca dei sistemi e il supporto concreto ai processi decisionali di adattamento [8]. Di conseguenza, manca spesso il collegamento tra le previsioni modellistiche e l’implementazione di misure pratiche di resilienza sul territorio.

Alla luce di queste considerazioni, il presente lavoro propone un approccio integrato che combini le potenzialità predittive dell’AI con una rigorosa valutazione del rischio climatico e con strumenti decisionali orientati all’azione. L’obiettivo è delineare un framework concettuale e operativo che possa colmare il gap tra analisi del rischio climatico e pianificazione degli interventi, fornendo a gestori e decisori pubblici uno strumento efficace per rafforzare la resilienza delle infrastrutture di trasporto, con particolare attenzione al settore ferroviario. Nelle sezioni seguenti, dopo aver richiamato gli impatti specifici dei cambiamenti climatici sul comparto trasporti e lo stato dell’arte dell’applicazione dell’AI in questo contesto, verrà descritto il framework proposto articolato su tre livelli (previsione, valutazione, decision support). Si discuteranno quindi i possibili risultati e benefici attesi dall’adozione di tale approccio multisettoriale, nonché le sfide e implicazioni per le politiche di settore. Infine, si trarranno le conclusioni evidenziando come l’uso sinergico di AI e analisi climatica possa favorire uno sviluppo infrastrutturale più resiliente e sicuro per i cittadini, in linea con le strategie nazionali ed europee di adattamento ai cambiamenti climatici.

Impatti dei cambiamenti climatici su trasporti e infrastrutture ferroviarie

Le infrastrutture di trasporto costituiscono l’ossatura fondamentale dell’economia e della società, ma la loro esposizione ai rischi climatici le rende sempre più vulnerabili. I potenziali impatti si manifestano su più livelli: danni fisici alle opere (ponti, viadotti, massicciate, binari), interruzioni del servizio (linee bloccate, deviazioni, riduzioni di velocità), e ripercussioni economiche e sociali (ritardi, costi di manutenzione aggiuntiva, perdite per gli utenti e le imprese). Di seguito si esaminano i principali pericoli climatici e i loro effetti sul sistema dei trasporti, con particolare attenzione alle reti ferroviarie.

Ondata di calore estreme

L’innalzamento delle temperature estive oltre le soglie previste può causare deformazioni alle infrastrutture. Nel settore ferroviario, temperature estreme possono provocare dilatazione e instabilità dei binari (rail buckling), costringendo a riduzioni delle velocità dei treni per motivi di sicurezza o – in casi gravi – alla sospensione del servizio. Studi conducono a modelli fisici che mostrano come rotaie degradate supportate da ballast usurati hanno una minore resistenza laterale e siano più inclini al buckling termico sotto stress termici elevati [9]. Inoltre, un’analisi condotta in Inghilterra riporta come ondate di calore abbiano causato flessioni visibili dei binari durante periodi record [10]. Il calore intenso può inoltre compromettere le linee elettriche aeree e sovraccaricare i sistemi di condizionamento dei veicoli, riducendo l’affidabilità complessiva del materiale rotabile.

Precipitazioni estreme e alluvioni

Piogge eccezionali e prolungate possono causare allagamenti di tratti ferroviari in trincea o in zone pianeggianti drenate non correttamente, erosione di massicciate e instabilità dei rilevati e delle opere civili. Un’analisi dei disastri storici sulla rete ferroviaria cinese (1981-2016) ha mostrato un aumento nel tempo del rischio dovuto a eventi indotti dalla pioggia in concomitanza con l’incremento dei giorni di pioggia estrema [11]. L’alluvione può sommergere linee e apparati di segnalamento, causando guasti e blocchi di lunga durata. Inoltre, saturando i terreni, aumenta il rischio di frane e cedimenti dei pendii adiacenti le infrastrutture. Gli eventi alluvionali estremi degli ultimi anni in Europa hanno già interrotto collegamenti ferroviari strategici: durante le alluvioni del luglio 2021 in Germania furono danneggiati decine di chilometri di linee ferroviarie, con ponti distrutti, reti catenarie compromesse e notevoli difficoltà nella ripresa del servizio [12].

Frane e dissesti geomorfologici

Strettamente legati alle precipitazioni estreme, costituiscono un pericolo significativo soprattutto per le linee ferroviarie in zone montuose o collinari. I cedimenti di scarpate e le colate di fango possono invadere la sede ferroviaria o compromettere le fondazioni, rendendo la linea impraticabile o causando deragliamenti.

La frequenza di frane indotte dalla pioggia è attesa in crescita in vari territori, sia per l’aumento dell’intensità delle precipitazioni, sia per cambiamenti nell’uso del suolo che aggravano la vulnerabilità. Le strategie di adattamento in questo ambito comprendono il rafforzamento e la stabilizzazione dei versanti, sistemi di drenaggio avanzati, reti di monitoraggio pluviometrico e geotecnico in tempo reale, e sistemi di allerta rapida per attivare misure preventive prima che le frane si attivino.

Tempeste di vento e trombe d’aria

Raffiche estreme possono danneggiare le linee elettriche aeree e causare la caduta di alberi o detriti sui binari. Il vento laterale influenza la stabilità dei veicoli (specialmente quelli leggeri o vuoti), aumentando il rischio di ribaltamento in scenari estremi. Di conseguenza, le tempeste possono imporre stop temporanei al traffico ferroviario per ragioni di sicurezza.

Un caso emblematico in Italia è la tempesta Vaia ad ottobre del 2018: vento estremamente intenso (con raffiche fino a oltre 180–200 km/h) e piogge associate provocarono lo schianto di alberi in vaste aree forestali, con blocchi anche sulle reti ferroviarie in zone alpine e prealpine. Le linee ferroviarie vennero chiuse preventivamente in diversi tronchi montani per rischio caduta alberi e detriti. Analogamente, la tempesta Friederike colpì Germania, Paesi Bassi, Belgio e altri paesi dell’Europa centrale con venti violenti e precipitazioni abbondanti. In Germania, i danni provocarono interruzioni ferroviarie diffuse: molti treni furono sospesi o imposti limiti di velocità per evitare collisioni con alberi caduti o infrastrutture compromesse.

Gelo, neve e ghiaccio

Le ondate di freddo intenso e le nevicate eccezionali possono bloccare scambi e deviatoi, causare danni alle linee elettriche aeree e ai sistemi di segnalamento, causando ritardi e soppressioni. Anche se gli inverni rigidi sono in genere contemplati nelle progettazioni – soprattutto nei paesi nordici – eventi eccezionali (come nevicate fuori stagione o periodi di gelo prolungati) possono comunque mettere a dura prova l’infrastruttura. Il cambiamento climatico potrebbe incrementare la variabilità delle condizioni invernali, con alternanze più frequenti di gelo intenso e periodi miti che sottopongono materiali e componenti a cicli ripetuti di espansione/contrazione, aumentando il rischio di rotture, deformazioni e guasti. Un aspetto ben documentato è l’effetto dei cicli freeze-thaw (gelo-disgelo) sulle rotaie: tali cicli degradano la geometria dei binari riducendo la stabilità operativa [13].

