Monitoraggio: un elemento essenziale per la compliance alla EUDR
A cura di Giulia Di Bella, Data Scientist
Con l'entrata in vigore del Regolamento Europeo contro la Deforestazione (EUDR), che mira a ridurre l'impatto dell'Europa sulla deforestazione globale, l'Unione Europea ha alzato il livello degli standard di sostenibilità, imponendo alle aziende di garantire che i loro prodotti e le materie prime utilizzate non siano legati ad attività di deforestazione illegale o di conversione degli ecosistemi naturali.
Dimostrare la conformità alla EUDR implica per le aziende tracciare l'intera filiera delle materie prime fino ai terreni di coltivazione, garantendo che questi non siano associati a pratiche di deforestazione. Di conseguenza, il monitoraggio accurato delle foreste e dei terreni agricoli è diventato essenziale e con esso la necessità di adottare strumenti avanzati che consentano l'osservazione dettagliata e periodica delle aree di interesse da remoto. Tra questi, i più promettenti sono il monitoraggio satellitare e l’intelligenza artificiale.
Il ruolo delle tecnologie satellitari e dell'intelligenza artificiale nella compliance alla EUDR
Già negli anni ’70 le immagini satellitari hanno iniziato a giocare un ruolo fondamentale nel monitoraggio delle foreste e delle risorse terrestri. In particolare, con il lancio del primo satellite Landsat da parte della NASA, capace di catturare immagini multispettrali della superficie terrestre, l'osservazione della Terra inizia a focalizzarsi su aspetti geografici e ambientali, consentendo per la prima volta di monitorare in modo continuativo i cambiamenti del territorio, la copertura vegetale, i corpi idrici e le aree urbane.
È però negli anni 2000 che il campo dell’osservazione terrestre vive una vera e propria rivoluzione. Da un lato, infatti, il lancio di satelliti all’avanguardia come Sentinel, Landsat e MODIS (Moderate-resolution Imaging Spectroradiometer) rende per la prima volta disponibili immagini con un livello di dettaglio spaziale e temporale mai raggiunti prima. Dall’altro, l’inizio di una applicazione massiccia di modelli di intelligenza artificiale (AI) e machine learning (ML) all’analisi dei dati satellitari ne rivoluziona approccio e risultati, migliorando notevolmente la velocità, l'accuratezza e l'efficacia del monitoraggio, dell'interpretazione dei dati e delle capacità previsionali.
Oggi l’integrazione delle tecnologie satellitari con modelli di AI avanzati permette un’osservazione complessa, globale e quasi in tempo reale delle risorse naturali e, nello specifico, delle aree forestali. La loro capacità di fornire una panoramica chiara e sempre aggiornata dello stato della risorsa verde, identificando variazioni della copertura boschiva globale e individuando attività di deforestazione illegale, li rende dunque due strumenti imprescindibili per le aziende che necessitino di dimostrare la conformità alla EUDR.
Un esempio concreto di come l'integrazione di queste tecnologie possa supportare le aziende nella compliance alla EUDR è rappresentato dalle mappe LULC (Land Use and Land Cover).
Le mappe LULC sono delle mappe geospaziali, generate tramite l'analisi di immagini satellitari e altri dati di telerilevamento, che classificano e descrivono l'uso e la copertura del suolo, distinguendo tra foreste, aree urbane, terreni agricoli e corpi idrici.
Queste mappe sono fondamentali per monitorare i cambiamenti nel tempo, poiché consentono di analizzare l'evoluzione della copertura del suolo nell'area d'interesse dal passato al presente. Ciò le rende uno strumento chiave per garantire la conformità alla EUDR, che richiede alle aziende di dimostrare che le coltivazioni da cui derivano le materie prime non provengano da aree deforestate tra il 2020 e oggi. Grazie all'analisi delle mappe LULC, storiche e attuali, le aziende possono infatti monitorare l'uso del suolo degli ultimi cinque anni, identificando eventuali episodi di deforestazione illegale o degrado ambientale, soddisfacendo così i requisiti di tracciabilità e trasparenza richiesti dalla normativa.
Le immagini satellitari nel monitoraggio forestale: ottiche e radar a confronto
L’utilizzo delle immagini satellitari permette di accedere a un livello di informazione sulle foreste che va oltre quello visibile dall’occhio umano.
Sono diversi, infatti, i tipi di dati che i satelliti sono in grado di acquisire, dipendentemente dai sensori di cui sono dotati, dalla loro risoluzione spaziale, temporale, spettrale e radiometrica.
In particolare, nel contesto del monitoraggio delle aree forestali e, genericamente, dell’uso del suolo, due sono i tipi di dati satellitari maggiormente utilizzati: le immagini ottiche e le immagini radar.
