Il Parco delle Colline di Napoli
individua le aree a rischio incendio
con l'AI geospaziale
Il cliente e il suo contesto
Il Parco delle Colline di Napoli è un parco urbano che si estende per circa 2215 ettari di boschi, valloni e versanti, quasi un quinto del territorio comunale, incastonati tra i quartieri della città. L'Ente che lo gestisce ha, tra i suoi compiti, la tutela del territorio, la vigilanza e il coordinamento con la protezione civile.
È un contesto particolarmente esposto, proprio perché natura e città si toccano da vicino. Gli incendi qui non sono episodi casuali ma fenomeni ricorrenti e stagionali: si concentrano nei mesi estivi e tendono a ripresentarsi sugli stessi versanti boscati, anno dopo anno. È proprio questa regolarità nello spazio a renderli, in larga parte, prevedibili.
La risposta a queste emergenze è quasi sempre reattiva: si interviene quando l'incendio è già divampato. L'Ente voleva invertire questa logica e spostare il baricentro dalla reazione alla prevenzione, per concentrare le risorse di sorveglianza dove servono davvero, prima che l'evento accada.
Da dove siamo partiti
Il problema
L'Ente aderiva già al sistema di allerta regionale e consultava il bollettino quotidiano di suscettibilità della Protezione Civile. Sono strumenti preziosi, ma lavorano bene su scala provinciale: dicono se in una provincia il rischio della giornata è alto, senza distinguere il versante boscato a rischio dall'area sicura poche centinaia di metri più in là.
Per chi deve decidere dove mandare una squadra, è esattamente quella distinzione a contare. Serviva quindi una valutazione del rischio a risoluzione fine, calata sull'area circoscritta del Parco. E serviva dimostrarlo non sulla carta, ma con un prototipo funzionante.
Cosa abbiamo costruito
L'approccio
Il progetto si fonda sulla nostra tecnologia di analisi di immagini e dati geospaziali, che integra in un'unica architettura: osservazione satellitare, dati a terra e archivi storici su base GIS, leggendo il territorio in continuità e a distanza invece che per sopralluoghi puntuali. Da qui è nata una mappa di suscettibilità all'innesco: una rappresentazione del Parco, e dell'area della Campania centro-settentrionale, in cui ogni cella di terreno di 30 metri per lato riceve un indice di rischio strutturale, dalle aree più esposte a quelle meno.
Il sistema non indica quando scoppierà un incendio, cosa impossibile, ma dove il territorio è più predisposto a farlo propagare. Misura cioè le condizioni che fanno la differenza, non il gesto che innesca il fuoco, che dipende da fattori imprevedibili (un mozzicone gettato a terra, un fulmine, un atto doloso).
I dati di partenza erano molti e di natura diversissima. Abbiamo integrato diverse centinaia di file:
- le immagini ottiche del satellite europeo Sentinel-2, che fotografano la vegetazione anche con colori invisibili all'occhio umano e rivelano quanto è verde, secca o sotto stress
- dataset ERA5-Land, con le variabili relative all'umidità del suolo
- le immagini termiche del satellite Landsat, che ne misurano la temperatura del suolo
A queste si sono aggiunti i dati sulla forma del terreno, altitudine e pendenza, ed edifici, ricavati da fonti pubbliche aperte. Il passaggio decisivo è stato riportare tutto su un'unica griglia geografica.
Su questa base il sistema ha imparato a riconoscere il rischio. Non lo abbiamo programmato con regole scritte a mano: ha appreso dall'esperienza. Gli abbiamo mostrato circa 2500 incendi realmente avvenuti tra il 2020 e il 2025, ciascuno con la sua posizione, data, ora e ampiezza; in parallelo una serie di punti del territorio dove il fuoco non è scoppiato. Confrontando le condizioni degli uni e degli altri, l'algoritmo, un modello di gradient boosting tra i più affidabili per dati di questo tipo, ha individuato da solo le combinazioni di fattori che ricorrono nelle aree a rischio. Il modello iniziale lavorava su 33 variabili, molte ridondanti; le abbiamo ridotte a 15 ottenendo prestazioni praticamente identiche, e quindi un sistema più leggero e robusto. I quindici indicatori rimasti rispondono, in fondo, a quattro domande concrete: quanta vegetazione secca c'è da bruciare, quanto è caldo il terreno, quanto la pendenza dei versanti può far correre il fuoco e quanto è presente l'uomo, che resta la causa d'innesco di gran lunga più frequente. E poiché uno strumento che incide sulla sicurezza pubblica non può essere una scatola nera, per ogni zona il modello è in grado di ricostruire l'indice di suscettibilità delle celle, scomponendo il punteggio nei singoli fattori che lo determinano: in pratica uno scontrino dettagliato in cui si legge quanto pesa ogni feature.
Attorno a questo nucleo abbiamo sviluppato un dimostratore cartografico interattivo. Permette di passare dalla mappa d'insieme al dettaglio della singola porzione di terreno, di sovrapporre gli incendi storici alla mappa del rischio per verificarne a colpo d'occhio l'attendibilità e di simulare dove collocare una rete di sensori sul campo per coprire al meglio le aree più esposte.
Il momento di svolta (AUROC in validazione spaziale)
Sovrapponendo gli incendi reali alla mappa del rischio, i punti cadono dove il modello li prevedeva.
È la verifica che ha trasformato lo studio in una prova concreta. Per misurarne le prestazioni in modo onesto abbiamo usato un criterio severo: durante l'addestramento abbiamo nascosto al modello intere porzioni di territorio, per poi chiedergli di valutarle senza averle mai viste.
L'esito è stato una capacità di distinguere le zone a rischio da quelle sicure pari a 0,83 su una scala in cui 1 è la perfezione e 0,5 equivale a tirare a indovinare.
I risultati
Il riferimento di progetto fissava una soglia minima di 0,70 e una soglia di eccellenza di 0,85: il prototipo supera ampiamente la prima ed è prossimo alla seconda. Il valore è competitivo con la migliore letteratura internazionale per i contesti mediterranei.
Traduzione operativa: sul Parco delle Colline, la simulazione indica che con circa 12 sensori ben posizionati si copre quasi il 90% delle aree a rischio.
Sviluppi futuri
Il punto di svolta sarà l'attivazione dinamica, che collegherà il sistema sia alle informazioni meteorologiche del giorno sia ai sensori IoT sul campo per modulare la priorità di sorveglianza in base alle condizioni: un'ondata di calore alzerà l'allerta sulle zone e sui sensori più esposti, una giornata di pioggia la abbasserà. Non si tratta di prevedere il singolo innesco, ma di regolare giorno per giorno dove concentrare la sorveglianza. Lo stesso ambiente produrrà infine un bollettino sintetizzato da Intelligenza Artificiale in linguaggio naturale, che riassumerà le criticità della giornata incrociando i dati delle condizioni meteorologiche con i dati acquisiti dai sensori, e segnalerà di conseguenza le aree più rilevanti da tenere sotto osservazione.
Spostare il baricentro dalla reazione alla prevenzione.
Raccontaci la tua idea.
Condividi con noi la tua visione
Questo è lo spazio in cui ci incontriamo per conoscerci davvero, mettere a fuoco le tue esigenze e scoprire come l'AI può portare valore in modo sostenibile.