Apprendimento automatico in idrologia

Le tecniche di apprendimento automatico vengono sempre più utilizzate per modellare processi idrologici complessi attraverso l’integrazione di set di dati di grandi dimensioni ed eterogenei.

Modellizzazione della vulnerabilità alle inondazioni

I modelli Random Forest sono stati applicati per combinare: I risultati mostrano un’elevata capacità predittiva e una forte capacità di generalizzazione.

  • Osservazioni satellitari
  • Indici geomorfologici (GFI)
  • Predittori ambientali

Pubblicazioni sul tema

  • Zhuang, R., S. Manfreda, Y. Zeng, L. Zhang, B. Szabó, P. Nasta, N. Romano and Z. Su, Bridging Satellite and UAS Scales for Surface Soil Moisture Mapping: A Two-Step Random Forest Downscaling Framework., Remote Sensing Applications: Society and Environment, 2026. [doi]
  • Moe, A. C., K. C. Saddi, R. Zhuang, D. Miglino, J. A. Saavedra Navarro and S. Manfreda, Global-scale chlorophyll-a monitoring for inland lake water quality framework: Advancements, machine learning models, and transferability challenges., 2026.
  • Saavedra Navarro, J., R. Zhuang, C. Albertini and S. Manfreda, Mapping flood susceptibility using random forest exploiting satellite observations and geomorphic features., Science of the Total Environment, 2025. [pdf] [doi]
  • Albertini, C., A. Gioia, V. Iacobellis, G. P. Petropoulos and S. Manfreda, Assessing multi-source Random Forest classification and robustness of predictor variables in flooded areas mapping., Remote Sensing Applications: Society and Environment, 2024. [pdf] [doi]
  • Han, Q., Y. Zeng, L. Zhang, C. Cira, E. Prikaziuk, T. Duan, C. Wang, B. Szabó, S. Manfreda, R. Zhuang and B. Su, Ensemble of optimised machine learning algorithms for predicting surface soil moisture content at a global scale., Geoscientific Model Development, 2023. [pdf] [doi]
  • Zhang, L., Y. Zeng, R. Zhuang, B. Szabó, S. Manfreda, Q. Han and Z. Su, In situ observation-constrained global surface soil moisture using Random Forest model., Remote Sensing, 2021. [doi]