Sfide ambientali e climatiche sempre più urgenti richiedono soluzioni innovative. Fondazione CIMA sta rispondendo a questa necessità integrando l’intelligenza artificiale nelle sue ricerche per la previsione e la gestione dei rischi ambientali. Dalla protezione contro gli incendi boschivi al monitoraggio della siccità, l’AI offre nuovi strumenti (e diverse domande) per affrontare le problematiche globali.
L’intelligenza artificiale (AI) negli ultimi anni è emersa come un alleato strategico per la ricerca, in grado di amplificare la capacità di analisi, previsione e gestione dei rischi ambientali. Fondazione CIMA sta sperimentando questa tecnologia, integrandola nei suoi progetti di ricerca, e in particolare nelle ricerche di dottorato che segue in collaborazione con l’Università di Genova.
«Con l’AI e il machine learning, siamo in grado di analizzare grandi volumi di dati in tempi rapidi, ottimizzando i processi e creando modelli predittivi più accurati», racconta Mirko D’Andrea, ricercatore di Fondazione CIMA. L’intelligenza artificiale infatti ha il potenziale di spingere la ricerca scientifica oltre i limiti tradizionali: permette di superare i limiti delle analisi manuali, consentendo una comprensione più profonda e tempestiva dei fenomeni ambientali. Avevamo già parlato dei Large Language Model per la riduzione del rischio, vediamo come la combinazione di modelli matematici avanzati con l’apprendimento automatico apra anche nuove possibilità nella gestione dei rischi climatici, come la protezione contro gli incendi boschivi, il monitoraggio della siccità e la gestione delle risorse idriche. Parola dei nostri ricercatori e delle nostre ricercatrici.
Algoritmi al servizio della prevenzione degli incendi boschivi
La combinazione di machine learning e dati satellitari n esempio concreto di come l’AI possa essere applicata alla protezione del territorio è quindi il monitoraggio del rischio incendi. Grazie all’intelligenza artificiale, Fondazione CIMA ha sviluppato modelli predittivi avanzati, per analizzare i fattori di rischio, mappare con maggiore accuratezza le aree ad elevata propensione agli incendi e supportare la gestione preventiva di questi fenomeni. Ne abbiamo parlato con Nicolò Perello, dottorando ricercatore di Fondazione, che spiega che l’AI è in grado di considerare numerose variabili e le loro complesse interazioni: «Il clima di una regione ne influenza la suscettività agli incendi, ovvero la propensione del territorio ad essere interessato da questi fenomeni», afferma Nicolò. «Le condizioni medie e gli estremi di variabili climatiche e meteorologiche come umidità relativa, temperatura e precipitazione influiscono direttamente sulle possibilità di innesco e propagazione degli incendi».
Tuttavia, non è solo il clima a determinare il rischio di incendi. «Le condizioni meteorologiche e climatiche non sono le uniche a giocare un ruolo nella suscettività: la vegetazione (in termini di tipologia, e continuità), la topografia, e le informazioni sull’attività antropica sono ulteriori variabili del problema, con interazioni che spesso non sono lineari», continua Nicolò. «L’uso del machine learning ci permette di imparare a riconoscere questi legami nascosti, e di riproiettarli su territori che possono presentare una potenziale vulnerabilità agli incendi, imparando proprio da quanto avvenuto in altri luoghi».
Uno degli algoritmi utilizzati da Fondazione CIMA è Random Forest, una tecnica ML che consente di analizzare le relazioni tra diverse variabili ambientali e prevedere l’evoluzione del rischio di incendio. Questo strumento consente di monitorare il rischio anche quotidianamente. Un altro passo avanti è infatti il modello ML4RISICO, che, attraverso una variante dell’algoritmo Time Series Forest Classifier, monitora quotidianamente parametri chiave come il numero di incendi, la superficie bruciata e le operazioni aeree COAU (Centro Operativo Aereo Unificato). Nicolò racconta come le difficoltà incontrate durante l’addestramento del modello siano state superate: «Gli incendi sono eventi rari, e spesso i dati disponibili non coprono tutte le possibili situazioni favorevoli al loro innesco. Per affrontare questa sfida, abbiamo bilanciato adeguatamente i dati di addestramento tra casi di incendi e situazioni senza incendi, migliorando la capacità del modello di predire questi eventi».
L’AI consente non solo di prevedere gli incendi, ma anche di attivare azioni correttive e di monitorare in tempo reale le condizioni del territorio. Conclude Perello: «Il modello ML4RISICO ci consente di ottimizzare il monitoraggio quotidiano, fornendo dati cruciali per l’implementazione tempestiva di strategie di prevenzione e risposta».
Modelli avanzati per la gestione delle risorse idriche nivali: l’AI per l’idrologia
Nel campo dell’idrologia, Fondazione CIMA sta spingendo i limiti della scienza con modelli avanzati come SHANN che utilizzano l’AI per monitorare la quantità di neve e la sua fusione. Ce ne parla Giulia Blandini, dottoranda ricercatrice di Fondazione CIMA, che spiega come la combinazione tra modelli idrologici e algoritmi di machine learning, come le reti neurali LSTM, stia rivoluzionando il modo di gestire i bacini idrici.
