I satelliti Sentinel-2 fotografano ogni punto del pianeta ogni cinque giorni, gratuitamente. I download si contano in centinaia di petabyte. Eppure, la distanza tra avere un’immagine e ricavarne una decisione utile per chi gestisce una foresta resta enorme.
Il progetto Europeo SWIFTT lavora esattamente su questo divario, per insegnare ai satelliti a riconoscere una foresta malata.
Indice degli argomenti
Un’Europa che guarda dall’alto ma non vede abbastanza
Il programma Copernicus, fiore all’occhiello dell’Agenzia Spaziale Europea, mette a disposizione gratuitamente un flusso continuo di immagini multispettrali ad alta risoluzione di tutta la superficie terrestre. I satelliti Sentinel-2, in particolare, fotografano ogni punto del pianeta ogni cinque giorni, con una risoluzione fino a 10 metri per pixel. I numeri sono impressionanti: quasi 760.000 utenti registrati, centinaia di petabyte scaricati, oltre 32.000 pacchetti di dati pubblicati ogni giorno.
Eppure, la gran parte di questi dati non viene trasformata in conoscenza operativa. Scaricare un’immagine è facile; estrarne un’indicazione utile per chi gestisce un patrimonio forestale — sapere dove e quando una foresta sta morendo, e perché — richiede un salto tecnologico che ancora pochi compiono.
Il paradosso dei Big Data: sommersi di segnali, poveri di decisioni
È un paradosso tipico dell’era dei Big Data: siamo sommersi di segnali, ma le decisioni sul territorio continuano spesso a basarsi su ispezioni manuali, costose e difficili da scalare.
Le foreste europee sotto attacco
Negli ultimi anni le foreste Europee hanno subito danni senza precedenti. La siccità, le ondate di calore e le infestazioni di insetti si sono combinate in una spirale difficile da arrestare. Il bostrico tipografo — un coleottero che si riproduce sotto la corteccia degli abeti — ha approfittato delle estati torride per moltiplicarsi a una velocità mai vista: siamo passati da due generazioni per anno a tre.
Incendi, siccità e il costo del ritardo
In Francia, al termine dell’estate 2018, il 50% degli abeti era già infestato. Agli incendi boschivi, intanto, basta poco: siccità prolungata, vento, una scintilla.
L’impatto del danno ambientale è enorme. Le foreste Europee svolgono un ruolo cruciale nell’assorbimento di CO₂, nella regolazione del ciclo idrico, nella prevenzione del dissesto idrogeologico. La deforestazione accelera i cambiamenti climatici che a loro volta indeboliscono ulteriormente le rimanenti aree forestali. Interrompere questa spirale richiede la capacità di intervenire presto, e per farlo occorre sapere dove e quando la foresta sta morendo.
Il problema della scala: milioni di ettari da sorvegliare
Monitorare lo stato di salute delle foreste su larga scala è fondamentale per intervenire tempestivamente con tagli tempestivi delle aree forestali morenti al fine di ridurre il rischio di propagazione dell’infestazione. Ma il metodo tradizionale — i forestali che percorrono i boschi, valutano albero per albero, compilano schede — è costoso, lento e difficile da applicare sistematicamente a milioni di ettari. Il ricorso alle immagini satellitari è la risposta naturale: le immagini Sentinel-2 esistono, sono gratuite, coprono l’intero territorio Europeo con cadenza regolare.
Dall’immagine alla conoscenza: il ruolo dell’AI
Il problema è che un’immagine satellitare grezza non dice nulla al gestore forestale. Ogni scena contiene milioni di pixel, ciascuno con valori di riflettanza in dodici bande spettrali diverse. Interpretare quei dati — distinguere una parte di foresta sana da una infestata, identificare le aree bruciate, stimare la gravità del danno — richiede modelli analitici sofisticati. È qui che entra in gioco l’intelligenza artificiale.
SWIFTT: un progetto europeo per colmare il divario
Il progetto SWIFTT — finanziato dall’Unione Europea nell’ambito di Horizon Europe con il Grant Agreement 101082732 — affronta esattamente questo problema. Il suo obiettivo è sviluppare strumenti di machine learning e deep learning capaci di analizzare automaticamente le immagini Sentinel-2 e produrre mappe accurate dello stato di salute delle foreste, in modo abbastanza rapido e affidabile da essere utile nella pratica gestionale.
Un approccio applicativo: dai dati grezzi alle decisioni operative
L’approccio di SWIFTT è deliberatamente applicativo. Non si tratta di ricerca fine a sé stessa, ma di costruire una catena che vada dai dati grezzi del satellite fino a informazioni che un gestore forestale possa effettivamente usare: dove si stanno sviluppando focolai di infestazione, quali aree sono a rischio di incendio, quali aree di una foresta sono state distrutte da una tempesta di vento, per intervenire prioritariamente con misure contenitive.
Le sfide tecniche: dati rari, segnali sottili, modelli spiegabili
Questo richiede di affrontare sfide tecniche tutt’altro che banali. Le aree danneggiate sono spesso piccole rispetto all’estensione totale della foresta, e i segnali spettrali che le distinguono dalle aree sane sono sottili. I dati etichettati su cui addestrare i modelli sono scarsi e costosi da produrre. E i risultati devono essere non solo accurati e affidabili, ma possibilmente anche comprensibili: un modello che non sa spiegare le proprie previsioni difficilmente verrà adottato da chi deve prendere decisioni sul campo.
