Terna GridGuard

Il link al progetto è https://github.com/silvioventre/ternagridguard/tree/develop. LA repo è privata per motivi di sicurezza, chiedere accesso per visualizzarla.

GridGuard è una dashboard di early warning climatico progettata per trasformare segnali ambientali, caratteristiche territoriali e informazioni di rete in priorità operative comprensibili, spiegabili e verificabili.

I dati utili alla prevenzione dei rischi infrastrutturali provengono da fonti diverse, hanno formati, frequenze di aggiornamento e livelli di affidabilità differenti. GridGuard li organizza in un unico percorso decisionale: raccolta dei segnali → calcolo deterministico del rischio → ordinamento delle priorità → spiegazione AI → revisione umana.

La piattaforma utilizza un pilota sintetico composto da 12 asset distribuiti in 11 regioni italiane, con coordinate generalizzate e caratteristiche costruite per dimostrare il funzionamento dell’intera architettura.

La landing page e l’applicazione sono state progettate attraverso un’analisi dei canali digitali ufficiali di Terna. Colori, tipografia, gerarchie, componenti, densità informativa e tono editoriale riprendono il linguaggio istituzionale del brand.

Il risultato è un’interfaccia pensata come strumento professionale interno: informazioni dense ma leggibili, stati di rischio immediatamente riconoscibili e possibilità di passare dalla situazione nazionale al singolo asset senza perdere il contesto.

La complessità principale del progetto risiede nell’integrazione di fonti pubbliche eterogenee: MeteoHub ARCO – Radar DPC SRI: scaricamento e decodifica dell’ultima scansione radar disponibile. 

GridGuard campiona il segnale di precipitazione intorno a ciascun asset. 

1. Dipartimento della Protezione Civile: acquisizione dei bollettini di criticità idrogeologica e idraulica, con conteggio delle zone in allerta per oggi e domani e consultazione delle emissioni precedenti.
2. ARPA Lombardia Open Data: recupero di sensori e osservazioni per ottenere precipitazione nelle 24 ore e temperatura dalla stazione disponibile più vicina al pilota lombardo.
3. NASA FIRMS – VIIRS: rilevamenti satellitari degli incendi nelle ultime 24 ore, filtrati rispetto alla distanza dall’asset selezionato.
4. NASA GPM IMERG V07: verifica del catalogo satellitare dedicato alle precipitazioni globali.
5. Copernicus ERA5-Land: verifica del catalogo climatico europeo per variabili meteorologiche e del suolo.
6. ISPRA IFFI/IdroGEO: riferimento metodologico per la suscettibilità e la classificazione dei fenomeni franosi.
7. Copernicus DEM: riferimento per la componente morfologica e la pendenza.
8. OpenStreetMap e Overpass API: basemap e infrastrutture elettriche contestuali.
9. Openpolis/ISTAT: geometrie delle 20 regioni italiane.

La piattaforma distingue tra dati live, osservati, contestuali e sintetici. ARCO Radar, Protezione Civile, ARPA Lombardia e NASA FIRMS dispongono di integrazioni dinamiche; GPM ed ERA5-Land sono invece verificati a livello di catalogo, ma non contribuiscono ancora direttamente al punteggio. 

L’indisponibilità di una fonte contestuale non interrompe il funzionamento del modello.

Il cuore di GridGuard è un motore riproducibile che calcola il rischio senza delegare la decisione all’intelligenza artificiale. 

La componente di pericolosità combina:

• precipitazione: peso 28;
• umidità del suolo: peso 24;
• pendenza: peso 20;
• suscettibilità territoriale: peso 28.

La pericolosità viene poi combinata con:

• Hazard: 58%;
• Exposure: 24%;
• Vulnerability: 18%.

Il risultato è uno score tra 8 e 99, classificato in tre livelli:

• Watch: inferiore a 52;
• Warning: da 52 a 75;
• Critical: da 76.

Il modello considera anche qualità, freschezza e completezza dei dati per produrre un indicatore di confidenza. Sono disponibili tre scenari dimostrativi — baseline, pioggia persistente ed evento estremo — e cinque orizzonti temporali, dalla situazione corrente fino a +24 ore.

Accanto al risk engine è stata sviluppata una matrice deterministica di intervento. 

Sei regole analizzano condizioni quali frana attiva, vicinanza del fenomeno, precipitazione estrema, ricorrenza degli eventi, criticità dell’asset e disponibilità di alternative di rete. 

Ogni regola assegna una categoria d’intervento, una priorità e una finestra temporale, da “entro un’ora” fino a un piano preventivo di 30 giorni.

La dashboard fornisce una vista nazionale con: 

• 12 asset monitorati;
• indicatori di criticità;
• stato delle fonti;
• bollettini della Protezione Civile;
• selezione di scenario e orizzonte temporale;
• coda degli asset ordinata automaticamente per rischio;
• filtri regionali;andamento temporale del punteggio.

La mappa utilizza MapLibre e combina regioni italiane, riferimenti geografici, infrastrutture elettriche contestuali e marker degli asset. 

È previsto anche un fallback grafico quando l’accelerazione WebGL non è disponibile.

Ogni asset contiene un profilo sintetico dettagliato: tipologia, esposizione, vulnerabilità, classe di pericolosità, pendenza, distanza dal fenomeno franoso, stato della frana, ricorrenza degli eventi, criticità per la rete, presenza di un’alternativa e danno simulato.

L’intelligenza artificiale interviene dopo il calcolo, con il solo compito di interpretare e organizzare le evidenze.Il sistema utilizza quattro agenti specialistici eseguiti in parallelo: 

• climatico, per precipitazioni, suolo e freschezza dei dati; 
• geotecnico, per suscettibilità, pendenza e stato della frana;
• rete, per criticità, ridondanza e continuità del servizio; 
• governance, per collegare l’intervento alle fasi di prevenzione, risposta e recupero.

Un quinto agente aggrega le analisi in un brief operativo con sintesi, incertezza, escalation, azioni immediate e attività successive.

L’AI non può modificare score, livello, regola deterministica, priorità o finestra d’intervento. Se il servizio AI non è disponibile, la piattaforma restituisce comunque il risultato prodotto dalla matrice deterministica. L’operatore può infine correggere la raccomandazione prima dell’approvazione.

La sezione Model & Data rende visibili origine, licenza, qualità e aggiornamento delle fonti, oltre ai pesi del modello e allo stato delle integrazioni.

Il Validation Lab consente di:

• riprodurre i tre scenari su 24 ore;
• modificare la soglia di allerta;
• regolare i pesi delle quattro componenti di pericolosità;
• osservare precision, recall, falsi positivi e lead time;
• analizzare la matrice di confusione.

GridGuard dimostra la realizzazione di una filiera caratterizzata da integrazione di dati meteorologici, satellitari e territoriali; elaborazione geospaziale; modello deterministico configurabile; matrice d’intervento; AI multi-agente; supervisione umana e validazione interattiva.

Il passaggio successivo sarà sostituire progressivamente asset, input e label sintetiche con dati RTN autorizzati e osservazioni storiche, mantenendo invariati i principi di trasparenza, riproducibilità e controllo umano.