Propagazione e prevenzione incendi: nuove frontiere tecnologiche tra AI, droni e immagini satellitari
Devastante, distruttivo e incessante: questo è il fuoco. Un elemento che, da risorsa utile, può trasformarsi in un’arma letale per l’ecosistema. Principalmente noto per la sua devastante ferocia negli incendi di boschi e foreste, può sprigionare una forza capace di causare distruzione ovunque, se non viene controllato tempestivamente. Della sua ferocia e forza ne è esempio il devastante incendio accaduto in Australia tra il 2019/2020 dove circa 1.25 miliardi di animali persero la vita e 19 milioni di ettari di cespugli e boscaglia furono completamente bruciati. Oppure nel gennaio 2025, quando nello stato della California si abbatté un incendio catastrofico che bruciò un'area totale grande più del doppio dell'isola di Manhattan.
Tuttavia, per capire il reale problema che comporta questa emergenza climatica, bisogna osservare non solo dove il fuoco colpisce ma anche cosa toglie. Nell’immagine sottostante, elaborata tramite Global Forest Watch, sono visualizzati due dati: in verde si ha la copertura arborea degli anni 2000, mentre in marrone abbiamo la superficie arborea perduta a causa degli incendi dei decenni successivi.
Mappa generata tramite Global Forest Watch
Visualizzazione della perdita di copertura vegetale dovuta agli incendi (2001-2024) sovrapposta alla copertura arborea dell'anno 2000. Filtro densità chioma (Canopy Density): >10%
Impostando il filtro di densità della vegetazione al 10% si può osservare come il fuoco abbia colpito non solo aree boschive ma anche ecosistemi composti da boscaglie basse. In particolare, si possono notare anche molti punti marroni nelle zone delle foreste boreali. L’innalzamento della temperatura anche in queste zone secca la vegetazione e il suolo molto rapidamente, trasformandoli in perfetta “legna da ardere”.
Partendo da qui ci si potrebbe chiedere in quale modo e come si possono prevenire incendi catastrofici. Su questa tematica moltissime ricerche sono state fatte e nuove tecnologie verranno implementate. Nel contesto delle tecnologie emergenti, un contributo significativo è stato apportato da James et al., i quali hanno sviluppato un sistema di monitoraggio basato sull'architettura Faster R-CNN (Region-based Convolutional Neural Network) per il rilevamento tempestivo di incendi in ambienti indoor. A differenza dei sensori di fumo tradizionali, che possono subire ritardi dovuti alla dispersione delle particelle nell'aria, questo approccio sfrutta la computer vision per identificare visivamente i principi d'incendio in tempo reale. Il vantaggio principale della Faster R-CNN risiede nella sua capacità di effettuare simultaneamente la localizzazione (individuando l'area esatta del fuoco tramite bounding boxes) e la classificazione degli oggetti, riducendo drasticamente i falsi positivi generati da luci artificiali o riflessi. Sebbene il modello sia ottimizzato per contesti strutturati come gli edifici, la robustezza della rete neurale suggerisce una scalabilità verso scenari outdoor più complessi, quali terreni boschivi o aree agricole, dove la tempestività dell'intervento è altrettanto critica.
Tuttavia, l'evoluzione del settore non si limita esclusivamente al deep learning. Esistono approcci basati sulla computer vision classica che si focalizzano sull'analisi dinamica dei pixel, come dimostrato da Xiaojun Qi et al.. Nel loro progetto propongono un algoritmo diviso in cinque fasi:
- Rilevamento dello sfarfallio: Identifica lo sfarfallio della luminanza ad alta frequenza (tipicamente tra 1 e 10 Hz) attraverso una matrice di derivata temporale cumulativa.
- Rilevamento del colore: Combina i modelli di colore RGB e HSV per identificare le potenziali regioni colpite dal fuoco.
- Unione delle regioni: Raggruppa le aree vicine identificate come "colore fuoco" attraverso operazioni morfologiche.
- Variazione cromatica spaziale e temporale: Analizza i cambiamenti di colore nel tempo e nello spazio per distinguere le fiamme reali da oggetti in movimento con colori simili.
- Verdetto finale: Calcola il rapporto dei pixel candidati che hanno superato tutti i test precedenti rispetto alle regioni iniziali; se il valore supera una soglia prestabilita, il sistema emette un allarme.
In questo campo anche le immagini satellitari sono di grande aiuto come visto nel sistema FireCast sviluppato da David Radke et al. Usando un approccio supervisionato basato su CNN (Convolutional Neural Networks) il modello riusciva a prevedere la propagazione degli incendi nelle successive 24 ore. Per l’addestramento del modello gli autori hanno usato un dataset composto da dati satellitari provenienti dall’ United States Geological Survey (USGS), in particolare sono stati utilizzati i dati dei database di GeoMAC (sostituito da NIFC) e GloVis che ottiene le immagini dal satellite Landsat 8. La prima fonte di dati è stata utilizzata per ottenere le posizioni iniziali e parametri storici degli incendi; invece, la seconda è stata utilizzata per analizzare la salute della vegetazione e le caratteristiche del suolo per controllarne la secchezza. Dati che poi venivano analizzati da FireCast per stimare il rischio di propagazione dell’incendio. I dati multispettrali sono focalizzati sulle bande del visibile (RGB) e del vicino infrarosso (NIR).
Per dare un esempio di possibili dati satellitari è stata riportata una figura di un confronto di due immagini di incendi localizzati in una zona di Tocantins in Brasile. In questo caso sono stati utilizzati i dati dei satelliti Sentinel-2 che, tramite lo strumento MSI offre bande spettrali nell’infrarosso (SWIR) simili a Landsat e i dati provenienti dal sensore VIIRS di NOAA-21 che offre rilevamenti di anomalie termiche (puntini rossi) in modo analogo a GeoMAC. Questi dati sono stati ottenuti grazie a NASA Worldview.