Innalzamento del livello del mare e erosione costiera

Per le infrastrutture costiere — porti, ferrovie prospicienti la costa, strade litoranee — il progressivo innalzamento medio del mare, assieme a mareggiate più intense e frequenti, amplifica il rischio di allagamento permanente, overtopping e erosione delle fondazioni. Molte tratte ferroviarie costiere italiane — lungo l’Adriatico o la Liguria — corrono a pochi metri dal mare e già oggi subiscono danni da mareggiate eccezionali che depositano sedimenti sui binari o erodono le massicciate. Uno studio italiano recente sviluppato applica un metodo di valutazione del rischio (vulnerability & risk metric) per le ferrovie costiere italiane, combinando proiezioni di innalzamento del mare con il grado di esposizione e vulnerabilità delle infrastrutture, identificando gli hotspot più critici da adattare (come arretramenti o difese costiere) [14].

Effetti a cascata e necessità di approcci integrati

Gli esempi sopra elencati illustrano la varietà di minacce climatiche che gravano sul settore dei trasporti. È importante notare che tali impatti non si verificano isolatamente: eventi estremi possono generare effetti a cascata e perturbazioni concatenate. Un’alluvione può bloccare simultaneamente strade e ferrovie in una regione, interrompendo anche le catene di fornitura e i servizi di trasporto pubblico, con conseguenze socio-economiche di ampia portata. L’interconnessione tra infrastrutture critiche rende plausibile che il guasto di una componente (come una linea ferroviaria interrotta) abbia ripercussioni su altri settori (mobilità urbana, logistica industriale, turismo). In letteratura questi percorsi sono definiti indirect pathways of disruption e nella letteratura l’attenzione è spesso concentrata sugli impatti diretti fisici, anche se le perturbazioni indirette attraverso altri sistemi — energia, telecomunicazioni, graduazione delle decisioni umane — possono risultare altrettanto significative e sono meno trattabili con approcci basati solo sulla robustezza infrastrutturale.

Nonostante la gravità del quadro delineato, la consapevolezza dei rischi climatici nel settore trasporti non è ancora pienamente diffusa. Questo sottolinea l’urgenza di colmare il divario tra conoscenza teorica e strumenti operativi: da un lato affinando il monitoraggio e la previsione degli eventi critici sulle reti di trasporto, dall’altro elaborando metodologie di valutazione del rischio che tengano conto delle specificità infrastrutturali, operative e organizzative, allo scopo di supportare decisioni concrete per rendere le infrastrutture più resilienti.

Ruolo e potenzialità dell’Intelligenza Artificiale per la resilienza climatica

Negli ultimi anni l’Intelligenza Artificiale ha rivoluzionato molti settori, offrendo capacità predittive e di analisi su grandi moli di dati prima impensabili. Nel contesto dei cambiamenti climatici, l’AI può svolgere un duplice ruolo: aiutare a prevedere con maggiore accuratezza eventi e impatti futuri (climate analytics avanzata) e ottimizzare le strategie di risposta e adattamento attraverso modelli decisionali data-driven.

In ambito trasporti, alcune applicazioni pionieristiche stanno già mettendo in luce il valore aggiunto dell’AI per la resilienza. Sono stati sviluppati framework di machine learning per identificare correlazioni nascoste tra condizioni meteo estreme e guasti infrastrutturali, riuscendo a classificare i failure ferroviari e distinguendo quelli di origine climatica da quelli di altra natura [15].  

Un filone emergente è quello dell’integrazione delle proiezioni climatiche a lungo termine nei modelli di rischio infrastrutturale mediante AI. Sono stati, inoltre, sviluppati sistemi di multi-hazard early warning che combinano modelli climatici con modelli basati su AI per predire i rischi futuri, integrando così le proiezioni dell’hazard nei processi decisionali operativi.

Le sfide dell’adozione di AI per la resilienza climatica dei trasporti

Nonostante questi esempi positivi, come evidenziato in precedenza, l’adozione di AI per la resilienza climatica dei trasporti è ancora nella fase iniziale e presenta alcune sfide.

La disponibilità di dati di qualità

Uno dei nodi critici è la disponibilità di dati di qualità: i modelli di machine learning richiedono grandi quantità di dati storici di eventi estremi, impatti e indicatori di performance delle infrastrutture. Tali dati non sono sempre facilmente disponibili o standardizzati, specialmente per eventi rari o per contesti territoriali meno monitorati.

La disponibilità di dati di qualità

Inoltre, vi è la questione della interpretabilità: molti modelli AI performanti (in particolare quelli basati su reti neurali profonde) sono di fatto delle “scatole nere”, fornendo previsioni difficilmente spiegabili nei dettagli ai decisori. In ambito climatico e infrastrutturale, dove le decisioni hanno implicazioni importanti per la sicurezza e richiedono consenso, trasparenza e affidabilità dei modelli sono requisiti fondamentali. Attualmente, gran parte dei modelli AI climatici non offre spiegazioni chiare dei propri output, rendendo arduo per policy maker e tecnici valutarne gli assunti e fidarsi completamente delle indicazioni fornite. Ciò suggerisce la necessità di investire in tecniche di Explainable AI (XAI) applicate a questo dominio, utilizzando metodi come SHAP o LIME per evidenziare quali variabili contribuiscono maggiormente a una certa previsione e in che modo.

La scalabilità e trasferibilità delle soluzioni AI

Un ulteriore aspetto è la scalabilità e trasferibilità delle soluzioni AI. Ogni rete di trasporto ha caratteristiche uniche (clima locale, tipi di infrastrutture, standard di costruzione, modalità operative, ecc.), quindi un modello predittivo sviluppato per una certa regione potrebbe non funzionare altrettanto bene altrove. Questo implica che servono sia adattamenti locali dei modelli (tenendo conto delle specificità) sia piattaforme interoperabili dove condividere dati, modelli e buone pratiche. La standardizzazione di metodologie e dataset appare cruciale in tal senso: oggi, indicatori e metriche utilizzati negli studi variano notevolmente, rendendo difficile confrontare i risultati o replicare gli approcci in contesti diversi. Sviluppare tassonomie comuni, formati di dati aperti e benchmark condivisi aiuterebbe a creare un ecosistema in cui le soluzioni AI per l’adattamento climatico possano essere confrontate e adottate più facilmente su larga scala.

L’AI offre strumenti promettenti per migliorare la resilienza climatica dei trasporti – dalle previsioni a breve termine di impatti durante eventi estremi, alle analisi a lungo termine di rischio sotto scenari futuri, fino all’ottimizzazione in tempo reale della gestione di emergenze – ma la sua piena efficacia dipenderà dalla capacità di integrare questi strumenti nei processi decisionali e di colmare alcune lacune (dati, interpretabilità, standard) attualmente esistenti. Nella sezione seguente si propone un framework organico che combina diverse componenti (predittive, valutative, decisionali) in modo complementare.

Framework integrato per la resilienza climatica dei sistemi di trasporto

Il framework proposto si articola su tre livelli chiave, corrispondenti ad altrettante esigenze nella gestione del rischio climatico nei trasporti: 

• Previsione degli impatti climatici sulle infrastrutture tramite AI, 
• Valutazione della vulnerabilità e del rischio climatico delle reti di trasporto,
• Supporto decisionale per la pianificazione di emergenze e l’adattamento.

