Dal National Center for Atmospheric Research degli Stati Uniti, un modello di machine learning per stimare e classificare il materiale vegetale combustibile presente nei boschi e nelle foreste, dalla cui quantità dipende il livello di rischio incendio.

TAKEAWAY

  • L’incendio che, nel 2020, ha devastato l’area a nord-est di Kremmling, nelle foreste nazionali di Arapaho e Roosevelt, nel Colorado, avrebbe potuto essere evitato o, comunque, circoscritto e reso meno grave? Difficile dirlo, oggi. Ciò che sappiamo è che, nell’inventario computerizzato del materiale vegetale combustibile presente in quella zona, qualcosa non ha funzionato.
  • Parte da questa considerazione il lavoro dell’NCAR USA insieme alle Università del Colorado e del Nevada, teso allo studio un sistema AI che, addestrato per mezzo di immagini satellitari del programma federale USA e rilevate dai satelliti dell’Agenzia Spaziale Europea, discrimini tra vegetazione sana e vegetazione secca, tra vegetazione viva e quella classificabile come rifiuto di legname e combustibile del sottobosco.
  • Nel futuro del team di ricerca, la possibilità di mappare da zero il materiale vegetale combustibile presente in vaste aree a rischio incendio, con l’obiettivo preciso di fare prevenzione e di stimare il “comportamento” della fiamme, una volta propagatesi.

Trattare di tecniche di intelligenza artificiale impiegate per mettere a punto modelli predittivi e modelli di simulazione riferiti agli incendi, ci riporta – in particolare, in questo periodo dell’anno – al tema del rischio incendi boschivi, con l’augurio che i dati di questo 2022 possano essere più rosei rispetto a quelli dello scorso anno, ritenuto dal Rapporto 2021 della Commissione Europea sulla stagione degli incendi in Europa, Medio Oriente e Nord Africa uno dei peggiori di sempre, con Turchia in testa e Italia e Algeria al secondo e al terzo posto.

Il problema affligge anche vaste aree degli Stati Uniti, dove la frequenza e la gravità degli incendi boschivi stanno aumentando – specie a ovest – suscitando dibattiti a livello nazionale sulla mitigazione del rischio.

In particolare, negli USA, alcune zone sono, per loro natura, maggiormente predisposte agli incendi, come accade nelle foreste di conifere delle Montagne Rocciose inferiori, nel Colorado, in cui il clima divenuto più caldo e più secco e l’accresciuto accumulo di materiale vegetale (oltretutto sempre più arido) – che fornisce combustibile alle fiamme – contribuiscono a elevare il grado di rischio.

«L’analisi e la quantificazione del materiale vegetale che funge da combustibile, hanno rappresentato, negli ultimi anni, una delle principali sfide nell’ambito della mitigazione del rischio di incendi boschivi e della relativa gestione operativa»

si legge in un documento che porta la firma congiunta del National Center for Atmospheric Research (NCAR) USA, del Department of Geography dell’Università del Colorado e del Department of Civil and Environmental Engineering dell’Università of Nevada, dal titolo “A Computationally Efficient Method for Updating Fuel Inputs for Wildfire Behavior Models Using Sentinel Imagery and Random Forest Classification”, in cui viene dimostrata la necessità di poter disporre – in tempo reale – di mappe aggiornate del materiale vegetale combustibile, con l’obiettivo di fornire una previsione accurata e tempestiva della diffusione degli incendi nelle aree boschive più selvagge. Al tempo stesso, tale documento delinea una precisa metodologia che consente di raggiungere l’obiettivo, basata su immagini satellitari ad alta risoluzione e su tecniche di machine larning. Ma andiamo in profondità.

Intelligenza artificiale e incendi boschivi: le immagini del materiale vegetale

Lo studio in tema di intelligenza artificiale e incendi boschivi prende spunto da quanto accaduto nel 2020 in seguito all’East Troublesome Fire, considerato tra i più gravi incendi che hanno colpito il Colorado.

Il territorio distrutto dalle fiamme – spiega il team di ricerca – era stato in precedenza classificato, durante gli inventari (l’ultimo nel 2016), come “foresta dal legname e dagli arbusti sani”, dal rischio incendi basso, non procedendo, negli anni successivi, con gli opportuni aggiornamenti.

Tra il 2016 e il 2020, infatti, quello stesso territorio a nord-est di Kremmling, nelle foreste nazionali di Arapaho e Roosevelt, è stato oggetto di focolai di scarabei di pino, siccità e tempeste di vento, «con conseguenti alterazioni del materiale vegetale combustibile, descritto come pagliaio, caduta di alberi molto secchi, sia abbattuti che ancora in piedi».

Quello che il team ha fatto è stato realizzare una simulazione dell’incendio del 2020 avvalendosi di due differenti inventari del materiale vegetale combustibile presente: il primo ottenuto mediante un procedimento standard (computerizzato) e il secondo impiegando tecniche di machine learning.

Le immagini satellitari utilizzate – dalle quali sono stati ricavati i dati relativi alle aree di colore verde, alla consistenza e al tipo di vegetazione e al livello di mortalità degli alberi in tutto il territorio considerato – comprendevano sia quelle ottenute mediante il programma federale USA, sia quelle rilevate dai satelliti dell’Agenzia Spaziale Europea.

