Il collasso dei ponti rappresenta una grave rischio per la sicurezza pubblica e strategie per eseguire manutenzione preventiva sono di fondamentale importanza. Tuttavia le tradizionali ispezioni visive ed i sistemi basati su sensori fisici risultano spesso costosi o inefficaci nell’individuare segnali precoci di rischio. Questo progetto di tesi propone un approccio innovativo che sfrutta dati geospaziali ottenuti tramite tecnologia InSAR e informazioni ambientali, come il flusso dei fiumi, per sviluppare un modello di Deep Learning capace di stimare in anticipo il rischio di collasso. Il lavoro prevede la formulazione di un indice di rischio matematicamente ben definito e basato sui dati, la creazione di un dataset sintetico a partire da dati reali e l’implementazione di una rete neurale progettata per elaborare serie temporali di misurazioni InSAR ed ambientali ai fini della predizione del rischio di crollo.