Questi livelli sono concepiti per operare in sinergia: le previsioni fornite dall’AI alimentano la valutazione del rischio, e quest’ultima a sua volta informa gli strumenti decisionali per l’azione. Di seguito si descrive in dettaglio ciascun componente del framework.

Previsione degli impatti climatici con modelli di Intelligenza Artificiale

Il primo livello del framework riguarda lo sviluppo di modelli predittivi basati su AI capaci di anticipare in che modo specifici eventi o condizioni climatiche potranno tradursi in impatti operativi o danni alle infrastrutture di trasporto. Diversamente dai modelli meteorologici tradizionali (che forniscono previsioni sul meteo), qui l’obiettivo è predire direttamente la conseguenza sull’infrastruttura o sul servizio.

Per realizzare ciò, possono utilizzarrsi reti neurali artificiali, algoritmi di machine learning supervisionati e non supervisionati, addestrati su serie storiche che incrociano dati climatici/meteorologici con dati di performance infrastrutturale (guasti, ritardi, interruzioni, costi di manutenzione, ecc.). I passi fondamentali includono:

• Raccolta e integrazione dati: combinare dati eterogenei provenienti da diverse fonti. Per una rete ferroviaria: database degli incidenti e guasti sulla rete (con relative cause), dati di manutenzione, registrazioni di ritardi/cancellazioni del traffico, dati meteo storici geo-referenziati (temperature, precipitazioni, vento, neve, ecc.) sui segmenti di linea, dati sul contesto geografico (morfologia, suolo) e sulle caratteristiche infrastrutturali (es. anno di costruzione, materiali, standard). Uno studio condotto in Svezia ha mostrato l’importanza di includere parametri sia di progetto che ambientali [16].
• Feature engineering climatico: creare indicatori che riassumano lo stress climatico su un asset in un dato periodo, come numero di giorni consecutivi di pioggia prima di un guasto, escursione termica massima registrata, accumulo di neve in una settimana, indice di siccità, etc. In letteratura, emerge che il periodo critico per prevedere un failure a causa del clima è la finestra delle 24 ore precedenti [16].
• Addestramento di modelli AI: a seconda del tipo di output desiderato, si possono addestrare modelli di classificazione (come failure climatico vs non climatico, rischio alto/medio/basso di interruzione su una certa linea) o di regressione (come stima del costo atteso dei danni, entità del ritardo previsto in minuti). Algoritmi comuni includono random forest, gradient boosting machines, reti neurali profonde, modelli sequenziali come LSTM (utili per serie temporali). L’addestramento viene condotto massimizzando la capacità predittiva sulle serie storiche note tramite tecniche di training/validation standard.
• Validazione e testing: è cruciale testare l’affidabilità del modello su dati “nuovi” (come annate recenti non usate in training) e misurare metriche come accuratezza, precisione, recall, a seconda del caso. Questo dà confidenza sull’effettiva capacità del modello di generalizzare a futuri eventi. Nel caso svedese citato, la Random Forest mostrava risultati stabili su diversi orizzonti temporali, confermando la robustezza nell’identificare pattern climatici-failure anche su periodi differenti [16].

Una volta validati, tali modelli possono essere implementati in sistemi di early warning. Ad esempio, se il modello segnala che date le previsioni meteo prossime c’è un’alta probabilità (>80%) di guasto di un certo componente o allagamento in un certo punto, i gestori possono:

• predisporre ispezioni preventive o interventi di manutenzione straordinaria prima che avvenga il guasto;
• attivare piani di emergenza;
• inviare allerte agli utenti circa possibili disservizi.

In sintesi, il livello (i) del framework fornisce la capacità di intuire in anticipo il verificarsi di problemi grazie alla modellazione intelligente dei dati passati e presenti. Ciò estende il concetto di manutenzione predittiva in un contesto climatico: non solo prevedere quando un componente si guasterà per usura, ma prevedere quando potrebbe guastarsi a causa di un evento climatico.

Valutazione della vulnerabilità e del rischio climatico delle reti di trasporto

Il secondo livello del framework riguarda la quantificazione del rischio climatico sulle infrastrutture di trasporto, incorporando in modo sistematico i concetti di hazard, exposure e vulnerability come formulati dall’IPCC [17]. Mentre il livello (i) opera tipicamente su scale temporali brevi (previsione operativa giorni-settimane) e su specifici eventi, qui l’orizzonte è più strategico: si tratta di capire dove il sistema è più vulnerabile, quali sono i punti critici che richiedono interventi di adattamento prioritari, e come i rischi evolveranno nel medio-lungo termine sotto diversi scenari climatici.

Secondo l’IPCC, è possibile definire:

• Hazard (pericolo climatico): la potenziale occorrenza di un evento fisico naturale (o trend) che può causare danni. Gli hazard si caratterizzano per intensità, frequenza, durata, estensione geografica.
• Exposure (esposizione): la presenza di persone, infrastrutture, beni in zone che potrebbero essere colpite dal hazard. Per i trasporti, l’esposizione si valuta mappando dove le infrastrutture si trovano rispetto alle zone a rischio.
• Vulnerability (vulnerabilità): la propensione a subire danni dato un certo hazard, ovvero la sensibilità e la mancanza di capacità di farvi fronte. Dipende da fattori intrinseci (materiali, stato di degrado, progettazione) e fattori gestionali (sistemi di allerta, piani di emergenza, risorse a disposizione).

Seguendo il concetto di rischio dell’IPCC, il rischio climatico è il risultato dell’interazione tra hazard, exposure e vulnerability: un’infrastruttura è a rischio elevato se è esposta a un hazard severo e al contempo è vulnerabile (poco resiliente) rispetto ad esso.

Il framework propone di condurre una valutazione integrata di rischio in tre passi:

• Analisi degli hazard climatici pertinenti all’area e orizzonte temporale di interesse. Questo implica utilizzare i dati climatici e le proiezioni per stimare le caratteristiche attuali e future dei fenomeni estremi rilevanti. Si possono impiegare sia dati storici sia output da modelli. Il risultato sono mappe o statistiche dei possibili hazard.
• Mappatura di esposizione e vulnerabilità della rete di trasporto: si valutano le infrastrutture esistenti e pianificate. Per ciascun segmento o nodo esposto, si attribuisce un indice di vulnerabilità che può derivare da diverse informazioni: anno di costruzione e standard dell’opera (opere più vecchie e progettate su dati climatici obsoleti potrebbero essere più vulnerabili), condizioni attuali (stato di manutenzione, eventuali patologie note), importanza strategica (una linea con ridondanza bassa – senza percorsi alternativi – può essere considerata “più vulnerabile” dal punto di vista del sistema perché un suo guasto causa maggior disservizio). Si possono utilizzare linee guida internazionali come quelle del IPCC e di organismi come OECD per definire scale di punteggio di vulnerabilità.
• Calcolo del rischio e identificazione punti critici: mettendo insieme hazard (probabilità/intensità attesa dell’evento) con esposizione e vulnerabilità (valore e fragilità di ciò che si trova esposto), si possono stimare metriche di rischio.

