Page 41 - IANUS n. 28 - La rilettura dei paradigmi giuridici tradizionali alla luce dell’obiettivo dello sviluppo sostenibile

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