Confronto livello di vegetazione e incendi partendo dal periodo del 27/08/2024 e 16/09/2024
I puntini rossi nelle immagini corrispondono ai fuochi attivi. La visualizzazione in falso colore nella mappa permette di distinguere l’impatto degli incendi sul territorio attraverso due colori principalmente:
- Verde: vegetazione florida e ricca di umidità.
- Marrone: cicatrici lasciate dagli incendi, dove la vegetazione è stata consumata e danneggiata.
Una ricerca simile è stata condotta anche presso un’università della Cina da Zechuan Wu et al., che hanno sviluppato un ANN (Artificial Neural Network) per mappare la propagazione di incendi boschivi. In questo caso il modello si basava su dati multidimensionali riguardanti fattori fisici, topologici e metereologici della zona di ricerca.
Le limitazioni di questi lavori però coinvolgono maggiormente i dataset utilizzati in quanto non sufficientemente ricchi per poter generalizzare il problema; infatti, le ricerche si concentrano di più su aree localizzate.
Un altro tipo di tecnologia coinvolge l’uso e l’implementazione di sistemi fisici proprio durante la fase di addestramento del modello. Parliamo di PINN (Physical Informed Neural Networks), modelli di reti neurali che incorporano leggi fisiche, descritte da equazioni differenziali nelle loro funzioni di loss, in modo tale da guidare l’apprendimento verso soluzioni coerenti con la fisica delle equazioni descritte. Nello specifico caso degli incendi, il sistema di equazioni è governato dall’interazione tra il trasporto del calore nello spazio, il consumo locale del combustibile e le perdite termiche verso l’ambiente:
- La temperatura evolve come risultato di meccanismi di diffusione e advezione, che determinano come il fuoco si propagherà, e di processi endotermici (legati all’evaporazione dell’umidità del combustibile) ed esotermici (associati alla combustione del materiale secco).
- La frazione di combustibile disponibile viene progressivamente consumata in funzione della temperatura locale.
- Invece lo scambio termico con l’ambiente può attenuare o completamente arrestare la propagazione dell’incendio.
L’identificazione delle fiamme riguarda la prima parte del problema; bisogna poi estinguere le fiamme in modo rapido ed efficiente per limitare i danni limitando il più possibile l’intervento umano. Ecco che in questo campo può entrare in gioco la tecnologia Swarm Intelligence. In un recente studio condotto da Alsammak et al. è stato progettato un sistema in cui i droni non seguono ordini diretti ma imitano il comportamento di uno sciame: quando un drone rileva un principio di fiamme o un focolaio già iniziato, trasmette informazioni agli altri membri dello sciame che accorrono verso il punto segnalato. In questo modo si possono ottimizzare le fasi di ricerca, esplorazione e attacco in modo tale da ottimizzare il consumo energetico dei droni.
Immagine parzialmente generata e poi modificata su come i droni agiscono dentro il sistema
Per quanto riguarda altri modi per estinguere un incendio, esistono anche studi sull’estinzione delle fiamme tramite l’uso di "suoni". Xinyue Shi et al. nella loro ricerca hanno dimostrato che usando onde acustiche a bassa frequenza (10-100Hz) è possibile sopprimere fiamme derivate da gas o liquidi infiammabili. In particolare, la fiamma non viene estinta grazie al metodi di raffreddamento, ma usando le oscillazioni della pressione e velocità associate all’onda sonora impattante. È interessante notare che loro nel progetto proponevano sempre l’utilizzo di droni attrezzati con apparecchi acustici. Tecnologia che sembra essere sempre più interessante per questo problema.
Tuttavia, l’efficacia di questi sistemi di monitoraggio ed estinzione si scontra con una nuova sfida tecnologica: l’identificazione di fiamme non visibili allo spettro ottico umano. Mentre le fiamme generate da idrocarburi o biomassa sono facilmente individuabili grazie ai caratteristici colori rosso, arancione o azzurro, la transizione verso energie pulite introduce il problema delle cosiddette fiamme invisibili. Questo fenomeno è tipico della combustione dell'idrogeno, un vettore energetico di grande rilievo per l'efficienza industriale e la decarbonizzazione. L'aspetto critico di questa innovazione risiede nel rischio intrinseco al suo utilizzo: la fiamma dell'idrogeno non emette luce visibile e non produce fumo. Di conseguenza gli algoritmi standard di computer vision non funzionerebbero, rappresentando un rischio per la sicurezza negli impianti industriali del futuro. Bisognerebbe sviluppare algoritmi associati a sensori capaci di operare su bande spettrali ultraviolette o su specifiche frequenze.
In conclusione, la lotta contro gli incendi boschivi purtroppo è ancora complessa, molte volte difficile da analizzare considerando gli innumerevoli scenari e richiede tutt’ora l’impiego di persone fisiche in loco. Nonostante ciò, siamo in una fase di trasformazione in cui l’uso di nuove tecnologie, per il monitoraggio e l’estinzione degli incendi, permetterà azioni più efficaci, efficienti e che richiedono l’utilizzo di meno risorse umane. Da un lato abbiamo il lato del monitoraggio tempestivo, usando la computer vision, dall’altro abbiamo anche lo sviluppo di modelli per capire come l’incendio si espande, usando le leggi fisiche che governano questi fenomeni. E infine nuovi metodi per estinguere le fiamme, tramite l’uso coordinato di droni, oppure tramite l’effetto di onde sonore.