Immagini ottiche
Le immagini ottiche sono dati satellitari il cui utilizzo è più diffuso. Si tratta di rilevamenti acquisiti da satelliti equipaggiati con sensori passivi, quali Sentinel 2, Landsat e WorldView, che garantiscono una risoluzione spaziale che va da 60m a 31cm. I sensori passivi rilevano la radiazione solare riflessa dalla superficie terrestre e registrano la radiazione elettromagnetica in diverse bande dello spettro che includono il visibile (luce percepibile dall'occhio umano), il vicino infrarosso e talvolta anche l'infrarosso medio e termico.
Nel contesto del monitoraggio forestale, uno degli usi principali delle immagini ottiche è il calcolo degli indici di vegetazione.
Gli indici di vegetazione sono degli strumenti matematici che combinano la percentuale di radiazione riflessa in diverse bande specifiche, fornendo una stima dello stato di salute delle piante. Possono fornire informazioni sulla densità del fogliame, sulla capacità fotosintetica e sullo stress idrico, aiutando a monitorare colture, foreste e risorse naturali su vasta scala, in modo semplice e non invasivo.
La formulazione degli indici vegetativi ha origine dal comportamento spettrale della vegetazione. Ovvero, le piante assorbono e riflettono la luce solare in modo diverso a seconda delle lunghezze d’onda. In particolare, assorbono fortemente la luce rossa durante il processo di fotosintesi, attraverso i pigmenti fotosintetici come la clorofilla, e riflettono invece gran parte della luce nel Near InfraRed (NIR), zona dello spettro elettromagnetico non coinvolta nel processo di fotosintesi. In particolare, la riflessione nel NIR è fortemente legata alla struttura interna delle foglie e alla presenza di acqua. Un'alta riflettanza nel NIR, dunque, è indicativa di una vegetazione sana e con un buon contenuto d'acqua.
Gli indici vegetativi più comunemente utilizzati includono:
- NDVI (Normalized Difference Vegetation Index): calcolato combinando le bande rossa e NIR, permette di ottenere informazioni sulla densità e la salute della vegetazione.
- NDWI (Normalized Difference Water Index): calcolato solitamente combinando le bande NIR e verde, permette di identificare la presenza di acqua e il contenuto di umidità della vegetazione.
- NBR (Normalized Burn Ratio): calcolato combinando le bande NIR e Short Wave InfraRed (SWIR), è utilizzato principalmente per rilevare aree bruciate e valutare la gravità dei danni post incendi.
Immagini radar
Le immagini radar invece sono rilevamenti ottenuti tramite l’utilizzo di satelliti, come Sentinel 1, che sfruttano il radar ad apertura sintetica (SAR), un tipo di sensore attivo che invia onde radio verso la superficie terrestre e ne misura il segnale riflesso. Le immagini radar sono rilevamenti ottenuti tramite l’utilizzo di satelliti, come Sentinel 1, che sfruttano il radar ad apertura sintetica (SAR), un tipo di sensore attivo che invia onde radio verso la superficie terrestre e ne misura il segnale riflesso. Dall’intensità e dal tempo di ritorno di quest’ultimo, è possibile estrarre informazioni sulla struttura della superficie, come la rugosità e la composizione.
I satelliti radar hanno una risoluzione spaziale che parte da 40m per scendere al di sotto di 5m e, a differenza dei sensori ottici, non sfruttano la luce solare. Questo li rende in grado di operare sia di giorno che di notte, oltre che in condizioni meteorologiche avverse, come nuvole o pioggia.
Essendo in grado di penetrare le nuvole e la vegetazione, il radar è dunque particolarmente efficace nel rilevare variazioni nella struttura tridimensionale della foresta, come l'altezza e la densità. Grazie a queste caratteristiche, il radar viene quindi principalmente utilizzato per ricreare mappe accurate della struttura del suolo e delle caratteristiche forestali e monitorare la perdita di biomassa dovuta alla deforestazione o alla degradazione.
Come l’intelligenza artificiale sta trasformando l’analisi dei dati satellitari
L'osservazione da satellite rappresenta uno strumento estremamente potente nel monitoraggio terrestre. Tuttavia, la continua acquisizione su scala globale e l'alta definizione delle immagini generano una mole di dati altamente significativa, la cui gestione e analisi richiede approcci avanzati e automatizzati. È in questo processo che l'AI svolge un ruolo cruciale.
Attraverso tecniche avanzate di ML e deep learning (DL), l’AI ha di fatto rivoluzionato l'analisi delle immagini satellitari, rendendo possibile l’analisi di grandi quantità di immagini in modo veloce ed efficiente e abilitando il riconoscimento di pattern altrimenti invisibili all'occhio umano.