L’algoritmo SHANN è in grado di analizzare in tempo reale i dati nivometrici e di prevedere il flusso delle acque provenienti dalla fusione della neve. «L’algoritmo è allenato sulla base di tecniche di data assimilation e poi sostituito durante la modellizzazione. Rispetto alle tecniche tradizionali, è più veloce, seppur con una minima perdita di prestazioni, ma apre la porta all’implementazione di costose tecniche di data assimilation in campo operativo».
Inoltre, l’uso del Random Forest per ottimizzare i dati nivometrici ha permesso a Fondazione CIMA di perfezionare il processo di pulizia automatica delle misurazioni dell’altezza della neve, distinguendo con elevata precisione tra neve, vegetazione ed errori casuali. «Strumenti come questi ci permettono di implementare strategie di quality assurance e quality control (QA/QC) automatiche, migliorando l’accuratezza dei dati e, di conseguenza, la precisione dei modelli idrologici», conclude.
Gestione degli impatti post-evento: il Recovery Gap Index
L’intelligenza artificiale sta guidando una vera e propria rivoluzione nella gestione degli eventi estremi e dei loro impatti, trasformando il modo in cui affrontiamo le crisi. Un esempio significativo di questa trasformazione è il Recovery Gap Index (RGI), uno strumento sviluppato da Fondazione CIMA per misurare la capacità di risposta e recupero di 169 paesi di fronte ai disastri. Utilizzando tecniche avanzate di elaborazione del linguaggio naturale (NLP), l’RGI è in grado di automatizzare l’analisi di oltre 500 documenti, classificando informazioni chiave relative alle fasi di recupero post-disastro. «L’utilizzo dell’intelligenza artificiale nei processi decisionali sta rivoluzionando la gestione del rischio, rendendola più strategica e guidata dai dati», spiega Alessandro Borre, dottorando ricercatore di Fondazione CIMA. Con l’adozione del NLP, l’RGI è in grado di estrarre rapidamente pattern e temi chiave da grandi volumi di informazioni non strutturate, come report e articoli, permettendo una visione più precisa e approfondita delle dinamiche di recupero.
Questa innovazione ha il potenziale non solo di fornire un’analisi completa delle capacità di recupero, ma anche di supportare la pianificazione di politiche più mirate, aiutando a rafforzare la resilienza delle comunità colpite. «L’AI permette inoltre di monitorare gli eventi in tempo reale, fornendo aggiornamenti e raccomandazioni immediate», continua, evidenziando come l’intelligenza artificiale non solo ottimizzi la gestione del rischio, ma permetta anche di adattare strumenti esistenti come l’RGI a contesti specifici. Grazie a questo approccio, la gestione del rischio diventa non solo più efficiente, ma anche più resiliente, evolvendo da un modello reattivo a uno proattivo, dove ogni decisione è supportata da analisi dettagliate e dinamiche.
Tuttavia, nonostante i numerosi vantaggi, l’applicazione del Recovery Gap Index presenta ancora delle sfide. «Il principale limite del RGI è la sua scala globale e nazionale, che lo rende meno adatto per applicazioni specifiche su casi studio locali», osserva il ricercatore. Per superare questa limitazione, è necessario calibrare l’RGI sulla zona di riferimento, adattandolo alle caratteristiche locali. «Inoltre, la scarsità di dati dettagliati, come le risorse disponibili o le informazioni specifiche sulla gestione del rischio, limita la sua capacità di rappresentare accuratamente i processi di risposta e recovery».
Un caso studio che ha messo in luce le potenzialità e le sfide dell’RGI è l’analisi del terremoto in Nepal del 2015, condotta insieme all’International Institute for Applied Systems Analysis – IIASA. «Il RGI ha fornito una valutazione iniziale della capacità di risposta e recovery, ma con l’uso di NLP e AI abbiamo integrato informazioni da diverse fonti», racconta Borre. «Questo ha permesso di evidenziare la rilevanza di alcune sottocategorie, come il coordinamento e lo sviluppo socioeconomico, che erano più importanti di quanto inizialmente indicato». Il caso studio ha dimostrato l’importanza di calibrare il RGI per adattarlo meglio alle specificità locali, affinché possa offrire una valutazione più precisa delle dinamiche post-disastro. In questo modo, il Recovery Gap Index non solo diventa uno strumento potente di analisi, ma anche una risorsa indispensabile per la gestione strategica dei rischi a livello globale e locale.
I Large Language Model (LLMs) come strumenti per migliorare i sistemi di supporto alla decisione
I Large Language Models (LLMs) rappresentano una rivoluzione nel supporto alle decisioni, soprattutto in contesti complessi come la gestione delle emergenze. Questi modelli consentono di semplificare l’interazione con grandi quantità di dati attraverso l’uso di linguaggio naturale, rendendo più agevole trovare informazioni essenziali in tempi ridotti. Come ha spiegato Jean-Baptiste Bove, dottorando ricercatore di Fondazione CIMA e Croce Rossa Italiana: «Nella gestione delle emergenze, l’accesso all’informazione è fondamentale. Tuttavia, spesso il volume di dati a disposizione è estremamente grande e trovare l’informazione necessaria per prendere una decisione basata su dati può essere complesso».
