Aree verdi monitorare grazie alle nuove tecnologie: nel progetto DeepOak IA e Metaverso aiutano a tenere sotto controllo la salute dei querceti
Il progetto DeepOak, cofinanziato dal ministero dell’Università e Ricerca tramite il CNR NBFC, utilizza telerilevamento satellitare, tecniche di machine/deep learning e un gemello digitale in ambiente metaverso per il monitoraggio precoce della salute della vegetazione (con particolare focus sul disseccamento della chioma di Quercus ilex) nelle aree Natura 2000 e per attivare percorsi di citizen science. Nel seguito illustriamo le potenzialità di questo nuovo approccio.
Le aree Natura 2000
Le Aree Natura 2000 sono una rete ecologica di aree protette a livello europeo, creata per conservare la biodiversità. Sono state istituite in base a due direttive dell’Unione Europea: la Direttiva Habitat (92/43/CEE) e la Direttiva Uccelli (2009/147/CE). L’obiettivo principale di Natura 2000 è proteggere gli habitat naturali e le specie di flora e fauna che sono particolarmente vulnerabili o a rischio, preservandone la diversità e la salute. Queste aree non sono necessariamente parchi naturali, ma devono essere gestite in modo da favorire la conservazione della natura.
Le aree Natura 2000 coprono sia terreni terrestri che marini, e sono gestite dagli Stati membri, ma devono rispettare gli standard di protezione definiti a livello europeo. Tuttavia, poiché sono poco conosciute in termini di biodiversità le specie presenti, è importante mettere in campo delle soluzioni per la divulgazione scientifica di tale patrimonio e monitorare eventuali criticità sfruttando le potenzialità delle nuove tecnologie e delle immagini satellitari.
Le immagini satellitari
Negli ultimi anni il deperimento dei querceti – noto anche col temine inglese “oak decline” – ha compromesso diverse aree mediterranee ricadenti in aree protette Natura 2000. I fenomeni ad esso associati sono tuttora poco noti alla comunità scientifica. Da studi di letteratura sembra che il deperimento dei querceti mediterranei sia un sindromico multifattoriale: siccità e ondate di calore, squilibri pedologici e patogeni tellurici (in primis Phytophthora cinnamomi) agiscono in sinergia, con differenze tra specie, siti e storia d’uso.
Rassegne su sughera e leccio confermano l’associazione frequente con P. cinnamomi e l’aumento della gravità del fenomeno dagli anni 80, mentre studi più recenti attribuiscono un ruolo crescente agli eventi idro-climatici estremi e alla vulnerabilità ecosistemica pre-esistente. Approcci di early detection applicati all’analisi di immagini satellitari, volte ad analizzare fenomeni al fine di determinare preventivamente criticità, possono rappresentare una importante strategia per la tutela del patrimonio di tali aree.
Per tali scopi può risultare determinante Sentinel-2, una missione satellitare dell’ESA che fornisce immagini ad alta risoluzione della Terra, utili per il monitoraggio ambientale, agricolo e forestale. I satelliti Sentinel-2A e Sentinel-2B scattano immagini con 13 bande spettrali (dalla luce visibile all’infrarosso), permettendo di studiare la salute delle piante, l’uso del suolo, e fenomeni naturali come incendi e inondazioni.
Una delle caratteristiche più importanti è che le immagini di Sentinel-2 sono accessibili gratuitamente per chiunque, rendendo questa risorsa un potente strumento per la ricerca e la gestione ambientale. La missione offre dati quasi in tempo reale con una copertura globale, ideali per monitoraggi frequenti e su larga scala.
Gli approcci di early detection si fondano su serie multitemporali e sull’uso di bande spettrali sensibili alle alterazioni fisiologiche precoci. In ambiente forestale, la red-edge di Sentinel-2 è tra i segnali più efficaci: variazioni sottili del bordo del rosso anticipano il declino rilevabile con indici “classici” (es. NDVI), come mostrato da studi che collegano dinamiche della red-edge e decadimento della chioma attraverso modelli radiativi e dati di campo. Metodi recenti indicano che combinazioni mirate di sole bande red-edge possono già consentire il riconoscimento precoce di stress e avvizzimenti, semplificando l’acquisizione dati.
