Page 43 - IANUS n. 28 - La rilettura dei paradigmi giuridici tradizionali alla luce dell’obiettivo dello sviluppo sostenibile

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