L’Idrogeologia è per definizione una materia interdisciplinare. Mette insieme le interazioni chimiche, fisiche, biologiche e legali tra natura e società. Uno dei termini più utilizzati nelle descrizioni idrogeologiche è la parola “complesso”. La complessità deriva dal contesto geologico, dall’evoluzione nel tempo del sistema, dalla sua risposta agli stress indotti, insieme ad un’infinita quantità di variabili da tenere sotto controllo allo stesso tempo. Non a caso, lo strumento privilegiato per approcciare i problemi idrogeologici è la modellazione numerica, ormai diffusi in qualsiasi processo decisionale.

La diffusione dei metodi numerici sta però attraversando una fase contraddittoria: ai modelli si pongono spesso domande alle quali non è possibile rispondere. La cultura modellistica attuale tende a credere che i modelli, specialmente se molto complessi, possono risolvere qualsiasi problema fornendo la “risposta giusta”. Questa forma di pensiero dimentica il fatto che un modello non sarà mai un perfetto simulatore della realtà in grado di prevedere il futuro. Ciò che un modello può fare è: (A) incorporare ciò che è noto; (B) dire quello che non può accadere nel futuro.

Riguardo al primo punto, la definizione di “ciò che è noto” non è banale. A volte si crede che un modello costruito a partire da una manciata di dati possa vivere di vita propria e riuscire a simulare tutti gli aspetti della realtà che abbiamo bisogno di indagare. Le dinamiche delle acque sotterranee sono funzione delle proprietà dell’acquifero e dell’aquitard, a loro volta estrapolate dall’analisi delle misure ottenute su campo. La posizione, la qualità, il numero e l’interpretazione dei dati raccolti definiscono i limiti delle informazioni che fanno parte della nostra “expert knowledge”, ovvero di “ciò che è noto”. I dati dovrebbero includere non solo le misure vere e proprie (hard information), ma anche le soft information, ossia le descrizioni qualitative, l’interpretazione delle anomalie, le informazioni al contorno, ecc., analizzate in un quadro di consilienza (dal latino com “insieme” e siliens “saltando”). Gli stessi dati possono essere processati “come sempre” oppure massimizzando il loro potenziale informativo, in modo che sia possibile “saltare insieme” a conclusioni convergenti partendo da fonti tra loro non collegate ed indipendenti.

Riguardo il punto (b), è necessario ricordare sempre che i modelli numerici sono simulatori imperfetti, anche quando graficamente accattivanti. Tuttavia, se le informazioni disponibili sono state usate per quantificare e ridurre le incertezze associate a previsioni specifiche, i modelli numerici continuano a costituire il miglior strumento per supportare il processo decisionale. I modelli possono inoltre completare l’estrazione delle informazioni dai dati verificando le ipotesi del modello concettuale o valutando l’utilità di nuove misure per ridurre l’incertezza previsionale (data-worth analysis).

I frequenti fallimenti dei modelli e la loro dubbia utilità pratica stanno generando una diffusa sfiducia nello strumento in sé. E’ quindi urgente cambiare rotta. In risposta molti articoli scientifici, seminari e iniziative, come ad esempio la Groundwater Modelling Decision Support Initiative (GMDSI), sono incentrati proprio sul migliorare il ruolo che la modellazione idrogeologica gioca nella gestione ambientale e nel processo decisionale. La Darcy Lecture del 2019 tenuta da John

Doherty enunciava il nuovo paradigma “Start from the problem and Work backwards”: dapprima identifichiamo quali sono i dati con maggiore capacità di ridurre le incertezze associate alle previsioni chieste al modello, poi progettiamo una strategia di simulazione numerica che obbedisca all’imperativo di ridurre tali incertezze per informare nel miglior modo possibile il processo decisionale.

SYMPLE intende aderire ed implementare il nuovo paradigma in sinergia con altre iniziative professionali, industriali, accademiche che abbiano obiettivi simili o complementari.