“Modello Decisionale Integrato per il Contenimento di Xylella fastidiosa in Puglia: Previsione, Prioritizzazione e Supporto agli Enti Pubblici”

 

“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:

1. 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.
2. 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:

1. Livello biologico (vettore–ospite)
2. Livello territoriale (paesaggio, infrastrutture)
3. 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.