Page 11 - Costanza Di Francesco Maesa - Questioni giuridiche relative all’applicazione dell’intelligenza artificiale alla conservazione delle foreste
P. 11

IANUS n. 28-2023                       ISSN 1974-9805





                  2.2 Previsione e valutazione del pericolo

                  L’IA  e  altre  nuove  tecnologie  sono  anche  utili  per  valutare  i  pericoli  e
               prevedere le potenziali minacce per gli ecosistemi forestali.  La raccolta di dati e
                                                                      24
               la preparazione di dati altamente accurati e ad alta risoluzione possono, infatti,
               presumibilmente migliorare il modo in cui sono gestite le foreste e le attività di
               conservazione delle stesse. Tecnologie come il riconoscimento ottico dei caratteri
               (OCR) e l'elaborazione del linguaggio naturale (NLP) possono essere utili per
               digitalizzare  i  dati  di  monitoraggio  delle  foreste  esistenti  su  carta;  pertanto,
               essendo  disponibili  in  formato  digitale,  i  dati  possono  essere  analizzati  dagli
               algoritmi analitici di IA. Inoltre, l’installazione nelle foreste di sensori abilitati a
               Internet  per  fornire  informazioni  quasi  in  tempo  reale  sulle  attività  e  sulle
               condizioni  delle  foreste  servono  a  raccogliere  dati  che  sono  poi  utilizzati  per
               sviluppare modelli predittivi per identificare e ottenere informazioni dettagliate
               sulla  salute  delle  foreste  e  sulle  calamità  che  le  minacciano,  come
                                      26
                             25
                                                                     28
               deforestazione,   siccità,   incendi,   parassiti,  epidemie,   danni  causati  dalle
                                                27
               tempeste e altre minacce che possono danneggiare le foreste.  Alla Columbia
                                                                          29
               University, per esempio, la tecnologia dell’IA è stata utilizzata per comprendere
               gli effetti dell’uragano Maria sulle foreste di Porto Rico e in particolare il modo

                  24  MAYFIELD - SMITH - GALLAGHER - HOCKINGS, Use of freely available datasets and machine learning
               methods in predicting deforestation, in Environ. Model. Softw., 2017, 187, 17-28; MAYFIELD - SMITH -
               GALLAGHER  -  HOCKINGS,  Considerations  for  selecting  a  machine  learning  technique  for  predicting
               deforestation, in Environ. Model. Softw, 2020, 131; DOMINGUEZ - DEL VILLAR - PANTOJA - GONZÁLEZ-
               RODRIGUEZ, Forecasting Amazon Rain-Forest Deforestation Using a Hybrid Machine Learning Model, in
                    ́
               Sustainability, 2022, 14, 691.
                  25   AREKHI  -  JAFARZADEH,  Forecasting  areas  vulnerable  to  forest  conversion  using  artificial  neural
               network and GIS (case study: Northern Ilam forests, Ilam province, Iran), in Arab. J. Geosci, 2014, 7, 1073-
               1085;  LARREA-GALLEGOS  -  VÁZQUEZ-ROWE,  Exploring  machine  learning  techniques  to  predict
               deforestation to enhance the decision-making of road construction projects, in J. Ind. Ecol, 2022, 26, 225-239.
                  26  DA ROCHA - TORRES - JACOVINE - LEITE - GELCER - NEVES - SCHETTINI - VILLANOVA - DA
               SILVA - REIS e altri, Artificial neural networks: Modeling tree survival and mortality in the Atlantic Forest
               biome  in  Brazil.  Sci.  Total  Environ.,  2018,  645,  655-661;  ADIKARI  -  SHRESTHA  -  RATNAYAKE  -
               BUDHATHOKI - MOHANASUNDARAM - DAILEY, Evaluation of artificial intelligence models for flood and
               drought forecasting in arid and tropical regions, in Environ. Model. Softw., 2021, 144.
                  27  JAAFARI - ZENNER - PANAHI - SHAHABI, Hybrid artificial intelligence models based on a neuro-fuzzy
               system and metaheuristic optimization algorithms for spatial prediction of wildfire probability, in Agric. For.
               Meteorol,  2019,  266,  198-207;  ZHANG  -  WANG  -  LIU,  Forest  Fire  Susceptibility  Modeling  Using  a
               Convolutional Neural Network for Yunnan Province of China, in Int. J. Disaster Risk Sci, 2019, 10, 386-
               403.
                  28  GOLHANI - BALASUNDRAM - VADAMALAI - PRADHAN, A review of neural networks in plant disease
               detection using hyperspectral data, in Inf. Process. Agric., 2018, 5,  354-371; WIESNER-HANKS - WU -
               STEWART - DECHANT - KACZMAR - LIPSON - GORE - NELSON, Millimeter-level plant disease detection
               from aerial photographs via deep learning and crowdsourced data, in Front. Plant Sci., 2019, 10.
                  29  Una start-up canadese, chiamata Terrafuse, ad esempio, utilizza modelli di IA per comprendere i
               rischi legati al clima a livello locale. Stima anche il cambiamento temporale nella densità del carbonio
               dovuto a incendi, deforestazione e altre calamità. RAMMER - SEIDL, Harnessing deep learning in ecology: An
               example predicting bark beetle outbreaks, in Front. Plant Sci., 2019, 10, 1327.

                                                    39
   6   7   8   9   10   11   12   13   14   15   16