In un articolo pubblicato sulla rivista Geosciences, i nostri ricercatori descrivono un approccio basato sul machine learning per creare mappe di suscettibilità agli incendi boschivi
Per cercare di evitare errori nel futuro, bisogna imparare dal passato. Nel caso della lotta agli incendi boschivi, il passato è rappresentato dalle aree che ne sono state soggette: quali sono? Che tipo di vegetazione presentano? Quanto sono grandi? Ci sono abitazioni o si svolge qualche tipo di attività nelle vicinanze? Queste e altre caratteristiche forniscono informazioni sulle caratteristiche geografiche e ambientali di quella zona che, prese tutte insieme, possono influenzarne la suscettibilità agli incendi. La costruzione di una mappa con questi dati può, a sua volta, essere un valido aiuto per le misure di prevenzione e protezione. Ma come raccoglierle e collegare i dati l’un con l’altro per avere una prospettiva quanto più possibile completa? Le tecniche di intelligenza artificiale basate sul machine learning si stanno dimostrando sempre più un valido aiuto in questo campo e, in un articolo recentemente pubblicato sulla rivista Geosciences, i nostri ricercatori le hanno impiegate per creare una mappa di suscettibilità agli incendi boschivi della Liguria. I più recenti avanzamenti dello studio sono stati presentati all’EGU General Assembly 2020.
Algoritmi che imparano
La Liguria è, nel panorama italiano, una regione un po’ anomala per quanto riguarda gli incendi boschivi. A differenza del resto del territorio nazionale, dove gli incendi sono più frequenti nel periodo estivo, infatti, quelli liguri si presentano nel corso di tutto l’anno, anche se le aree interessate sono diverse a seconda del periodo. Questo dipende probabilmente dallo stato della vegetazione, che è molto eterogenea e copre oltre il 70 per cento della superficie regionale.
I ricercatori dell’ambito Incendi Boschivi e Conservazione della Biodiversità Forestale della Fondazione CIMA hanno voluto creare delle mappa di suscettibilità, ossia di una mappa che descrivesse la probabilità di una determinata area di essere soggetta a incendi boschivi, basandosi su un vasto insieme d’informazioni riguardanti il territorio. Tra queste, ad esempio, le condizioni geografiche e ambientali che hanno favorito l’innesco del fuoco in passato, la presenza di aree protette o la vicinanza con insediamenti umani, e anche il tipo di vegetazione presente. Quindi, hanno usato questi dati per creare la mappa usando un approccio basato sul machine learning.
Quest’ultimo è un particolare tipo d’intelligenza artificiale che consente al sistema operativo di imparare, in modo progressivo, a “leggere” i dati che gli vengono forniti e, su questi, fare delle previsioni. «Nel nostro caso, l’algoritmo di machine learning adottato doveva far luce sul collegamento tra le variabili indipendenti, rappresentate ad esempio dalle caratteristiche di vegetazione e presenza umana di ciascun punto analizzato, e le variabili dipendenti, ossia l’effettivo avvenimento di un incendio nel passato», spiega Paolo Fiorucci, referente dell’ambito Incendi Boschivi e Conservazione della Biodiversità Forestale. «Una volta appreso tale collegamento, che in termini matematici è semplicemente una funzione, lo si può adoperare su ogni punto della Regione di cui si conoscano tipologia di copertura vegetale ed elementi antropici, generando una mappa di suscettibilità». Questa presenterà valori compresi tra zero, corrispondente a livelli minimi di suscettibilità, e uno, che corrisponde a punti molto vulnerabili per quanto riguarda il pericolo di incendio.
«Abbiamo fornito all’algoritmo i dati sulle aree bruciate in un periodo di quindici anni, dal 1997 al 2011, e lo abbiamo validato, controllando se gli incendi occorsi negli anni successivi si sono verificati nelle aree a maggiore suscettività. I risultati di questa validazione hanno mostrato che circa il 90% dell’area bruciata ricade nel 25% del territorio caratterizzato dai valori di suscettività più elevati», spiega ancora il ricercatore.
Un aiuto per la lotta agli incendi boschivi
In una regione ricca di vegetazione come la Liguria è di fatto impossibile disporre delle risorse necessarie a una gestione forestale, che spesso non è sostenibile economicamente a causa delle difficoltà di esbosco sull’intero territorio. Il risultato più importante di questa analisi è stato dunque quello di identificare con grande precisione quali sono le aree dove è necessario intervenire in modo prioritario per ridurre la vulnerabilità agli incendi boschivi. È così possibile concentrare l’attenzione su una percentuale minore del territorio, dove è necessario intervenire con differenti approcci sinergici nella gestione sostenibile e nelle attività di prevenzione per limitare il più possibile le attività di lotta attiva.
«In generale, comunque, il sistema basato sul machine learning si è dimostrato estremamente efficace e flessibile», conclude il ricercatore. «E le mappe di suscettibilità che questa tecnologia consente di creare potrebbero aiutarci nella lotta agli incendi boschivi sia in termini di prevenzione sia in termini di gestione, permettendoci d’individuare le aree su cui concentrare gli sforzi di pianificazione di protezione civile e i programmi per la riduzione del rischio».
Recentemente, un nuovo avanzamento di questo lavoro, sul quale i ricercatori stanno lavorando per consolidare i risultati ottenuti, è stato presentato all’EGU General Assembly 2020, durante la quale sono state analizzate nel dettaglio le caratteristiche del territorio che determinano la maggiore suscettività agli incendi (qui abbiamo parlato di un altro lavoro portato al meeting).