Intelligenza artificiale e Big data per il monitoraggio degli incendi
L'avvento dei big data congiuntamente con l'idea di "valore del dato" e la maturità tecnologica raggiunta sia nel calcolo computazionale che nella capacità di analisi ha originato un fermento culturale ed un interesse crescente attorno all’intelligenza artificiale oggi adottata con successo in diversi ambiti ed applicazioni. L’uso congiunto di intelligenza artificiale (AI) e big data (inclusi dati satellitari) può fornire un utilissimo contributo allo studio e monitoraggio degli incendi ed offre grandi opportunità e grandi sfide considerate oggi una priorità a livello europeo e internazionale con importanti aspetti e ripercussioni non solo di carattere scientifico ma anche sociali ed economici. Infatti, negli ultimi anni incendi devastanti hanno colpito diverse aree del pianeta provocando ingenti danni di carattere ambientale e sociale generando impatti severi su flora e fauna, popolazione ed attività produttive, infrastrutture ed ambiente.
L’interesse scientifico verso le più avanzate metodologie di analisi, studio e monitoraggio degli incendi è cresciuto enormemente inegli ultimi anni anche in considerazione del fatto che gli incendi costituiscono un ulteriore indicatore dei cambiamenti climatici, sebbene è ampiamente riconosciuto che la maggior parte di essi è di origine antropica (dolosa o accidentale). Indubbiamente, i cambiamenti climatici con l’aumento delle temperature e di condizioni secche e siccitose hanno acuito la fragilità ambientale e la suscettività al fuoco come evidente dall’aumento del numero, durata e superfici percorse dal fuoco anche in ecosistemi (come ad esempio le foreste boreali) caratterizzati da una minore incidenza del fenomeno, rispetto agli ecosistemi mediterranei. Le strategie di prevenzione e contrasto, monitoraggio e quantificazione dei danni possono avvalersi di tecnologie aerospaziali, efficacemente combinate con osservazioni a terra e nuovi modelli di previsione, anche basati su data science ed intelligenza artificiale ad oggi sottoutilizzata per il monitoraggio dei rischi.
Su questi temi, sono stati recentemente pubblicati su prestigiose riviste internazionali (Environmental Research e IEEE) due articoli, frutto di collaborazioni internazionali tra i ricercatori del laboratorio ARGON del CNR- IMAA ed importanti centri di ricerca ed Università straniere.
In particolare, nell’ambito della collaborazione con il Dipartimento di risorse naturali e ingegneria ambientale (College of Agriculture, Shiraz) dell’ Università di Shiraz in Iran, sono state analizzate diverse tecniche di apprendimento automatico per valutare i fattori di influenza degli incendi boschivi nel sud dell’Iran ed ottenerne una modellazione spaziale basata appunto su approcci di data Learning e data science.
Nell’ambito delle attività di ricerca relative al progetto europeo SERV_FORFIRE (https://servforfire-era4cs.eu/the-project/ ) coordinato dalla Dott.ssa Rosa Lasaponara, (Dirigente di ricerca del CNR) è stato sviluppato un approccio di intelligenza artificiale basato sull’uso delle reti neurali (deep learning) per ottenere in maniera automatica la stima del livello di danno causato alla vegetazione dal passaggio del fuoco. Utilizzando indici spettrali di derivazione satellitare ottenuti dai dati Sentinel 2 sono state categorizzate, in maniera automatica, le diverse classi che identificano il diverso grado di impatto del fuoco su vegetazione e sul suolo.
Mappatura della severità del fuoco con tecniche di intelligenza artificiale (reti neurali -deep learning utilizzate in auto apprendimento) - “On the Mapping of Burned Areas and Burn Severity Using Self Organizing Map and Sentinel-2 Data” by R Lasaponara, AM Proto, A Aromando, G Cardettini, V Varela, M Danese – in IEEE Geoscience and Remote Sensing Letters 17 (5), 854-858 109321
Le metodologie sviluppate dai ricercatori del laboratorio ARGON del CNR-IMAA per le diverse fasi del monitoraggio degli incendi boschivi, con particolare riferimento alla stima dei danni post evento e la valutazione del rischio post incendio (quale erosione, incremento del rischio idrogeologico, perdita della biodiversità, etc.) si sono evolute dalla implementazione e validazione di prototipi e algoritmi (sviluppati in laboratorio) alle applicazioni operative , in stretta sinergia e collaborazione con la Protezione civile della regione Basilicata dal 2008. L’approccio adottato, nel corso della sperimentazione congiunta tra ricercatori del gruppo Argon del CNR-IMAA e la protezione civile, si basa sul presupposto che le applicazione già utilizzate in abito operativo sono sistematicamente accompagnate da nuove attività di ricerca e sperimentazione volte a migliorare in maniera continuativa e sistematica il sistema attraverso l'assimilazione di dati, informazioni e prodotti avanzati una volta che sono testati e validati.
Nello specifico, l'uso dei dati satellitari e delle previsioni meteorologiche più avanzate (disponibili a diverse scale spazio/temporali) ha permesso di ottenere diversi prodotti innovativi che sono stati prima testati e validati e quindi progressivamente incorporati nei modelli operativi o pre-operativi relativi alle diverse fasi del monitoraggio incendi: dalla valutazione del rischio (http://www.protezionecivilebasilicata.it/protcivbas/css/themes/01/images/mappa.jpg), alla stima dell'espansione del fronte del fuoco (basata su strumenti software open come Firesite), dalla valutazione dell’impatto del fuoco (utilizzando dati satellitari integrati con indagini a terra ed acquisizioni da drone) alla stima della resilienza.
Si riporta la mappatura ottenuta dai dati Sentinel 1 per un incendio avvenuto il 13/07/2017, https://bari.repubblica.it/cronaca/2017/07/13/news/incendio_metaponto_evacuati_campeggi-170722749/)
Mappatura della fire severity ottenuta dai dati SAR Sentinel 1 per l’ incendio del 13 luglio 2017, a Metaponto (dettagli in Lasaponara R, & B Tucci 2019 Identification of Burned Areas and Severity Using SAR Sentinel-1 IEEE Geoscience and Remote Sensing Letters 16 (6), 917-921)
Immagini ad alta risoluzione come disponibili in Google prima e dopo l’evento
08/07/2017 Google courtesy (sinistra) immagine pre e (destra) post incendio 19/07/2018 (google) avvenuto il 13/07/2017
Mappa di fire susceptibility ottenuta per il Sud Iran applicando boosted regression tree (BRT)
Per informazioni
Rosa Lasaponara, CNR-IMAA, Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.
Approfondimenti
Application of learning vector quantization and different machine learning techniques to assessing forest fire influence factors and spatial modelling, by -Hamid Reza Pourghasemi, Amiya Gayen, Rosa Lasaponara and John P.Tiefenbacherd -in Environmental Research Volume 184, May 2020, 109321
On the Mapping of Burned Areas and Burn Severity Using Self Organizing Map and Sentinel-2 Data, by R Lasaponara, AM Proto, A Aromando, G Cardettini, V Varela, M Danese – in IEEE Geoscience and Remote Sensing Letters 17 (5), 854-858
