Titolo della tesi: Development of Innovative Earth Observation data Applications to Support Forest Fire Management
La presente ricerca di dottorato si concentra sullo sviluppo di metodologie di machine learning applicate ai dati satellitari di Osservazione della Terra per la gestione integrata degli incendi boschivi. Lo studio affronta le tre fasi principali di un evento incendiario (pre-incendio, fase attiva e post-incendio) progettando e valutando approcci basati sui dati specifici per ciascuna di esse. Nella fase pre-incendio, è stato sviluppato un sistema automatico di mappatura delle tipologie di combustibile, basato sul modello di classificazione di Scott/Burgan. Il metodo utilizza immagini multispettrali Sentinel-2 e reti neurali convoluzionali per classificare le tipologie di vegetazione e di superficie rilevanti per la valutazione del rischio di incendio. Durante la fase attiva, la ricerca esplora la fattibilità del monitoraggio degli incendi direttamente a bordo dei satelliti, attraverso l’implementazione di modelli di deep learning di tipo U-Net su piattaforme di "edge computing" satellitare. L’approccio consente di eseguire simultaneamente il rilevamento delle nuvole e degli incendi in tempo reale, migliorando la qualità delle acquisizioni e riducendo la latenza del processamento dei dati. I modelli, addestrati su immagini Landsat-8 e testati su dati iperspettrali PRISMA, sono stati implementati su acceleratori hardware, dimostrando la concreta applicabilità dell’elaborazione in orbita per la gestione delle emergenze. Nella fase post-incendio, le osservazioni LiDAR del sensore GEDI sono state utilizzate come dati di riferimento per addestrare reti neurali convoluzionali usando Sentinel-1, Sentinel-2 e variabili topografiche. Le metriche GEDI più rappresentative sono state selezionate per descrivere gli aspetti chiave della struttura verticale della foresta, come l’altezza della chioma, l’eterogeneità verticale, la copertura vegetale e l’area di superficie fogliare. Questo approccio ha permesso di generare mappe spazialmente continue delle caratteristiche strutturali pre- e post-incendio, superando la limitata copertura puntuale dei dati GEDI. I risultati dimostrano il potenziale della combinazione tra telerilevamento satellitare e machine learning avanzato per supportare strategie di gestione degli incendi boschivi più complete, tempestive e scalabili.