Dynamic soil erosion modelling with future scenarios of climate change

Soil erosion is a natural process caused by the erosive forces of rainfall or precipitation runoff, which causes soil detachment or removal of rock materials. It is addressed as one of the main hydrological risks in the European union, and the Alps are one of the most prone areas to soil erosion, in Europe. It causes nutrients loss and exposes the environment to landslides, with negative impacts on agriculture, ecosystem and infrastructures. Several human activities and climate change induce environmental modifications which intensify the pressure on soils and increase their predisposition to water erosion. Therefore, understending soil erosion spatial patterns and temporal trends could provide important information for supporting government land use policies and strategies to reduce this underestimated natural hazard. In this work the potential soil erosion rate is estimated by the D-RUSLE model under climate change and land use/land cover change scenarios, in the Alpine section of the Oglio river basin in North Italy. D-RUSLE is a modified version of the well-known RUSLE model that aims at providing more accurate estimates of the potential soil erosion. The classic RUSLE was modified to include the shielding effect of snow on soil erosion, with the integration of a model that describes separately the behaviour of rainfall and snow and, moreover, the temporal evolution of the land cover and its spatial distribution were estimated with the integration of Earth Observation data. Climate projections are obtained trough statistical spatio-temporal downscaling of 9 simulations among those available from CMIP5 protocol. Projection of land use/land cover have been obtained through a neural network algorithm trained with past land cover maps. The results show that the integration of satellite-derived data in D-RUSLE allow a better representation of soil erosion forcings, thus providing a more accurate erosion estimation to support government land use policies and strategies. Furthermore the results show two possible scenarios at 2100: if mean annual precipitation is unvaried and temperature increases of about 1.5-2 °C, almost 47% of the area would experience a reduction in the mean annual erosion rate and only the 18% would see an increase; If precipitation increases of about 8% and temperature raises of about 4 °C, then almost the 16% of the territory could expect an erosion rate decreases while the 72% will see an increase. To conclude the scalability of the model was tested, implementing it in a different area, the Dudh Koshi basin, in Nepal. The lower availabilty of data forced the implementation of machine learning algorithms to better optimize the parameters of the D-RUSLE model and its coefficients, in order to obtain realaiable results. The model proved to be scalable in a different area and the machine learning algorithm proved to be a useful tool to optimize the model parameters and integrate geographical with statistical data.

L’erosione dei suoli è un processo naturale causato dalle precipitazioni e dal ruscellamento superficiale, che provoca il distaccamento di suolo e materiale roccioso. È considerato uno dei principali rischi idrogeologici dall’Unione Europea, e le Alpi sono l’area più predisposta al fenomeno dell’erosione, in Europa. L’erosione provoca la perdita di nutrienti ed espone l’ambiente al rischio di frane, con impatti negativi sull’agricoltura, gli ecosistemi e le infrastrutture. Le numerose attività antropiche e i cambiamenti climatici provocano dei cambiamenti ambientali che aumentano la pressione sui suoli e ne incrementano la predisposizione al fenomeno dell’erosione. Per questi motivi comprendere e analizzare la distribuzione spaziale, e l’andamento temporale dell’erosione, è importante al fine di supportare le scelte politiche, in termini di uso del suolo, e le scelte strategiche, per ridurre questo rischio naturale, spesso sottostimato. In questo lavoro l’erosione potenziale dei suoli è stata stimata con un modello D-RUSLE, tenendo in considerazione i cambiamenti climatici e le variazioni di uso e copertura del suolo, nell’area alpina del bacino del fiume Oglio, nel nord Italia. Il modello D-RUSLE è una versione modificata del noto modello RUSLE, che ambisce a fornire stime più accurate dell’erosione potenziale dei suoli. Il modello classico RUSLE è stato modificato includendo l’analisi della dinamica nivale, e il relativo impatto sull’erosione, e con l’integrazione di dati di osservazione della terra al fine di stimare più accuratamente la distribuzione spaziale e l’evoluzione temporale della copertura del suolo. Le proiezioni climatiche, a fine secolo, sono state ricavate attraverso un downscaling spazio temporale di 9 simulazioni tra quelle disponibili nel protocollo CMIP5. Attraverso l’uso di una rete neurale sono state ottenute le proiezioni di cambiamento di uso e copertura del suolo. I risultati mostrano che l’integrazione del modello con dati satellitari permette una miglior rappresentazione delle forzanti dell’erosione dei suoli, fornendo così una stima più accurata dei valori di erosione, per supportare le politichi e le strategie sulla gestione dell’uso dei suoli. Inoltre i risultati mostrano due possibili scenari al 2100: se il livello medio delle precipitazioni rimane invariato e le temperature aumentano di circa 1.5-2 °C, quasi il 47% dell’area subirebbe una riduzione nel valore medio annuale di erosione, e solo il 18% dell’area subirebbe un aumento dei tassi di erosione; se le precipitazioni aumentassero di circa l’8% e le temperatura aumentassero di 4 °C, allora circa il 16% del territorio potrebbe aspettarsi una riduzione dei tassi di erosione, mentre per il 72% dell’area questi valori aumenterebbero. Infine, la scalabilità del modello proposto è stata testata applicandolo in una differente area geografica, il bacino del fiume Dudh Koshi, in Nepal. La differente e più scarsa disponibilità di dati ha imposto l’uso di algoritmi di machine learning per un ulteriore ottimizzazione dei parametri del modello, al fine di ottenere risultati affidabili. Il modello si è dimostrato scalabile su un’area geografica differente e gli algoritmi di machine learning si sono mostrati utili per ottimizzare i parametri del modello e integrare dati geografici con dati statistici.