Page 13 - Costanza Di Francesco Maesa - Questioni giuridiche relative all’applicazione dell’intelligenza artificiale alla conservazione delle foreste
P. 13

IANUS n. 28-2023                       ISSN 1974-9805





                                                                                       35
               remote e in altre aree rurali può ostacolare il trasferimento delle informazioni.
                  Infine,  considerato  che  la  deforestazione  e  il  degrado  forestale
               rappresentano  circa  l’11%  delle  emissioni  di  carbonio,  ossia  più  dell’intero
               settore dei trasporti globale e secondo solo al settore energetico, l’IA è stato
               considerata un valido strumento anche per offrire incentivi ai paesi in via di
               sviluppo  affinché  riducano  le  emissioni  provenienti  dalle  aree  boschive  e
               investano  in  percorsi  a  basse  emissioni  di  carbonio  verso  lo  sviluppo
               sostenibile.  A  tal  fine,  le  tecniche  di  IA  e  di  apprendimento  automatico
               potrebbero essere utilizzate per progettare politiche REDD+ efficaci, valutare
               il loro impatto sui gas serra e collegarle ai pagamenti corrispondenti, che è un
                                        36
               compito assai complicato.  A tal fine, start-up come GainForest e Panchama
               utilizzano la tecnologia AI per stimare le dimensioni dei singoli alberi, nonché
               il volume e la densità di carbonio, prevedere la deforestazione e progettare
                                                 37
               schemi di pagamento del carbonio.

                  2.3 Quantificazione e mappatura delle risorse forestali

                  Immagini satellitari ad alta risoluzione combinate con l’analisi di altre forme
               di dati vengono altresì utilizzate da alcune start-up per produrre mappe altamente
                                                       38
               dettagliate di specifici ecosistemi forestali.  Questi dati vengono utilizzati per
               sviluppare modelli predittivi ad alta risoluzione che stimano le condizioni delle
               foreste di tutto il Pianeta.  In Portogallo, ad esempio, una start-up ha utilizzato
                                       39

                  35   Vedi  SHIVAPRAKASH  -  SWAMI  -  MYSOREKAR  -  ARORA  -  GANGADHARAN  -  VOHRA  -
               JADEYEGOWDA  -  KIESECKER,  Potential  for  Artificial  Intelligence  (AI)  and  Machine  Learning  (ML)
               Applications in Biodiversity Conservation, Managing Forests, and Related Services in India, in Sustainability
               2022, 14, 7154.
                  36   Per  mappare  e  monitorare  le  scorte  di  CO2  e  altri  sistemi  ecosistemici  nelle  foreste,
               l’intelligenza artificiale e l’apprendimento automatico si sono rivelati efficaci. Vedi WERE - BUI -
               DICK - SINGH, A comparative assessment of support vector regression, artificial neural networks, and random
               forests for predicting and mapping soil organic carbon stocks across an Afromontane landscape, in Ecol. Indic.,
               2015, 52, 394-403; DEB - SINGH - DEB - DATTA - GHOSH - CHAURASIA, An alternative approach for
               estimating  above  ground  biomass  using  Resourcesat-2  satellite  data  and  artificial  neural  network  in
               Bundelkhand region of India, in Environ. Monit. Assess., 2017, 189, 576; DOU - YANG - LUO, Estimating
               Forest  carbon  fluxes  using  machine  learning  techniques  based  on  eddy  covariance  measurements,  in
               Sustainability 2018, 10, 203.
                  37  Vale la pena menzionare anche la collaborazione senza scopo di lucro tra la Fondazione Erol,
               il Center for Global Discovery, and Conservation Science (GDCS) e  l'organizzazione no-profit
               Planet.Inc per misurare e mappare le scorte e le emissioni di carbonio con una risoluzione pari e ad
               alta frequenza nella Foresta peruviana.
                  38  GIANNETTI - BARBATI - MANCINI - TRAVAGLINI - BASTRUP-BIRK - CANULLO - NOCENTINI -
               CHIRICI, European forest types: Toward an automated classification, in Ann. For. Sci., 2018, 75, 1-4; LIN -
               LU - LI - CHEN - ZOU - JIANG, Artificial intelligence classification of wetland vegetation morphology based on
               deep convolutional neural network, in Nat. Resour. Model., 2020, 33; WATANABE, SUMI, ISE, Automatic
               vegetation  identification  in  Google  Earth  images  using  a  convolutional  neural  network:  A  case  study  for
               Japanese bamboo forests, in bioRxiv 2018.
                  39  Questo sistema è utilizzato, ad esempio, da SilviaTerra, che combina immagini satellitari ad

                                                    41
   8   9   10   11   12   13   14   15   16   17   18