Obiettivo delle attività di ricerca è quindi quello di realizzare un tool XAI-based (intelligenza artificiale spiegabile) per effettuare, a partire da un training set di immagini sane/malate, il riconoscimento di criticità evidenti in querceti noti del territorio, spiegandone in modo discorsivo i risultati dell’analisi. Il tool deve poter individuare possibili “segnali precoci” (pattern pre-sintomatici/soglie operative) al fine di poter intervenire per tempo con misure di tutela. Tale approccio viene altresì corredato da conferme di indicatori biologici ottenuti sul suolo (es. QBS-ar).
La ricerca industriale
Tale lavoro di ricerca si è basato sull’estrazione di immagini satellitari di zone di querceti riprese da Sentinel-2 (2019–2025), che sono confluite in un dataset etichettato facendo particolare attenzione ad immagini “non classificabili” per la presenza di disturbi (es. nuvole, eccessiva illuminazione).
Durante le attività di ricerca sono state mappate oltre 20 aree con querceti in Basilicata e scaricate serie di immagini Sentinel-2 (2019–2025) via Copernicus per costituire il dataset regionale e quello di addestramento del modello (Figura 1).
Siccome le immagini sono a disposizione su base quasi giornaliera, è possibile caricare immagini per range temporali (Es. 15 giorni) ed effettuare un monitoraggio basato sull’analisi di parametri statistici supportati da XAI. L’approccio prevede di combinare l’analisi statistica dei riconoscimenti su tre classi (sano, malato, non classificabile) tramite media, varianza, deviazione standard e RMSE, con strumenti di intelligenza artificiale spiegabile (XAI) (Figura 2).
Questa combinazione consente di valutare la coerenza e l’affidabilità dei risultati nel tempo e nello spazio, gestire l’incertezza legata alla classe “non classificabile”, distinguendo tra disturbi (es. nuvole) e segnali ambigui, identificare segnali precoci di stress grazie alla variazione statistica, spiegare determinate classificazioni (es. variazioni nella red-edge o altri indici spettrali) utili per supportare decisioni gestionali e interventi mirati.
L’applicazione di tale metodo ha prodotto performance affidabili nel riconoscimento di aree sane/malate/immagini non classificabili, confermate dalla conoscenza e dall’analisi in campo delle aree e ha prodotto importanti spunti in merito ad alert di “segnali precoci” che sono attualmente oggetto di studio (Figura 3).
Nel complesso, l’approccio proposto migliora il monitoraggio forestale precoce in aree Natura 2000, rendendolo più affidabile, trasparente e operativo. Riesce, infatti, ad individuare una classe ad elevata probabilità (salute/non in salute) e consente di individuare ambiti pre-sintomatici. Tale attività può essere condotta tramite una piattaforma informatica intuitiva che consentirà ad enti di poter supervisionare le aree grazie ad un monitoraggio tramite computer vision applicato alle immagini satellitari delle zone di propria pertinenza e condividere feedback sull’interpretazione dei dati con altri utenti preposti.
Il metaverso del querceto
Il lavoro di ricerca genera, oltre ad una AI spiegabile, anche una rappresentazione nella forma “metaverso” del querceto, seguendo l’approccio del digital-twin in chiave didattica con la possibilità di esplorare in modo immersivo tali aree e leggerne sia valori interpretati dall’analisi dei dati tramite satellite che informazioni divulgative sulla flora/fauna della ZSC di riferimento (Figure 4 e 5).
Tutto ciò consente di collegare dati real-time alla fruizione immersiva, con ritorni in termini di comprensibilità, engagement e potenziale turismo scolastico e sostenibile.
In questo quadro, DeepOak propone un gemello digitale low-poly sincronizzato con indicatori ecologici, contenuti scientifici e meccaniche di gamification/citizen science, pensato per valorizzare e non sostituire l’esperienza in sito. Si tratta di un approccio innovativo, declinabile da subito per qualsiasi area di interesse ma anche personalizzabile per ulteriori scopi di monitoraggio.
— — — —
Abbiamo bisogno del tuo contributo per continuare a fornirti una informazione di qualità e indipendente.