Il risultato di questo secondo livello è una indice di rischio climatico per il sistema di trasporto: si individuano gli hotspots, ovvero le sezioni o componenti infrastrutturali a maggior rischio, e si quantifica la magnitudine del rischio (in termini di costi potenziali, impatti sul servizio, etc.). Importante è anche identificare le cause di tale rischio.

Questa valutazione prepara il terreno per la pianificazione di interventi di adattamento mirati: sapere dove intervenire prioritariamente e quali scenari climatici considerare per garantire la resilienza futura. Essa consente inoltre di allineare il linguaggio con quello delle politiche climatiche: adottando metriche IPCC e approcci omogenei ed interoperabili, diventa più facile inserire i risultati negli strumenti di pianificazione nazionale e rendicontare i progressi nella riduzione del rischio.

Strumenti di supporto alle decisioni (DSS) per l’emergenza e l’adattamento

L’ultimo livello del framework è focalizzato sull’utilizzo operativo delle informazioni prodotte dai livelli (i) e (ii), attraverso piattaforme e strumenti di Decision Support pensati per i diversi attori coinvolti: gestori delle infrastrutture (come RFI per le ferrovie in Italia), autorità di protezione civile e amministratori pubblici a vari livelli. L’obiettivo è tradurre dati e previsioni azioni, ovvero in scelte concrete di gestione, sia nel breve termine (durante un’emergenza) sia nel lungo termine (pianificazione di investimenti in adattamento).

Le funzionalità chiave di questi DSS possono includere:

• Dashboard di monitoraggio e allerta: un’interfaccia che visualizza in tempo reale gli indicatori di rischio sulle infrastrutture, integrando dati meteorologici attuali e previsionali con i modelli AI di impatto. Ciò permette ai dirigenti di esercizio e ai centri operativi di avere un quadro immediato della situazione di rischio e di attivare le procedure previste (rallentamenti, ispezioni, allerta squadre, ecc.). La piattaforma Climate-ADAPT europea auspica proprio di mettere a disposizione dati di rischio e perdite climatiche in formati facilmente accessibili a tutti [18], e un DSS ben progettato incarna questa filosofia di diffusione della conoscenza.
• Simulatori di scenari e piani di emergenza: strumenti interattivi dove i decisori possono valutare what-if scenarios. Il DSS potrebbe incrociare la modifica progettuale con i dati climatici per fornire una risposta quantitativa, utilizzando anche tecnologie BIM e GIS.
• Ottimizzazione allocazione risorse: strumenti basati su algoritmi di ottimizzazione e AI che suggeriscono come distribuire al meglio risorse limitate durante le emergenze. Questi problemi si prestano ad approcci di operational research, incorporando anche valutazioni costi-benefici. L’AI può essere utile esplorare soluzioni in “grandi spazi decisionali” e trovare soluzioni quasi ottimali in contesti complessi.

Un elemento chiave del supporto decisionale è garantire che le informazioni fornite siano comprensibili e fruibili dai decisori, che spesso non hanno competenze tecniche approfondite di AI. Ciò richiama l’importanza dell’explainability menzionata prima: i DSS dovrebbero presentare i risultati in modo trasparente, indicando le ragioni dietro una certa allerta piuttosto che come scatole nere incomprensibili. In questo modo si costruisce fiducia nell’output e si facilita l’adozione delle misure raccomandate.

Implementare tale infrastruttura di decision support significa anche favorire la comunicazione e il coordinamento multi-settoriale. Un DSS potrebbe essere condiviso tra gestore ferroviario e Dipartimento della Protezione Civile, creando un linguaggio comune di allerta e permettendo interventi coordinati (chiusura preventiva infrastrutture, avvisi alla popolazione). In generale, un approccio multisettoriale – in cui trasporti, ambiente, protezione civile, pianificazione territoriale collaborano – è essenziale per affrontare rischi climatici che non rispettano confini amministrativi o settoriali. L’Unione Europea, con la nuova Strategia di Adattamento 2021, spinge proprio verso un adattamento “più intelligente e sistemico” che integri le conoscenze in tutti i settori e dai livelli locali a quelli transnazionali.

In letteratura emergono esempi di strumenti di supporto: esiste già un ampio ventaglio di opzioni di adattamento per le infrastrutture di trasporto con benefici superiori ai costi nella maggior parte dei casi. Tuttavia, tradurre queste opzioni in piani operativi richiede strumenti che valutino i trade-off. I pianificatori infrastrutturali dovranno affrontare anche dilemmi tra riduzione del rischio climatico e obiettivi di mitigazione delle emissioni, e che servirà valutare opzioni che ottimizzino entrambi gli aspetti [2]. Ciò potrebbe essere inglobato in DSS che includano criteri multipli (rischio climatico, emissioni, costi) supportando decisioni di investimento sostenibili e resilienti.

In definitiva, la componente (iii) del framework trasforma l’analisi in azione: fornendo ai decisori gli strumenti per attivare in modo proattivo misure di adattamento e gestione dell’emergenza basate su evidenze e previsioni robuste. Grazie all’intera catena del framework, un gestore ferroviario potrebbe: sapere in anticipo che una certa ondata di maltempo minaccia due punti critici della sua rete (livello i), conoscere quali danni attesi e conseguenze avrebbe (livello ii) e disporre di un piano ottimizzato per rispondere (livello iii) – il tutto informato da dati e AI. Ciò aumenta enormemente la capacità di ripresa (resilienza) del sistema, riducendo i tempi di fermo e mitigando i danni.

Analisi dei risultati e benefici attesi

L’implementazione del framework integrato descritto può produrre una serie di risultati positivi, che qui si analizzano sia in termini qualitativi sia attraverso l’evidenza fornita da studi e casi già documentati.

Miglior capacità predittiva e di allerta precoce

 L’uso di modelli AI addestrati su dati storici consente di cogliere segnali deboli e non-lineari che precedono i guasti, superando le semplici soglie empiriche spesso utilizzate nei piani di emergenza tradizionali. I risultati ottenuti nel caso svedese lo confermano: il modello ha individuato correttamente oltre l’80% dei guasti di origine climatica. Questo significa meno false sorprese (guasti imprevisti) e al contempo meno falsi allarmi (interventi preventivi inutili), migliorando l’efficienza complessiva della gestione delle emergenze. Un’allerta precoce mirata consente inoltre di ridurre i tempi di reazione: se un modello prevede con sufficiente anticipo il rischio di allagamento di una stazione, si può evitare che i treni restino bloccati in quella stazione spostandoli prima, con benefici in termini di continuità del servizio.

