“Modello Decisionale
Integrato per il Contenimento di Xylella fastidiosa in Puglia:
Previsione, Prioritizzazione e Supporto agli Enti Pubblici”
Autore:
Antonio Bruno
Istituzione:
Associazione dei Laureati in Scienze Agrarie e Forestali della Provincia di
Lecce
Di seguito
sviluppo un modello previsionale strutturato per la diffusione di Xylella
fastidiosa in Puglia, fondato su letteratura scientifica consolidata
e sull’andamento storico regionale dal 2013 a oggi, con particolare
attenzione ai nuovi focolai dell’area metropolitana di Bari e al ruolo dei
vettori passivi lungo le infrastrutture viarie.
1. Cornice scientifica di riferimento
La
letteratura internazionale e nazionale converge su alcuni punti chiave:
- Xylella fastidiosa subsp. pauca ST53 in
Puglia mostra:
- diffusione spaziale
anisotropa (non radiale uniforme);
- forte dipendenza da vettori
insetti (Philaenus spumarius);
- amplificazione antropica tramite:
- trasporto passivo dei
vettori;
- movimentazione di mezzi
agricoli;
- reti stradali ad alta
percorrenza.
- I modelli più efficaci sono:
- spazio-temporali
probabilistici;
- agent-based o metapopolazionali;
- integrati con reti di
trasporto e uso del suolo.
2. Evidenze storiche in Puglia (2013–2025)
Dai dati
ARIF, Regione Puglia e Commissariamento emergenziale emerge un pattern stabile:
2.1 Dinamica temporale
- 2013–2015: fase esplosiva nel Salento
(Lecce sud).
- 2016–2019: avanzamento lento ma costante
verso nord (Brindisi, Taranto).
- 2020–2023: rallentamento relativo per
effetto di:
- zone cuscinetto,
- abbattimenti mirati,
- gestione del vettore.
- 2024–2025: riattivazione del rischio
nell’area barese con focolai discontinui.
2.2 Pattern spaziale ricorrente
Storicamente
i nuovi casi:
- non compaiono casualmente;
- emergono:
- lungo assi stradali
principali;
- in prossimità di:
- aree agricole intensive,
- vivai,
- zone periurbane.
Il cluster Bari–Modugno–Valenzano
è coerente con questo schema.
3. Struttura del modello previsionale
3.1 Tipo di modello
Un modello
spazio-temporale ibrido, composto da:
- Livello biologico (vettore–ospite)
- Livello territoriale (paesaggio, infrastrutture)
- Livello gestionale (interventi e risposta
istituzionale)
4. Variabili del modello
4.1 Variabili biologiche (B)
- Densità di Philaenus
spumarius
- Finestra fenologica del vettore
- Competenza di trasmissione
- Stato fitosanitario degli olivi
4.2 Variabili territoriali (T)
- Distanza da:
- strade principali
- svincoli
- aree industriali/logistiche
- Uso del suolo (oliveto continuo
vs frammentato)
- Presenza di vivai
- Continuità ecologica
4.3 Variabili antropiche (A)
- Intensità del traffico
veicolare
- Movimentazione agricola
stagionale
- Pratiche agronomiche
- Tempestività degli abbattimenti
4.4 Variabili di controllo (C)
- Tempo tra diagnosi ed
eradicazione
- Trattamenti contro il vettore
- Monitoraggio attivo (droni,
multispettrale)
5. Funzione di rischio
La
probabilità di insorgenza di un nuovo focolaio in un’area i al tempo t
può essere formalizzata come:
6. Scenari previsionali (2025–2030)
Scenario 1 – Contenimento efficace (best case)
Condizioni
- eradicazioni < 7 giorni;
- gestione vettore continuativa;
- controllo stringente su vivai e
mezzi.
Previsione
- nuovi casi sporadici e
isolati;
- nessuna colonizzazione stabile
a nord di Bari;
- probabilità annua di espansione
< 5%.
Scenario 2 – Diffusione lineare infrastrutturale (most
likely)
Condizioni
- ritardi operativi;
- traffico veicolare non
mitigato;
- monitoraggio reattivo.
Previsione
- progressione a “salti” lungo:
- SS16
- A14
- rischio concreto per:
- nord Barese,
- BAT meridionale.
Scenario 3 – Fallimento del contenimento (worst case)
Condizioni
- riduzione abbattimenti;
- conflittualità sociale;
- pressione politica.
Previsione
- insediamento endemico;
- collasso del comparto olivicolo
tradizionale;
- replica del modello salentino
entro 8–10 anni.
7. Ruolo delle nuove tecnologie (droni e
multispettrale)
Nel modello,
l’uso di:
- NDVI,
- Red Edge,
- stress idrico precoce,
riduce il tempo
di rilevazione (Δt), aumentando il termine C e abbassando
significativamente Pi,tP_{i,t}Pi,t.
8. Conclusione operativa
Il modello
indica che la Puglia non è di fronte a eventi casuali, ma a una dinamica
strutturata e prevedibile.
I nuovi casi nell’hinterland barese non sono anomalie, bensì segnali
coerenti con:
- dati storici;
- modelli di diffusione noti;
- ruolo crescente dei vettori
passivi.
La
differenza tra contenimento e disastro non è biologica, ma gestionale e
temporale.