Più nel dettaglio, questi ultimi hanno fornito informazioni sulla struttura della superficie del territorio, utili a identificare il tipo di vegetazione presente, nonché la salute delle piante a partire dalla tipologia del loro colore.

Le performance dell’algoritmo AI “Random Forest”

In tema di intelligenza artificiale e incendi boschivi, l’algoritmo di apprendimento automatico utilizzato per mappare il materiale vegetale combustibile a nord-est di Kremmling, in Colorado, prima del grave incendio del 2020, è noto come Random Forest (RF).

Addestrato per mezzo delle immagini satellitari alle quali si è fatto riferimento, è stato in grado di aggiornare l’inventario del materiale combustibile, classificando correttamente – precisa il team – oltre l’84% dei dati, ottenendo buoni risultati nel separare le classi di mortalità degli alberi. La matrice di errore è stata del 6,1%, con differenze a seconda del grado di risoluzione delle immagini satellitari fornite.

«Il processo di aggiornamento del combustibile ha comportato la modifica di una quantità significativa delle classi di rifiuti di legname e di combustibile del sottobosco del legname, nello strato del modello di combustibile originale»

fanno notare gli autori dello studio. Questo significa che, nel territorio considerato, prima dell’East Troublesome Fire, erano presenti rifiuti di legname e un sottobosco di legname in cui i principali vettori di fuoco erano ingenti quantità di aghi di pino, foglie di legno duro, erbe, arbusti e muschio, erroneamente classificati come “legni sani” e “non combustibili” dai metodi di inventario computerizzati.

Tabella che descrive il livello di performance del modello di machine learning nel classificare le immagini relative al materiale vegetale combustibile, dove Precision si riferisce al valore predittivo positivo, Recall al tasso di veri positivi e F1-Score alla media di entrambi per ciascuna classe(Fonte: “A Computationally Efficient Method for Updating Fuel Inputs for Wildfire Behavior Models Using Sentinel Imagery and Random Forest Classification” - National Center for Atmospheric Research (NCAR) - https://www.mdpi.com/2072-4292/14/6/1447/htm).
Livello di performance del modello di machine learning nel classificare le immagini relative al materiale vegetale combustibile, dove Precision si riferisce al valore predittivo positivo, Recall al tasso di veri positivi e F1-Score alla media di entrambi per ciascuna classe (Fonte: “A Computationally Efficient Method for Updating Fuel Inputs for Wildfire Behavior Models Using Sentinel Imagery and Random Forest Classification” – National Center for Atmospheric Research (NCAR) – https://www.mdpi.com/2072-4292/14/6/1447/htm).

Intelligenza artificiale e incendi boschivi: le simulazioni dell’East Troublesome Fire

In tema di intelligenza artificiale e incendi boschivi, l’inventario aggiornato del materiale vegetale combustibile presente nelle foreste USA di Arapaho e Roosevelt al momento del colossale incendio del 2020, è stato poi utilizzato dal team – mediante il modello di previsione meteorologica del National Center for Atmospheric Research, denominato WRF-Fire – per effettuare una simulazione di quanto accaduto.

Gli esiti delle due simulazioni di incendio (la prima ottenuta sulla base dell’inventario tradizionale computerizzato, fondato sulle sole immagini satellitari; la seconda sulla base dell’inventario supportato da tecniche AI) sono stati differenti.

Nel primo caso, il modello di previsione WRF-Fire ha sottostimato la quantità di area che East Troublesome Fire avrebbe raso al suolo. Nel secondo caso, invece, «è stato in grado di prevedere l’area bruciata con un grado di precisione più elevato, indicando che il legname morto e abbattuto ha contribuito ad alimentare la diffusione del fuoco molto più che se gli alberi fossero stati ancora vivi».

Al momento – rende noto il gruppo di studio – il modello di apprendimento automatico messo a punto è progettato per apportare aggiornamenti su una mappa di materiale vegetale combustibile già esistente. Lavora, cioè, su dati che già esistono.

Tuttavia, il progetto è di più ampio respiro e contiene in sé la volontà di impiegare l’intelligenza artificiale per mappare da zero il materiale vegetale combustibile presente in vaste aree a rischio di incendio, negli Stati Uniti e nel resto del mondo. È la prevenzione incendi la sua reale vocazione.

Linee di studio future

La ricerca in tema di intelligenza artificiale e incendi boschivi descritta, si propone, in futuro, di indagare su altre specifiche applicazioni delle tecniche AI nell’antincendio, tra cui – solo per citare alcuni esempi – la stima sempre più rapida dei perimetri degli incendi e la previsione circa la grandezza, il calore e la densità delle fiamme propagate. È, più in generale, il “comportamento” degli incendi la materia di interesse:

«… mentre il caso di studio East Troublesome si concentra sul legname morto e abbattuto a causa dell’infestazione di coleotteri e di eventi di vento, il flusso di lavoro qui presentato può essere applicato a diversi tipi di eventi di disturbo che interessano i combustibili da incendio di terre selvagge, data la disponibilità di dati rilevanti»

Un aspetto importante di questa ricerca, infine, è dato dalla condivisione della metodologia con tutta la comunità scientifica e dalla disponibilità dei dati telerilevati, affinché future ricerche in materia possano adoperarli e arricchirli.

Scritto da:

Paola Cozzi

Giornalista Leggi articoli Guarda il profilo Linkedin