Riduzione dei tempi di interruzione e dei costi associati

 Intervenire preventivamente o comunque più rapidamente grazie alle previsioni consente di limitare l’estensione dei danni e riportare il sistema alla normalità in tempi minori. In ambito ferroviario, ogni ora di interruzione su una linea ad alta frequentazione comporta costi elevati (rimborsi, straordinari, ripianificazione mezzi, impatti economici sugli utenti). Nell’esperienza empirica, sistemi di monitoraggio avanzato combinati con analisi predittive hanno mostrato di poter abbattere i tempi di downtime. Network Rail nel Regno Unito ha implementato un sistema di allerta frane su alcune tratte combinando sensori e algoritmi predittivi, riuscendo a intervenire su smottamenti imminenti e ad evitare chiusure prolungate che in passato sarebbero avvenute [19]. Similmente, sistemi di previsione dei wind shear sugli aeroporti permettono di regolare i voli minimizzando ritardi e rischi, laddove in passato le stesse condizioni avrebbero portato a chiusure più lunghe. Quantificare ex-ante questi benefici è complesso, ma gli indicatori tipici da monitorare sono: numero di eventi critici gestiti senza interruzione completa del servizio (grazie a interventi preventivi), riduzione media del tempo di chiusura per evento e riduzione dei costi di ripristino per evento (minor danno subito). Con l’aumentare della frequenza di eventi estremi attesa, questi risparmi diventeranno sempre più significativi.

Pianificazione adattativa degli investimenti più efficace

 La valutazione sistematica del rischio consente di prioritizzare meglio gli interventi di adattamento. Invece di adottare misure generiche o “a tappeto” su tutta la rete – spesso irrealizzabili per limiti di budget – si possono concentrare risorse dove il rapporto rischio/costo è più alto. Questo approccio mirato è esattamente quanto auspicato anche dalle strategie europee. Investire oggi in adattamenti su infrastrutture cruciali può evitare danni enormemente maggiori domani.

Miglioramento della sicurezza e riduzione dei rischi per gli utenti

 Un sistema di trasporto resiliente è anche un sistema più sicuro. Riducendo la probabilità di eventi catastrofici (deragliamenti, crolli di ponti, incidenti stradali causati da allagamenti o ghiaccio imprevisto) si tutela l’incolumità delle persone. Gli output del framework – previsioni accurate e valutazioni di vulnerabilità – permettono di attuare misure preventive come chiusure controllate o limitazioni quando necessario, evitando che gli utenti si trovino esposti a pericoli gravi. Se il DSS indica una probabilità elevata di frana su una tratta nelle prossime ore, i gestori possono sospendere temporaneamente i treni su quel tratto prima che la frana avvenga, evitando potenzialmente un incidente. Dal punto di vista degli utenti, aumenta la fiducia nel sistema di trasporto: sapere che esiste un monitoraggio attivo e che la sicurezza viene messa al primo posto (anche a costo di un’interruzione preventiva) migliora la percezione e l’utilizzo dei servizi stessi.

Allineamento con politiche climatiche e accesso a finanziamenti

 Adottare un approccio proattivo e basato su evidenze rende le amministrazioni più pronte a intercettare fondi e supporto da programmi nazionali ed europei. L’UE nel Green Deal e nei fondi Next Generation EU richiede che i progetti infrastrutturali dimostrino di aver considerato i rischi climatici e di essere resilienti agli stessi. Un ente che ha già mappato i propri rischi e ha un piano adattativo dettagliato (magari supportato da strumenti AI all’avanguardia) potrà motivare meglio le richieste di finanziamento per opere di adeguamento. Anche la nuova Strategia Nazionale di Adattamento ai Cambiamenti climatici in Italia evidenzia l’importanza di incorporare l’analisi climatica nella pianificazione settoriale, e di sviluppare sistemi di monitoraggio e allerta avanzati [20]. Un risultato tangibile dell’adozione di questo framework sarebbe quindi l’adeguamento agli “standard” richiesti da tali strategie, evitando potenziali penalizzazioni o correzioni di rotta forzate in futuro. Già il Ministero delle Infrastrutture italiano ha indicato tra le sue priorità il rendere sostenibili e resilienti le infrastrutture considerando i cambiamenti climatici [21]; un ente che implementa soluzioni di AI e risk assessment come quelle proposte dimostra concretamente di perseguire quella priorità, e potrà fungere da modello per altre realtà.

Co-benefici tecnologici e occupazionali

L’introduzione di AI e sistemi di monitoraggio avanzati nel settore trasporti stimola anche innovazione più ampia. Per raccogliere i dati necessari si potrebbero installare nuove reti di sensori IoT su ponti, gallerie, scarpate ferroviarie, capaci di misurare parametri ambientali e strutturali in tempo reale. Questo porta a un ammodernamento tecnologico dell’infrastruttura (più smart infrastructure) con benefici anche al di là dell’ambito climatico (manutenzione più efficiente, gestione traffico in tempo reale, etc.). Inoltre, lo sviluppo e gestione di questi sistemi richiede nuove competenze e quindi opportunità formative e occupazionali: data scientist, ingegneri esperti in AI, analisti di rischio climatico, etc., creando un indotto “green tech” virtuoso. In un’ottica di transizione digitale ed ecologica integrata, come auspicato anche dal PNRR, progetti che coniugano AI e adattamento climatico potrebbero ottenere ampio sostegno.

Naturalmente, per valutare appieno i risultati occorrerà monitorare una serie di indicatori di performance una volta implementato il framework: come variazione nel numero di incidenti o interruzioni dovuti a eventi estremi (trend in diminuzione atteso), tempi medi di risposta alle emergenze climatiche (attesi in diminuzione), entità economica delle perdite evitate grazie ad azioni preventive, feedback da parte degli operatori e utenti sulla gestione delle emergenze. L’analisi costante di questi indicatori permetterà di fare fine tuning del sistema AI e delle misure di adattamento, in un ciclo continuo di miglioramento.

In conclusione, di questa sezione, i risultati attesi dall’integrazione di AI e analisi climatica nei trasporti indicano un sostanziale aumento della resilienza: il sistema non solo resisterà meglio agli shock, ma imparerà da essi diventando via via più preparato. Il concetto di resilienza incrementale ben si sposa con gli strumenti di AI, che migliorano man mano che accumulano dati su nuovi eventi e risposte (purché il sistema sia concepito per aggiornarsi e apprendere continuamente). Questo chiude il cerchio: i successi e fallimenti nel fronteggiare eventi estremi forniranno nuovi dati al framework, che a sua volta affinerà le previsioni e raccomandazioni future, innestando un processo virtuoso di adattamento continuo.

Governance, politiche e sfide implementative

L’adozione del framework integrato proposto solleva una serie di considerazioni più ampie, che vanno oltre gli aspetti tecnici per toccare temi di governance, policy, accettazione sociale e cooperazione intersettoriale. In questa sezione si discutono alcune di queste implicazioni, alla luce delle strategie politiche attuali e delle sfide ancora da affrontare per una piena implementazione.

Integrazione nelle politiche e strategie esistenti

Il contesto normativo e strategico, sia a livello europeo che nazionale, riconosce sempre più l’importanza di rendere resilienti le infrastrutture ai cambiamenti climatici. La Strategia di Adattamento ai Cambiamenti Climatici dell’UE (2021) – parte del Green Deal europeo – enfatizza che il clima sta già cambiando e occorre “costruire un futuro più resiliente”, passando dalla pianificazione all’azione concreta. Essa prevede azioni per un adattamento più intelligente (ossia basato su conoscenze migliori e dati condivisi), rapido e sistemico (coinvolgendo tutti i settori e livelli di governo) [22]. Il framework proposto si allinea perfettamente a questa visione: sfrutta dati e AI per migliorare conoscenza e tempestività e promuove strumenti decisionali che possono essere utilizzati trasversalmente da vari attori. Inoltre, la Strategia UE sottolinea la necessità di potenziare piattaforme come Climate-ADAPT e osservatori per i rischi climatici, il che va nella direzione di raccogliere e mettere a fattor comune i dati – elemento chiave anche per addestrare efficacemente i modelli AI.

