Landslide susceptibility mapping and displacement monitoring : a case study in Northern Italy

Landslides are one of the most dangerous and disastrous geological hazard worldwide, posing threats to human life, infrastructures and to the natural environment. This dissertation aims to analyse these phenomena both at the basin scale, by producing landslide susceptibility maps, and at a single landslide scale, by monitoring its displacements through satellite images. Landslide susceptibility mapping is a topic of crucial importance in risk mitigation. In this work, a machine learning approach based on the Random Forests algorithm is adopted to produce landslide susceptibility maps over two areas in Northern Lombardy (Val Tartano and Upper Valtellina), Italy. Following a state of the art analysis on this topic, the Random Forests technique was chosen for its positive performances, that were further confirmed by this work. An innovative aspect of this dissertation is the introduction of a No Landslide zone defined by geological criteria, which aims to determine areas with very low possibility of landslides. By these means, the model was provided with information about landslide absence in addition to that of past landslide events. The models obtained were subsequently validated with state-of-the-art metrics, showing satisfactory results. Whilst susceptibility studies can be of great aid in preventing threats posed by future events, active landslides need to be monitored to reduce the risk of damages and casualties. With this aim, this work proposes a way to compute landslide displacements through time, by exploiting the great availability of high quality multispectral satellite images. The developed procedure produces maps of displacement magnitude and direction by means of local cross-correlation of Sentinel-2 images. The Ruinon landslide, an active landslide in Upper Valtellina, was analysed during two different time windows. Both the analyses described in this work were designed to be entirely based on free and open-source GIS software and to rely exclusively on open data. These characteristics allow the proposed analyses to be easily replicated, customized, and empowered.

Le frane sono uno dei fenomeni naturali più pericolosi e disastrosi a livello globale, e rappresentano una minaccia per gli uomini, le infrastrutture e per l’ambiente naturale. Questa tesi ha quindi l’obiettivo di analizzare tali fenomeni sia alla scala di bacino, producendo mappe di suscettibilità da frana, sia concentrandosi su singole frane, monitorandone gli spostamenti attraverso immagini satellitari. La mappatura di suscettibilità da frana è un argomento di fondamentale importanza nel campo della mitigazione del rischio. In questo lavoro, è stato adottato un approccio di machine learning basato sull’algoritmo Random Forests per la produzione di mappe di suscettibilità da frana in due aree nel nord della Lombardia (Val Tartano e Alta Valtellina), in Italia. Dopo un’analisi dello stato dell’arte in questo campo, la tecnica Random Forests è stata selezionata per le sue prestazioni positive, che sono state inoltre confermate in questo lavoro. Un aspetto innovativo di questa tesi è l’introduzione di una No Landslide zone definita tramite criteri geologici, che ha lo scopo di identificare zone in cui il rischio di frane è molto ridotto. Così facendo, al modello sono state fornite informazioni riguardo l’assenza di frane in aggiunta a quelle di eventi franosi passati. I modelli così ottenuti sono stati validati con metriche all’avanguardia, producendo risultati soddisfacenti. Mentre gli studi di suscettibilità possono essere di grande aiuto nel prevenire i pericoli di eventi futuri, le frane già attive devono essere monitorate con lo scopo di ridurre il rischio di danni. A tal fine, questo lavoro propone una procedura per calcolare gli spostamenti di frane nel tempo, facendo leva sull'ampia disponibilità di immagini satellitari multispettrali di alta qualità. La procedura sviluppata produce come risultato mappe della lunghezza e della direzione dello spostamento usando una cross-correlazione locale di immagini Sentinel-2. La frana del Ruinon, una frana attiva in Alta Valtellina, è stata analizzata in due finestre temporali distinte. Entrambe le analisi descritte in questa tesi sono state progettate con l’intento di essere completamente basate su software GIS free e open-source e di utilizzare esclusivamente dati open. Tali caratteristiche rendono queste analisi facilmente replicabili, personalizzabili e migliorabili.