Tuttavia, l’integrazione degli LLM in questi contesti non è priva di sfide. Un problema significativo è rappresentato dalle «allucinazioni», ovvero la produzione di risposte che possono sembrare plausibili ma che sono, in realtà, errate. Questo limite deriva dal fatto che i modelli generano risposte basandosi su pattern nei dati utilizzati durante la loro fase di addestramento, senza necessariamente verificare la validità delle informazioni generate. «Nella gestione delle emergenze dove le decisioni possono avere conseguenze sulla vita o sulla morte, è fondamentale garantire l’accuratezza e l’affidabilità delle intuizioni generate dai LLM».
Un’altra criticità riguarda l’origine stessa dei modelli: gli LLM non sono progettati specificamente per la gestione delle emergenze, ma per compiti generici. Questo comporta una limitata capacità di interpretare situazioni in rapida evoluzione o di adattarsi a dati incompleti. Inoltre, i dati di addestramento su cui si basano sono statici, il che riduce la loro capacità di fornire risposte aggiornate o contestualizzate a eventi specifici.
Per superare queste limitazioni, si stanno esplorando due tecniche fondamentali: il Retrieval-Augmented Generation (RAG) e il fine-tuning. Il RAG rappresenta una soluzione innovativa, poiché permette di collegare gli LLM a repository esterni di conoscenza, come piani di emergenza o documenti di analisi del rischio. In questo modo, le risposte fornite dai modelli possono essere basate su informazioni aggiornate e pertinenti, evitando errori dovuti alla mancanza di contesto. Il fine-tuning, invece, consiste nell’adattare i modelli a specifiche tematiche, addestrandoli su dataset curati relativi alla gestione dei disastri. «Ad esempio», spiega Bove, «il fine-tuning permette ai modelli di interpretare mappe o dati geolocalizzati, migliorando significativamente la loro capacità di comprendere la terminologia e il contesto specifici».
Queste innovazioni non solo migliorano la precisione e l’affidabilità degli LLM, ma consentono di creare strumenti scalabili e trasparenti, fondamentali per il settore della gestione delle emergenze. «Integrando tecniche come il RAG e il fine-tuning», conclude Bove, «possiamo rafforzare il collegamento tra conoscenza scientifica e decisioni operative, rivoluzionando il modo in cui gli operatori interagiscono con dati complessi e in continuo aggiornamento».
Verso l’orizzonte dell’AI: cosa ci aspetta?
Nonostante i significativi progressi compiuti, la strada verso l’integrazione dell’intelligenza artificiale nei processi di ricerca scientifica è ancora lunga e costellata di sfide complesse. Le difficoltà principali risiedono nella gestione dei big data, che richiedono soluzioni sempre più sofisticate e nell’approccio interdisciplinare, che implica la necessità di competenze altamente specializzate. Come afferma Mirko D’Andrea, «l’integrazione dell’AI presenta diverse sfide come la gestione di grandi quantità di dati eterogenei, la necessità di competenze specializzate e, non ultimo, questioni legate all’utilizzo etico di queste tecnologie». Fondazione CIMA sta affrontando questi ostacoli con un impegno costante nell’integrazione di formazione mirata, sia dal punto di vista tecnico che scientifico, e sviluppando progetti che coinvolgono esperti provenienti da discipline diverse.
«L’AI sta già trasformando il nostro modo di fare ricerca. Da una parte, l’utilizzo di modelli di Machine Learning ha permesso lo sviluppo di modelli predittivi più accurati per la gestione dei rischi ambientali. Dall’altro, l’introduzione dei Large Language Models (LLM) ha reso il processo di estrazione delle informazioni più rapido e preciso, permettendo l’analisi di documenti e fonti non strutturate. La AI, inoltre, ci aiuta nel lavoro di tutti i giorni, dalla stesura dei documenti relativi ai progetti alla scrittura del codice per i nostri applicativi e prodotti di ricerca», aggiunge d’Andrea, evidenziando il contributo concreto che l’intelligenza artificiale fornisce in tutti gli aspetti operativi della ricerca scientifica.
Con uno sguardo rivolto al futuro, l’obiettivo della Fondazione CIMA è chiaro: potenziare ulteriormente le competenze interne in ambito AI e promuovere collaborazioni interdisciplinari, favorendo sinergie tra i vari settori di ricerca e rendendo l’AI uno strumento cruciale per rispondere alle sfide ambientali e climatiche globali. Le tecnologie avanzate saranno al centro di soluzioni innovative e mirate, che non solo arricchiranno le capacità scientifiche, ma contribuiranno a migliorare la gestione dei rischi ambientali, portando la ricerca scientifica a nuovi livelli di precisione ed efficacia.