A livello nazionale, l’Italia ha elaborato il Piano Nazionale di Adattamento ai Cambiamenti Climatici (PNACC), che include i trasporti tra i settori prioritari per l’azione di adattamento. Esso identifica rischi specifici per le infrastrutture di trasporto e propone linee di intervento. Il Ministero delle Infrastrutture e dei trasporti nel 2021 ha istituito una Commissione su “Cambiamenti climatici, infrastrutture e mobilità sostenibili”, il cui rapporto evidenzia come rendere sostenibili e resilienti le infrastrutture ai cambiamenti climatici sia diventata una priorità strategica, in coerenza con gli impegni del Green Deal e dell’Agenda 2030.

Approccio multisettoriale e governance collaborativa

I cambiamenti climatici non riguardano un solo settore isolato, ma richiedono risposte integrate. Nel caso dei trasporti, la resilienza climatica chiama in causa almeno tre dimensioni: la dimensione infrastrutturale/tecnica (ingegneria, tecnologie come l’AI, standard), la dimensione ambientale/climatica (scienza del clima, monitoraggio ambientale), la dimensione organizzativa/decisionale (procedure di emergenza, coordinamento istituzionale, comunicazione). Un framework come quello proposto spinge a far dialogare questi mondi: ingegneri civili, data scientist, climatologi, responsabili della protezione civile e pianificatori di trasporto devono collaborare nella progettazione e uso degli strumenti. Ciò può richiedere nuovi modelli organizzativi. Potrebbe in futuro diffondersi la figura del climate resilience officer all’interno delle aziende di trasporto o degli enti gestori, con il compito di interfacciarsi con i meteorologi e i tecnici AI per tradurre gli allarmi in azioni concrete.

Un esempio virtuoso di governance collaborativa è il caso dei “digital twin” urbani che alcune città stanno sviluppando: si tratta di repliche digitali della città che integrano dati in tempo reale su infrastrutture, meteo e flussi di mobilità, per testare scenari e gestire emergenze. Si prevede in futuro che oltre 500 città adotteranno tecnologie di digital twin urbano entro il 2025, con un potenziale risparmio stimato di 280 miliardi di dollari grazie a una gestione più efficiente delle infrastrutture urbane.

Le città che fanno uso attivo di digital twin includono Amsterdam, dove il sistema LIFE stabilizza la rete elettrica e gestisce lo stoccaggio energetico; Copenhagen li impiega per ottimizzare la raccolta e smaltimento dei rifiuti; inoltre, modelli di alluvione implementati tramite digital twin a Lisbona hanno stimato la possibilità di evitare 20 grandi eventi alluvionali in un arco di 100 anni, con risparmi economici significativi. Tuttavia, progetti falliti come quelli di Toronto e Portland (che non sono riusciti a decollare per problemi di collaborazione tra stakeholder e governance dei dati) evidenziano che l’adozione di digital twin richiede una forte cooperazione istituzionale e solide strutture di condivisione e controllo dei dati [23].

Barriere e sfide aperte

Nonostante i benefici evidenziati, esistono barriere pratiche da superare. Una è certamente la disponibilità dei dati: molte reti di trasporto non dispongono di archivi digitalizzati e strutturati di tutti gli eventi e guasti occorsi in passato, specie andando indietro di decenni. Inoltre, i dati climatici locali spesso mancano di risoluzione o continuità temporale. Investimenti saranno necessari per creare database integrati, unificando i data warehouse delle varie agenzie. La Commissione Europea punta ad aumentare la quantità e qualità dei dati su rischi climatici rendendoli disponibili a tutti; questo indica che fondi e iniziative in tal senso potrebbero essere attivati.

Un’altra sfida è la capacità tecnica e culturale di utilizzare l’AI. Molte organizzazioni di gestione infrastrutture hanno prassi consolidate e sono per natura avverse al rischio (inteso come sperimentazione di metodi nuovi). Introdurre algoritmi di AI nelle procedure decisionali richiede formazione del personale, ma soprattutto fiducia negli strumenti. Questioni di accountability e trasparenza sono cruciali. La risposta sta nel rendere l’algoritmo spiegabile e nel procedere per gradi, inizialmente affiancando le decisioni umane con il consiglio dell’AI senza automatismi, e validando le sue raccomandazioni con l’esperienza sul campo. Col tempo, se si dimostra affidabile, l’AI diventa parte integrante del processo. È un percorso simile a quello visto nella manutenzione predittiva industriale: inizialmente i tecnici diffidavano delle previsioni di guasto fornite dagli algoritmi, ma dopo aver constatato che spesso erano corrette, le hanno integrate ed accolte nel flusso di lavoro.

Un ulteriore aspetto è la sostenibilità computazionale ed ambientale di queste soluzioni AI. L’addestramento di modelli avanzati richiede potenza di calcolo ed energia, con relative emissioni di CO₂. Può sembrare paradossale, ma occorre fare in modo che l’uso di AI per la resilienza non generi esso stesso un’impronta eccessiva. Fortunatamente, molti modelli destinati agli scopi di resilienza infrastrutturale non richiedono architetture enormi paragonabili a quelle dei modelli di linguaggio (LLM). Inoltre, è possibile eseguire tali modelli mediante infrastrutture cloud alimentate da fonti rinnovabili. Tuttavia, il tema della carbon footprint dell’AI non è affatto trascurabile: è fondamentale adottare approcci di Green AI per minimizzare l’impatto ambientale delle operazioni di training e inferenza.

Equità e dimensione sociale

Un approccio hi-tech come quello descritto potrebbe rischiare di accentuare divari tra territori più avanzati e territori meno dotati di infrastrutture digitali. Studi segnalano che regioni svantaggiate spesso non hanno la capacità digitale per implementare strumenti AI e dunque neanche per scopi legati alla resilienza climatica. È importante quindi che a livello di sistema-Paese si offra supporto anche alle realtà locali più piccole: piattaforme centralizzate che Comuni o province possano utilizzare senza dover sviluppare tutto in proprio. L’inclusività va considerata anche nell’informazione ai cittadini: i DSS potrebbero prevedere moduli di coinvolgimento del pubblico, come app o portali dove gli utenti vedono le allerte e magari forniscono feedback (segnalazioni di problemi in tempo reale). Questo creerebbe un circolo virtuoso di scambio informativo tra popolazione e gestori. L’accettazione delle misure di adattamento (come chiusure preventive) sarà maggiore se gli utenti comprendono il perché (grazie a una comunicazione trasparente basata sui dati).

