An integrated framework for coastal flood Early Warning and morphological evolution analysis [Un framework integrato per l’allerta precoce delle inondazioni costiere e l’analisi dell’evoluzione morfologica]

Coastal zones are increasingly subject to the combined pressures of sea-level rise, intensifying marine storms, and human-induced alterations to the shoreline. These interacting factors contribute to more frequent and severe flooding, accelerated erosion, and destabilisation of coastal morphology. As natural defences such as dunes, wetlands, and barrier systems continue to degrade due to urban expansion and land-use change, exposure and vulnerability grow, particularly in low-lying or densely populated areas. This evolving risk landscape necessitates the development of robust, integrated tools capable of accurately predicting coastal hazards and mitigating impact through effective alerting strategies. This PhD research presents an integrated, hybrid modeling framework that leverages process-based numerical simulations, artificial intelligence, and Earth Observation (EO) data to enhance coastal flood forecasting and to investigate storm-induced morphodynamic changes. Two representative Mediterranean case studies—Granelli (Italy) and Altafulla (Spain)—are explored to demonstrate the proposed methodology. An Early Warning System (EWS) is designed and tested in the coastal environment of the village of Granelli (Syracuse, Italy) by coupling the SWAN and XBeach models with a machine learning module based on Artificial Neural Networks (ANN). A set of hydrodynamic simulations is used to train the ANN, which enables near-instantaneous prediction of flood surfaces using real-time wave and water levels as inputs. The model achieves excellent predictive skill (R² > 0.95) across the simulated domain. Remote sensing data—particularly high-resolution satellite-derived water masks—serve as an independent benchmark for model validation during observed historic storm events. The integration of physically based models, ANN, and EO datasets results in a reliable, flexible EWS suited to operational flood risk mitigation in vulnerable coastal environments. The second case study, Altafulla, focuses on simulating storm-driven bathymetric evolution using the XBeach model in 2DH surfbeat mode, with the aim of assessing the model’s capability to reproduce short-term morphological changes induced by storms and to improve process understanding of nearshore dynamics. Pre- and post-storm bathymetric data from field surveys were used to initialise and validate the model across two storm intervals in 2025. The model was calibrated through a sensitivity analysis of key morphological parameters to improve its ability to reproduce observed seabed changes. While the model reproduced the main tendencies of storm-driven morphological change, it showed noticeable deviations in the predicted magnitude and distribution of seabed alterations when compared to the surveyed data. Overall, this thesis demonstrates the efficacy of hybrid approaches that combine numerical modeling, EO data, and machine learning for coastal hazard assessment. It provides a transferable methodology for developing data-informed flood forecasting tools and for interpreting morphodynamic responses to storm events in complex coastal settings. The findings support the design of site-specific strategies for mitigating coastal flood risk and enhance the use of process-based models to better understand short-term sediment dynamics and storm-induced morphological change. They demonstrate the efficacy of the proposed methodology, while also highlighting open questions that warrant further investigation.

Le zone costiere sono sempre più soggette alle pressioni combinate dell’innalzamento del livello del mare, dell’intensificazione delle mareggiate e delle alterazioni antropiche della linea di riva. Questi fattori interagenti contribuiscono a un aumento della frequenza e della severità delle inondazioni, ad un’erosione accelerata e a una crescente instabilità della morfologia costiera. Poiché le difese naturali, quali dune, zone umide e sistemi barriera, continuano a degradarsi a causa dell’espansione urbana e dei cambiamenti nell’uso del suolo, l’esposizione e la vulnerabilità aumentano, in particolare nelle aree basse o densamente popolate. Questo quadro di rischio in evoluzione richiede lo sviluppo di strumenti robusti e integrati, in grado di prevedere con accuratezza i pericoli costieri e di ridurne l’impatto tramite strategie di allertamento efficaci. La presente ricerca di dottorato propone un framework di modellazione ibrido e integrato che combina simulazioni numeriche basate sui processi, tecniche di intelligenza artificiale e dati di Osservazione della Terra (Earth Observation, EO), con l’obiettivo di migliorare la previsione delle inondazioni costiere e di analizzare i cambiamenti morfodinamici indotti dalle mareggiate. Due casi studio rappresentativi dell’area mediterranea — Granelli (Italia) e Altafulla (Spagna) — vengono utilizzati per dimostrare la metodologia proposta. Un sistema di allerta precoce (Early Warning System, EWS) è progettato e testato nell’ambiente costiero del villaggio di Granelli (provincia di Siracusa, Italia), accoppiando i modelli SWAN e XBeach con un modulo di machine learning basato su reti neurali artificiali (Artificial Neural Networks, ANN). Un insieme di simulazioni idrodinamiche viene utilizzato per addestrare l’ANN, che consente la previsione quasi istantanea delle superfici allagate a partire da dati in tempo reale di moto ondoso e livello del mare. Il modello mostra un’eccellente capacità predittiva (R² > 0,95) sull’intero dominio simulato. I dati di telerilevamento — in particolare le mappe di acqua derivata da immagini satellitari ad alta risoluzione — sono impiegati come riferimento indipendente per la validazione del modello durante eventi di mareggiata storici osservati. L’integrazione di modelli fisicamente basati, ANN e dataset EO conduce allo sviluppo di un EWS affidabile e flessibile, adatto alla mitigazione operativa del rischio di inondazione in ambienti costieri vulnerabili. Il secondo caso studio, Altafulla, si concentra sulla simulazione dell’evoluzione batimetrica indotta dalle mareggiate tramite il modello XBeach in modalità 2DH surfbeat, con l’obiettivo di valutare la capacità del modello di riprodurre i cambiamenti morfologici di breve termine e di migliorare la comprensione dei processi idrodinamici e sedimentari nel settore di riva. Dati batimetrici pre- e post-evento, ottenuti da rilievi in campo, sono utilizzati per inizializzare e validare il modello su due intervalli di mareggiata nel 2025. Il modello viene calibrato attraverso un’analisi di sensibilità dei principali parametri morfodinamici, al fine di migliorarne la capacità di riprodurre le variazioni del fondale osservate. Pur riuscendo a cogliere le principali tendenze dei cambiamenti morfologici indotti dalle tempeste, il modello mostra deviazioni significative nella magnitudine e nella distribuzione spaziale delle variazioni batimetriche rispetto ai dati rilevati. Nel complesso, questa tesi dimostra l’efficacia di approcci ibridi che combinano modellazione numerica, dati EO e machine learning per la valutazione dei pericoli costieri. Essa fornisce una metodologia trasferibile per lo sviluppo di strumenti previsionali basati sui dati per le inondazioni costiere e per l’interpretazione delle risposte morfodinamiche agli eventi di mareggiata in contesti costieri complessi. I risultati supportano la progettazione di strategie sito-specifiche per la mitigazione del rischio di inondazione costiera e promuovono un uso più avanzato dei modelli basati sui processi per comprendere meglio la dinamica sedimentaria di breve termine e i cambiamenti morfologici indotti dalle tempeste, evidenziando al contempo le questioni aperte che richiedono ulteriori approfondimenti.