Se lo
desidera, posso:
- trasformare questo schema in mappa
di rischio comunale,
- simulare curve previsionali
per singola provincia,
- o adattare il modello a supporto
decisionale per enti pubblici.
Di seguito
presento l’adattamento del modello previsionale di diffusione della Xylella
fastidiosa in Puglia in uno strumento di supporto decisionale (Decision
Support System – DSS) pensato specificamente per enti pubblici
(Regione, Province, ARIF, Comuni, Commissariato straordinario), con logica
operativa, indicatori misurabili e output immediatamente utilizzabili nei
processi amministrativi e tecnici.
1. Finalità del DSS pubblico
Il sistema
non ha solo valore predittivo, ma serve a:
- prioritizzare gli interventi (dove, quando, come);
- allocare risorse limitate (personale, fondi, mezzi);
- ridurre i tempi decisionali;
- supportare atti amministrativi
difendibili sotto
il profilo tecnico-scientifico;
- armonizzare azioni tra livelli
istituzionali.
2. Architettura del Decision Support System
2.1 Livelli funzionali
Livello 1 –
Acquisizione dati (Input)
- Monitoraggi ARIF
(campionamenti, abbattimenti)
- Banca dati Emergenza Xylella
- Rete stradale (ANAS, Province)
- Traffico veicolare medio
(classi)
- Uso del suolo (Corine Land
Cover)
- Dati da droni e satelliti
(stress precoce)
- Catasto olivicolo e vivai
Livello 2 –
Motore analitico
- Modello spazio-temporale
probabilistico
- Analisi di prossimità
infrastrutturale
- Algoritmi di clustering dei
focolai
- Simulazione di scenari di intervento
Livello 3 –
Output decisionali
- Mappe di rischio aggiornate
- Classificazione delle aree
- Cruscotti decisionali
- Report normativamente
spendibili
3. Indicatori chiave per la decisione pubblica (KDI)
Il DSS
traduce la complessità scientifica in indicatori sintetici,
comprensibili e utilizzabili.
3.1 Indice di Rischio Fitopatologico (IRF)
Scala 0–100
|
Classe |
Significato |
Azione consigliata |
|
0–20 |
Rischio
basso |
Monitoraggio
ordinario |
|
21–40 |
Rischio
moderato |
Monitoraggio
intensivo |
|
41–60 |
Rischio
alto |
Preallerta
operativa |
|
61–80 |
Rischio
molto alto |
Intervento
immediato |
|
81–100 |
Emergenza |
Commissariamento
locale |
3.2 Indice di Vulnerabilità Territoriale (IVT)
Valuta la propensione
strutturale del territorio alla diffusione:
- continuità olivetata;
- densità viaria;
- presenza di vivai;
- frammentazione amministrativa.
3.3 Indice di Efficienza della Risposta (IER)
Misura la capacità
dell’ente di reagire:
- giorni tra positività ed
eradicazione;
- copertura dei trattamenti
vettoriali;
- continuità del monitoraggio.
4. Regole decisionali automatiche (Policy Rules)
Il DSS
propone azioni standardizzate, riducendo discrezionalità e conflitti.
Esempi:
Regola 1 –
Attivazione zona rossa
Se IRF >
65 e IVT > 60 → proposta automatica di delimitazione area infetta.
Regola 2 –
Priorità di abbattimento
Piante entro
50 m da strade primarie con IRF > 50 → priorità 1.
Regola 3 –
Controllo vivai
Qualsiasi
focolaio entro 300 m da vivaio → ispezione straordinaria entro 48 h.
5. Supporto alla pianificazione amministrativa
Il DSS
produce output direttamente allegabili a delibere e ordinanze:
- Relazione tecnico-scientifica
standardizzata
- Mappe ufficiali di rischio
- Elenco motivato delle piante da
eradicare
- Cronoprogramma interventi
- Valutazione del “rischio
residuo” post-intervento
Questo
riduce:
- ricorsi amministrativi;
- contenziosi;
- opposizione sociale non
informata.
6. Gestione multilivello (Comune–Provincia–Regione)
Il modello
assegna responsabilità chiare:
Comuni
- segnalazione rapida;
- accesso ai fondi;
- ordinanze di supporto.
Province / Città Metropolitane
- coordinamento viabilità;
- gestione fasce stradali;
- supporto logistico.
Regione / Commissario
- zonizzazione;
- risorse straordinarie;
- indirizzo strategico.
7. Scenari decisionali simulabili
Gli enti
possono confrontare:
- Scenario A: intervento immediato
- Scenario B: intervento ritardato 30
giorni
- Scenario C: non intervento
Per ciascuno
il DSS stima:
- numero atteso di nuove infezioni;
- estensione aree compromesse;
- costo economico e ambientale;
- perdita di patrimonio olivicolo
storico.
8. Integrazione con comunicazione pubblica
Il DSS
genera anche:
- mappe semplificate per i
cittadini;
- indicatori comprensibili;
- messaggi coerenti tra enti.
Questo abbassa
la conflittualità sociale e rafforza la legittimità dell’azione pubblica.
9. Sintesi per il decisore politico
Messaggio
chiave del modello:
Ogni giorno
di ritardo aumenta il rischio in modo non lineare.
La prevenzione costa meno del contenimento.
La diffusione segue le infrastrutture, non i confini amministrativi.
Nessun commento:
Posta un commento