Adattamento vs robustezza tradizionale

È opportuno infine sottolineare che l’approccio proposto non intende sostituirsi alle tradizionali misure di robustezza infrastrutturale, ma piuttosto integrarle sinergicamente con flessibilità e agilità. Mentre si investe in ponti più solidi e binari che resistano a temperature maggiori, è necessario anche dotarsi di sistemi che permettano di gestire l’imprevisto e l’indiretto. Questo duplice approccio è proprio ciò che letteratura recente suggerisce per la resilienza dei trasporti [24]. Non si può materialmente prevenire ogni possibile evento costruendo sistemi di protezione ovunque (la robustezza totale è utopica e costosissima), ma potrà accettarsi che alcuni eventi avvengano (accettare un rischio residuo è fisiologico) e puntare ad un adattamento rapido. L’AI qui funge da catalizzatore per l’agilità, in quanto velocizza e migliora le capacità di reazione e adattamento in corso d’opera.

In conclusione, appare chiaro che l’implementazione di AI e analisi integrata del rischio climatico nei trasporti non è solo una questione tecnologica, ma un percorso strategico che coinvolge policy, istituzioni e società. Se ben orchestrato, esso potrà diventare un pilastro della climate resilience infrastrutturale, portando il settore dei trasporti ad essere non più un anello debole di fronte ai cambiamenti climatici, ma un esempio di adattamento efficace e di protezione dei cittadini.

Verso trasporti più sicuri attraverso sistemi predittivi

I cambiamenti climatici impongono una trasformazione profonda nel modo in cui pianifichiamo, costruiamo e gestiamo le infrastrutture di trasporto. Il lavoro presentato in questo articolo evidenzia che l’Intelligenza Artificiale può giocare un ruolo determinante nel potenziare la resilienza climatica di tali sistemi, fungendo da “ponte” tra la mole di dati ambientali disponibili e le decisioni operative e strategiche necessarie per adattarsi. È stato proposto un framework integrato che combina modelli predittivi AI, valutazioni di rischio secondo standard scientifici e strumenti di supporto decisionale, articolando un approccio multisettoriale che abbraccia aspetti tecnici, climatici e gestionali.

I punti salienti emersi sono:

• Il settore dei trasporti, e in particolare le reti ferroviarie, è altamente vulnerabile ai fenomeni climatici estremi, con evidenze scientifiche che proiettano un netto aumento dei rischi e dei danni economici associati entro le prossime decadi in assenza di adattamento.
• L’uso di AI e machine learning su dati storici e in tempo reale può fornire allerta precoce su guasti e interruzioni legati al clima, migliorando la capacità di reazione e prevenzione degli operatori. Studi recenti dimostrano che algoritmi di classificazione e regressione possono raggiungere elevata accuratezza nell’identificare pattern critici che precedono i failure infrastrutturali.
• Integrare l’analisi predittiva con una valutazione strutturata del rischio (hazard, esposizione, vulnerabilità) permette di quantificare dove il sistema è più fragile e di orientare gli investimenti di adattamento in modo da massimizzare la riduzione del rischio. Questo approccio è coerente con le linee guida IPCC e con gli indirizzi strategici sia europei che nazionali.
• Strumenti di supporto alle decisioni basati su queste analisi consentono una gestione più efficace sia delle emergenze, sia della pianificazione a lungo termine, favorendo un processo decisionale trasparente, data-driven e coordinato tra più attori. L’AI, opportunamente resa interpretabile, diventa un alleato dei decisori pubblici nel prendere misure tempestive e nel comunicare chiaramente ai cittadini le ragioni di tali misure.
• Dal punto di vista delle politiche, l’approccio proposto risponde alle richieste di accelerare l’azione di adattamento: spostando il baricentro dalla semplice identificazione del problema (analisi) alla messa in campo di soluzioni operative (attuazione), in linea con lo slogan europeo di passare “dalla pianificazione all’azione”. Inoltre, capitalizza sulle opportunità offerte dalla trasformazione digitale per affrontare la sfida climatica, integrando due delle maggiori priorità globali (transizione ecologica e transizione digitale).

È importante, tuttavia, riconoscere che l’implementazione pratica di questo framework richiederà ulteriori sforzi di ricerca e sperimentazione sul campo. Trasparenza, robustezza e interoperabilità dovranno essere principi guida nello sviluppo dei sistemi predittivi:

• Trasparenza intesa come spiegabilità degli output (per guadagnare fiducia e assicurare correttezza nelle decisioni), come pure trasparenza sui dati utilizzati (aperti e condivisi il più possibile).
• Robustezza significa che i modelli devono essere affidabili anche al di fuori delle condizioni per cui sono stati addestrati, resistenti a dati rumorosi o parziali, e validati attentamente per evitare bias o errori sistematici. In ambito di sicurezza pubblica, falsi negativi (mancati allarmi) o falsi positivi (allarmi ingiustificati) possono avere conseguenze serie, quindi la calibrazione dei modelli deve essere estremamente rigorosa.
• Interoperabilità implica che i sistemi sviluppati possano dialogare con altre piattaforme e dataset, evitare silos informativi, e aderire a standard comuni. Questo faciliterà la scalabilità e la replicabilità in altre regioni e contesti. Come evidenziato, la standardizzazione di metodi e indicatori è un fattore critico per diffondere su larga scala queste soluzioni.

La ricerca futura in quest’ambito potrà focalizzarsi su diversi aspetti:

• Migliorare gli algoritmi di AI incorporando apprendimento cd. transfer (trasferire conoscenza da regioni con molti dati a regioni con pochi dati), o modelli ibridi fisico-dati che uniscono le leggi fisiche note (ad es. modellistica idrologica) con l’apprendimento statistico.
• Sviluppare metodologie di stress-testing virtuale delle infrastrutture tramite gemelli digitali: creare modelli digitali di ponti, tratte ferroviarie, ecc., su cui far impattare virtualmente eventi estremi generati dall’AI, per vedere come reagiscono e dove cedono, in modo da anticipare criticità progettuali.
• Studiare l’interazione uomo-macchina nei sistemi di supporto decisionale: quali sono le interfacce migliori per presentare le raccomandazioni dell’AI ai decisori? Come evitare sovraccarico di informazioni e al contempo assicurarsi che i segnali di allarme vengano recepiti e compresi? La psicologia cognitiva e le scienze decisionali hanno un ruolo da giocare qui.
• Valutare economicamente l’impatto del framework: sviluppare modelli per stimare il valore atteso (in termini di danni evitati, vite salvate, minori ritardi) derivante dall’implementazione di questi sistemi, per costruire un business case solido che ne giustifichi i costi di sviluppo e mantenimento.

In chiusura, possiamo affermare che l’integrazione di Intelligenza Artificiale e analisi del rischio climatico rappresenta una frontiera promettente e necessaria per la resilienza dei trasporti. L’AI, da sola, non è una panacea: va inserita in una visione olistica che comprenda infrastrutture materialmente più resilienti, normative aggiornate, formazione e consapevolezza diffusa. Ma può fungere da motore accelerante di questa trasformazione, colmando il divario tra i dati sul clima e le decisioni sul campo. In un’epoca in cui gli eventi estremi diventeranno sempre più frequenti, la capacità di trasformare rapidamente i dati climatici in conoscenza operativa sarà ciò che distinguerà un sistema di trasporti che regge l’urto del clima che cambia, da uno che soccombe ad esso. Implementando sistemi predittivi trasparenti, robusti e interoperabili – come quelli delineati in questo lavoro – si pongono le basi per trasporti più sicuri e affidabili in un futuro dove l’unica certezza è l’incertezza del clima.