Intelligenza artificiale per la foresta: cosa funziona
I modelli sviluppati nell’ambito di SWIFTT mostrano che queste sfide sono affrontabili. Le immagini satellitari possono essere arricchite con indici di vegetazione — combinazioni matematiche delle bande spettrali — che rendono visibili cambiamenti nella clorofilla, nel contenuto d’acqua e nella struttura cellulare degli aghi, segnali precoci di stress che precedono il danno visibile.
Tecniche di apprendimento semi-supervisionato permettono di trarre vantaggio anche le immagini non etichettate, ampliando enormemente la base di addestramento. Metodi di intelligenza artificiale spiegabile consentono di capire perché il modello ha classificato una certa area come danneggiata, restituendo al forestale non solo una mappa ma anche una motivazione verificabile. Tecniche di apprendimento profondo riescono a capitalizzare sull’informazione spaziale e temporale con sofisticati meccanismi di attenzione sofisticata e/o riusando modelli addestrati con grandi volumi di dati.
Il risultato più promettente riguarda la rilevazione in larga scala: i modelli riescono a identificare segnali di rischio in ampie zone anche difficilmente accessibili per l’ispezione umana, aprendo una finestra temporale preziosa per l’intervento. Se un gestore forestale sa tempestivamente dove si sta sviluppando un’infestazione, può immediatamente pianificare la rimozione degli alberi già colpiti prima che diventino vettori di diffusione. È la sfida di affrontare tempestivamente una emergenza e prevenire una sua intensificazione.
Il forestale come protagonista: verso una AI data-centric
C’è però un aspetto che rischia di essere sottovalutato, e che SWIFTT affronta direttamente: la bontà di modello di intelligenza artificiale dipende in larga scala dalla cura del dato usato per il suo sviluppo.
I forestali non sono solo i destinatari degli strumenti sviluppati dal progetto: sono attori essenziali del ciclo di vita dei modelli.
L’app mobile che trasforma i forestali in co-produttori di dati
Nell’ambito di SWIFTT è stata sviluppata un’applicazione mobile che consente agli operatori sul campo di geolocalizzare un’area, osservarla direttamente, ed etichettarla — segnalando la presenza di infestazioni, danni da incendio, o aree in recupero. Questi dati, raccolti durante le normali attività di pattugliamento, diventano nuovo materiale di addestramento con cui addestrare i modelli e eventualmente affinarli nel tempo.
Data-centric AI: quando la qualità del dato vale più del modello
È l’approccio che in letteratura si chiama data-centric AI: invece di concentrare tutti gli sforzi sull’architettura del modello, si investe sulla qualità e sulla qualità del flusso di dati che lo alimenta. Un modello mediocre su dati eccellenti batte quasi sempre un modello eccellente su dati obsoleti o mal etichettati.
Perché questo funzioni, però, serve formazione. I forestali devono capire il senso di quello che fanno — non solo come usare l’app, ma perché le loro osservazioni sul campo abbiano un impatto diretto sulla qualità degli strumenti che poi useranno per decidere. È un cambio di paradigma culturale prima ancora che tecnologico: il professionista del territorio diventa co-produttore dell’intelligenza artificiale che lo assiste.
Un’infrastruttura che aspetta di essere usata
SWIFTT è un esempio di ciò che diventa possibile quando competenze di intelligenza artificiale incontrano dati aperti di qualità e un problema reale da risolvere. L’infrastruttura Copernicus è già lì, finanziata da fondi pubblici Europei, accessibile a chiunque. Quello che manca non sono i dati, ma la capacità di trasformarli in conoscenza: modelli validati, pipeline di analisi automatizzata, integrazione con i sistemi informativi forestali nazionali, formazione per chi deve usare gli output.
L’Europa ha investito miliardi nel programma di osservazione della Terra più avanzato al mondo. Usarlo davvero — non per produrre belle immagini, ma per prendere decisioni migliori su come proteggere il territorio — è la prossima sfida. SWIFTT dimostra che la sfida può essere raccolta ed affrontata.
Il contributo dell’Università di Bari Aldo Moro
All’interno del consorzio SWIFTT, l’Università degli Studi di Bari Aldo Moro ha condotto una intensa attività di ricerca che ha portato alla sintesi di diversi approcci di intelligenza artificiale per la mappatura delle infestazioni di bostrico nelle immagini Sentinel-2. La ricerca ha investigato tanto approcci di machine learning quanto approcci di deep learning, ma restando sempre allineata con una visione di AI Data-Centric. La cura del dato, possibile anche grazie alle conoscenze acquisite con una collaborazione continua con i forestali del progetto, ha permesso lo sviluppo di modelli predittivi accurati ed affidabili anche su larga scala. L’attenzione dedicata all’uso di tecniche di spiegabilità ha contribuito a migliorare la affidabilità dei modelli di predizione, a guidare il miglioramento del processo di apprendimento, oltre che a guadagnare la fiducia dei forestali che riescono a comprendere il processo di decisione alla base della mappatura automatica.
