Dal 14 al 19 giugno 2026 Baia Samuele, nel territorio ragusano, ha ospitato ML4SEG 2026, conferenza internazionale dedicata all’uso del machine learning nelle geoscienze della Terra solida e nella fisica dei terremoti. L’incontro ha riunito ricercatori di sismologia, vulcanologia, geofisica, data science, modellistica numerica e intelligenza artificiale per lavorare su un problema molto concreto: trasformare le grandi quantità di dati raccolte dalle reti di monitoraggio in strumenti più rapidi e affidabili per riconoscere segnali anomali, interpretare fenomeni in corso e supportare la valutazione del rischio.
La conferenza è stata organizzata da Istituto Nazionale di Geofisica e Vulcanologia – Osservatorio Etneo, Los Alamos National Laboratory, Sapienza Università di Roma, Università di Catania, Università di Perugia ed École normale supérieure – PSL. Il programma ha incluso applicazioni di deep learning al trattamento dei segnali sismici, modelli physics-informed per geochimica e geodinamica, sistemi di early warning per terremoti e vulcani, machine learning non supervisionato per la mappatura geologica, analisi dei processi magmatici e utilizzo di grandi modelli fondazionali nei dati geofisici.
Uno degli ambiti principali riguarda i cataloghi sismici. Le reti di monitoraggio producono continuamente forme d’onda registrate da sismometri, accelerometri e altri sensori; una parte rilevante del lavoro consiste nell’identificare automaticamente i segnali utili, distinguere terremoti, rumore ambientale, esplosioni, frane o fenomeni vulcanici e localizzare l’evento. I modelli di deep learning possono riconoscere l’arrivo delle onde P e S nelle tracce sismiche, accelerando il phase picking, cioè l’individuazione dei primi arrivi delle onde utili per stimare posizione, profondità e origine di un evento. La qualità di questa fase determina direttamente la precisione dei cataloghi e la capacità di rilevare micro-sismicità che potrebbe restare nascosta nei metodi tradizionali.
Nel monitoraggio vulcanico l’AI viene applicata a segnali molto diversi tra loro: tremore vulcanico, eventi a bassa frequenza, deformazioni del suolo, dati inclinometrici, emissioni di gas, immagini termiche e osservazioni satellitari. Il programma di ML4SEG ha incluso lavori sull’identificazione automatica dei crateri attivi dell’Etna attraverso clustering dei dati dei tiltmeter, sull’analisi dei segnali sismici per rilevare precocemente parossismi dello Stromboli e sui digital twin abilitati dall’AI per il monitoraggio dei vulcani. Un digital twin geofisico non è una replica grafica del vulcano, ma un modello digitale aggiornato con misure reali, simulazioni e scenari fisici, usato per confrontare lo stato osservato con possibili evoluzioni del sistema.
La componente più importante non è però il semplice riconoscimento di pattern. Nelle geoscienze, un modello addestrato soltanto su dati storici può restituire correlazioni difficili da interpretare e non affidabili quando cambia il contesto fisico. Per questo la conferenza ha dedicato spazio alla physical-guided AI e alle physics-informed neural networks, reti neurali che incorporano vincoli derivati dalle equazioni fisiche, dalle leggi di propagazione delle onde, dalla meccanica delle faglie o dalla dinamica dei fluidi e del magma. L’obiettivo è evitare che il modello impari soltanto associazioni statistiche, imponendo invece che le sue previsioni restino compatibili con ciò che si conosce dei processi naturali.
Questo approccio è particolarmente rilevante per terremoti e vulcani, dove gli eventi più pericolosi sono anche rari e quindi poco rappresentati nei dataset. Un modello addestrato sui casi precedenti può incontrare difficoltà proprio davanti a fenomeni insoliti, incompleti o mai osservati con la stessa combinazione di condizioni. L’integrazione con simulazioni numeriche, dati di laboratorio e modelli fisici serve a colmare in parte questo limite, producendo esempi sintetici, testando scenari e verificando se il comportamento dell’algoritmo rimane coerente quando le osservazioni disponibili sono scarse.
Tra le tecnologie discusse rientra anche il Distributed Acoustic Sensing, o DAS. Questa tecnica utilizza comuni fibre ottiche come sensori distribuiti: un interrogatore invia impulsi laser nella fibra e misura le variazioni della luce riflessa lungo il cavo. Le deformazioni minime provocate da onde sismiche, traffico, mareggiate, frane o attività vulcanica modificano il segnale ottico e permettono di trasformare chilometri di fibra in migliaia di punti di misura. Il risultato è un volume di dati molto superiore a quello prodotto da una rete sismica convenzionale, per il quale classificazione automatica, riduzione del rumore e rilevamento di anomalie diventano necessari.
L’AI può inoltre essere usata per integrare dati eterogenei. Un sistema di monitoraggio può combinare forme d’onda sismiche, serie temporali GNSS, immagini InSAR satellitari, dati meteorologici, misure dei gas, mareografi, microbarometri e osservazioni geologiche. L’integrazione multimodale consente di analizzare fenomeni che non sono spiegabili da una sola sorgente informativa, come deformazioni lente del terreno, variazioni nella pressione dei sistemi magmatici, eventi meteo-marini estremi o possibili meteotsunami. Nel programma della conferenza sono stati presentati anche lavori sul monitoraggio di piene improvvise attraverso la sismologia dei fiumi e sulla rilevazione di meteotsunami tramite dati combinati di microbarometri e mareografi a Mazara del Vallo.
I sistemi di early warning rappresentano una delle applicazioni più delicate. Un algoritmo può ridurre il tempo necessario per rilevare un evento e stimarne le prime caratteristiche, ma non può trasformare l’incertezza scientifica in una previsione deterministica. Per i terremoti, l’allerta rapida sfrutta il fatto che alcune onde arrivano prima di quelle più dannose: il sistema rileva le prime informazioni disponibili, calcola una stima preliminare e invia un avviso nelle aree che possono ancora riceverlo prima dell’arrivo delle onde più forti. Per i vulcani, il contributo dell’AI riguarda l’identificazione di cambiamenti nei segnali e la costruzione di scenari probabilistici, mentre la decisione operativa resta affidata agli enti di monitoraggio e protezione civile.
ML4SEG 2026 ha quindi affrontato l’intelligenza artificiale come componente di una catena scientifica più ampia. I modelli devono essere addestrati su dati affidabili, confrontati con metodi fisici, testati su eventi indipendenti, monitorati nel tempo e utilizzati da operatori in grado di interpretarne limiti e incertezza. In un territorio come la Sicilia, esposto contemporaneamente a rischio sismico, vulcanico, idrogeologico e costiero, l’integrazione tra reti strumentali, modelli fisici e analisi automatica può rendere il monitoraggio più tempestivo, ma non sostituisce l’osservazione geologica, la validazione scientifica e le procedure di gestione dell’emergenza.