Bibliografia

[1] G. Forzieri et al., «Escalating impacts of climate extremes on critical infrastructures in Europe», gen. 2018.

[2] IPCC, «Chapter 6: Cities, settlements and key infrastructure». [Online]. Disponibile su: https://www.ipcc.ch/report/ar6/wg2/chapter/chapter-6/

[3] E. E. Koks et al., «A global multi-hazard risk analysis of road and railway infrastructure assets», Nat Commun, vol. 10, fasc. 1, p. 2677, giu. 2019, doi: 10.1038/s41467-019-10442-3.

[4] V. Nezval, R. Andrášik, e M. Bíl, «Identification of factors contributing to broken and buckled rails: insights from long-term data», European Transport Research Review, vol. 17, fasc. 1, p. 28, mag. 2025, doi: 10.1186/s12544-025-00725-w.

[5] S. Markolf, C. Hoehne, A. Fraser, M. Chester, e S. Underwood, «Transportation resilience to climate change and extreme weather events – Beyond risk and robustness», Transport Policy, vol. 74, nov. 2018, doi: 10.1016/j.tranpol.2018.11.003.

[6] Hallegatte, Rentschler, e Rozenberg, «Lifelines: The Resilient Infrastructure Opportunity». [Online]. Disponibile su: https://openknowledge.worldbank.org/entities/publication/c3a753a6-2310-501b-a37e-5dcab3e96a0b

[7] K. Soleimani-Chamkhorami, A. Karbalaie, A. Kasraei, E. Haghighi, S. M. Famurewa, e A. H. S. Garmabaki, «Identifying climate-related failures in railway infrastructure using machine learning», Transportation Research Part D: Transport and Environment, vol. 135, p. 104371, ott. 2024, doi: 10.1016/j.trd.2024.104371.

[8] S. Mehryar, V. Yazdanpanah, e J. Tong, «AI and climate resilience governance», iScience, vol. 27, fasc. 6, p. 109812, giu. 2024, doi: 10.1016/j.isci.2024.109812.

[9] C. Ngamkhanong, S. Kaewunruen, e C. Baniotopoulos, «Influences of ballast degradation on railway track buckling», Engineering Failure Analysis, vol. 122, p. 105252, apr. 2021, doi: 10.1016/j.engfailanal.2021.105252.

[10] E. Ferranti, L. Chapman, C. Lowe, S. McCulloch, D. Jaroszweski, e A. Quinn, «Heat-Related Failures on Southeast England’s Railway Network: Insights and Implications for Heat Risk Management», apr. 2016, doi: 10.1175/WCAS-D-15-0068.1.

[11] K. Liu, M. Wang, e T. Zhou, «Increasing costs to Chinese railway infrastructure by extreme precipitation in a warmer world», Transportation Research Part D: Transport and Environment, vol. 93, p. 102797, apr. 2021, doi: 10.1016/j.trd.2021.102797.

[12] E.-L. Schriewer, J. Hofmann, S. Stenger-Wolf, S. Szymczak, T. Vaitl, e H. Schüttrumpf, «Damage Analysis of the Eifel Route Railroad Infrastructure After the Flash Flood Event in July 2021 in Western Germany», Water, vol. 17, fasc. 19, p. 2874, gen. 2025, doi: 10.3390/w17192874.

[13] A. Roghani, «Quantifying the effect of freeze-thaw cycles on track surface deformation and degradation of railway track geometry; Case study», Transportation Geotechnics, vol. 30, p. 100601, set. 2021, doi: 10.1016/j.trgeo.2021.100601.

[14] G. Ricciardi et al., «Risk assessment of national railway infrastructure due to sea-level rise: an application of a methodological framework in Italian coastal railways», Environ Monit Assess, vol. 196, fasc. 9, p. 822, ago. 2024, doi: 10.1007/s10661-024-12942-2.

[15] K. Soleimani-Chamkhorami, A. Karbalaie, A. Kasraei, E. Haghighi, S. M. Famurewa, e A. H. S. Garmabaki, «Identifying climate-related failures in railway infrastructure using machine learning», Transportation Research Part D: Transport and Environment, vol. 135, p. 104371, ott. 2024, doi: 10.1016/j.trd.2024.104371.

[16] K. Soleimani-Chamkhorami, A. Karbalaie, A. Kasraei, E. Haghighi, S. Famurewa, e A. Garmabaki, «Identifying climate-related failures in railway infrastructure using machine learning», World Transit Research, gen. 2024, [Online]. Disponibile su: https://www.worldtransitresearch.info/research/10898

[17] «Climate hazard assessment – Climate Resilience Policy Indicator – Analysis», IEA. [Online]. Disponibile su: https://www.iea.org/reports/climate-resilience-policy-indicator/climate-hazard-assessment

[18] RER, «Climate-Adapt: la piattaforma europea per l’adattamento ai cambiamenti climatici», Partecipazione. [Online]. Disponibile su: https://partecipazione.regione.emilia-romagna.it/news/normali/news-2025/climate-adapt-la-piattaforma-europea-per-l2019adattamento-ai-cambiamenti-climatici

[19] Network Rail, «Landslips», Network Rail. [Online]. Disponibile su: https://www.networkrail.co.uk/rail-travel/delays-explained/landslips/

[20] «Strategia Nazionale adattamento Cambiamenti Climatici», Ministero dell’Ambiente e della Sicurezza energetica. [Online]. Disponibile su: https://www.mase.gov.it/portale/strategia-nazionale-adattamento-cambiamenti-climatici

[21] «Mims: nuove strategie per infrastrutture sostenibili e resilienti ai cambiamenti climatici anche ricorrendo a innovativi strumenti finanziari | Ministero delle infrastrutture e dei trasporti». [Online]. Disponibile su: https://www.mit.gov.it/comunicazione/news/mims-nuove-strategie-per-infrastrutture-sostenibili-e-resilienti-ai-cambiamenti

[22] «Nuova strategia UE di adattamento ai cambiamenti climatici», European Commission – European Commission. [Online]. Disponibile su: https://ec.europa.eu/commission/presscorner/detail/it/ip_21_663

[23] A. Nguyen e A. Nguyen, «How AI is arming cities in the battle for climate resilience», Reuters, 23 maggio 2024. [Online]. Disponibile su: https://www.reuters.com/sustainability/climate-energy/how-ai-is-arming-cities-battle-climate-resilience-2024-05-23/

[24] S. Markolf, C. Hoehne, A. Fraser, M. Chester, e S. Underwood, «Transportation resilience to climate change and extreme weather events – Beyond risk and robustness», Transport Policy, vol. 74, nov. 2018, doi: 10.1016/j.tranpol.2018.11.003.

[1] Riccardo Gentilucci, Ministero delle Infrastrutture e dei Trasporti – Ufficio di Coordinamento del Dipartimento per le Infrastrutture e le Reti di Trasporto, Via Nomentana 2, 00161 Rome – Italia. Email: riccardo.gentilucci@mit.gov.it; riccardo.gentilucci@uniroma1.it