Nell’ambito del monitoraggio forestale, uno dei principali utilizzi dell’AI nell’analisi delle immagini satellitari è la classificazione del suolo e della copertura forestale. Gli algoritmi di ML vengono addestrati su dataset etichettati per riconoscere diverse classi di copertura del suolo, come foreste, coltivazioni, aree urbane e corpi idrici. Questi modelli possono apprendere dalle caratteristiche spettrali e spaziali delle immagini, riuscendo a distinguere tra diversi tipi di vegetazione, a identificare foreste degradate o deforestate e a monitorare l'espansione delle aree agricole.
L'AI è anche utilizzata per stimare la biomassa forestale e il carbonio immagazzinato negli ecosistemi. Attraverso la combinazione di immagini satellitari ottiche e radar, i modelli di AI possono analizzare la densità della vegetazione e la struttura della foresta, calcolando così la quantità di biomassa presente in un’area specifica. Questo è un aspetto cruciale per monitorare il ruolo delle foreste nel sequestro del carbonio e valutare gli impatti del cambiamento climatico.
Un’applicazione emergente dell’AI, nonché uno o degli obiettivi più ambiziosi delle tecniche basate su questa tecnologia, è il monitoraggio in tempo reale di eventi di deforestazione o di degrado.
Sistemi automatizzati alimentati da algoritmi di DL possono analizzare continuamente i flussi di dati satellitari e segnalare cambiamenti significativi in tempo quasi reale. Questo è particolarmente utile in regioni come l'Amazzonia o le foreste pluviali del Sud-est asiatico, dove la deforestazione avviene rapidamente e può passare inosservata senza strumenti di sorveglianza continui.
Diversi sono i modelli e le tecniche di ML e DL impiegati nell’analisi dei dati satellitari, ognuno con caratteristiche specifiche che li rendono adatti a compiti diversi.
Reti Neurali Convolutive (CNN)
Le Reti Neurali Convolutive (CNN) sono tra i modelli più utilizzati nell'analisi delle immagini satellitari.
Le CNN utilizzano dei filtri convolutivi che analizzano piccole porzioni dell'immagine satellitare alla volta. Questo permette al modello di identificare pattern locali, come variazioni nella texture e nel colore delle foreste, e di rilevare cambiamenti come la perdita di vegetazione o la presenza di strade e insediamenti umani. Grazie alla loro efficacia nella rilevazione di pattern visivi complessi, le CNN sono particolarmente efficaci nel definire la copertura forestale e i cambiamenti causati dalla deforestazione. Grazie alla loro efficacia nella rilevazione di pattern visivi complessi, le CNN sono quindi particolarmente efficaci nel definire la copertura forestale e individuare i cambiamenti causati dalla deforestazione.
Reti Neurali Ricorrenti (RNN) e Long Short-Term Memory (LSTM)
Mentre le CNN sono eccellenti per l'analisi spaziale, le Reti Neurali Ricorrenti (RNN) e le loro varianti come le Long Short-Term Memory (LSTM) sono modelli progettati per analizzare dati di serie temporali. Questo le rende particolarmente adatte a monitorare la deforestazione nel tempo, analizzando sequenze di immagini satellitari.
In particolare, le LSTM hanno la capacità di memorizzare informazioni rilevanti su periodi di tempo prolungati, analizzando come la copertura forestale cambia nel tempo. Ad esempio, possono tracciare come una foresta si è degradata nel corso di mesi o anni a causa di interventi umani o fattori naturali.
Questi modelli inoltre possono anche prevedere futuri eventi di deforestazione basandosi su pattern passati, aiutando a individuare aree a rischio prima che i danni siano irreversibili.
Algoritmi di Random Forest e Support Vector Machine (SVM)
Anche modelli di ML tradizionali come Random Forest (RF) e Support Vector Machine (SVM) sono largamente utilizzati per l'analisi delle immagini satellitari. Sebbene meno complessi delle reti neurali, questi algoritmi sono molto efficaci nel classificare le immagini e rilevare cambiamenti nella copertura forestale.
Trovano largo utilizzo nella distinzione tra aree forestali e non forestali e nella classificazione della copertura forestale in diverse categorie, come foreste tropicali, praterie e aree urbane.
Conclusione: AI e tecnologie satellitari, un’integrazione essenziale per la tutela delle foreste
Grazie all'utilizzo combinato di dati satellitari e tecniche di AI, siamo in grado di monitorare periodicamente e con precisione i cambiamenti nella copertura forestale e reagire rapidamente agli eventi di deforestazione. Strumenti come le mappe LULC offrono alle aziende soggette alla EUDR la possibilità di monitorare l'uso del suolo nei territori interessati, verificando che non si siano verificati episodi di deforestazione dal 2020 ad oggi, come richiesto dalla normativa, e dimostrando così la loro conformità.
Queste tecnologie rappresentano ad oggi una delle soluzioni più efficaci per il monitoraggio e la tutela della risorsa verde del nostro pianeta, nonché uno strumento indispensabile per le aziende che vogliano garantire trasparenza e responsabilità nelle loro pratiche agricole e industriali, assicurando il rispetto della EUDR.