Dalla domanda alla mappa: come l’Intelligenza Artificiale sta accelerando lo studio degli incendi boschivi

Dopo un grande incendio capita sempre più spesso di vedere, già nelle ore o nei giorni successivi, immagini satellitari, mappe animate e sequenze temporali che mostrano l’avanzamento del fuoco, le temperature estreme che hanno interessato il territorio o il viaggio del fumo nell’atmosfera.

Un tempo queste rappresentazioni arrivavano soprattutto dalle grandi agenzie spaziali.

Oggi sempre più ricercatori riescono a trasformare rapidamente grandi quantità di dati in immagini capaci di raccontare un evento mentre è ancora al centro dell’attenzione pubblica. I satelliti hanno naturalmente un ruolo fondamentale. Negli ultimi anni si è però aggiunto un nuovo strumento: l’Intelligenza Artificiale (IA). La novità riguarda sia ciò che l’IA riesce a riconoscere in un’immagine sia il modo, e soprattutto la velocità, con cui uno scienziato può arrivare dai dati alla loro interpretazione.

Dietro una mappa ci sono molti più dati di quanto sembri

Immaginiamo di voler raccontare un grande incendio avvenuto pochi giorni fa. Potremmo voler ricostruire dove è iniziato, come si è sviluppato, quali temperature e condizioni meteorologiche lo hanno accompagnato e dove il vento ha successivamente trasportato il fumo.

Le informazioni necessarie possono provenire da satelliti diversi, archivi meteorologici, sensori per gli incendi attivi, modelli atmosferici e banche dati sulla vegetazione e sul territorio.

Per chi lavora con questi strumenti, sapere che il dato esiste è solo il primo passo. Occorre individuare il prodotto corretto, trovare dove è disponibile, scegliere date e area geografica, scaricare spesso molti file, elaborarli e renderli confrontabili. Una parte consistente di questo lavoro ha richiesto tradizionalmente lunghe sequenze di operazioni manuali, scrittura di codice e consultazione di documentazione tecnica. Ed è proprio qui che qualcosa sta cambiando.

Esiste una sola Intelligenza Artificiale?

Quando parliamo di IA applicata agli incendi, stiamo in realtà mettendo insieme strumenti diversi. Per orientarsi, possiamo distinguerli in tre livelli molto semplici (Fig. 1).

Figura 1. Dalla domanda alla mappa: i tre livelli di IA discussi nel testo e il percorso che porta dalla domanda ai dati, all’analisi e alla comunicazione di un evento di incendio. Elaborazione grafica realizzata con il supporto di IA generativa; contenuti e revisione dell’autore.

Il primo è l’IA analitica, utilizzata già da anni per riconoscere aree bruciate, identificare fumo o fiamme, classificare la vegetazione o stimare la probabilità di incendio. In pratica, il sistema riceve dei dati e cerca al loro interno caratteristiche ricorrenti che aiutino a riconoscere un fenomeno.

Il secondo livello è l’IA generativa. Può aiutare il ricercatore a scrivere e correggere codice, modificare una procedura, capire un errore o costruire una visualizzazione. Il vantaggio principale è la rapidità con cui si può passare da una domanda a una prima analisi.

Il terzo livello è quello dell’IA agentica. Un agente può usare alcuni strumenti, cercare dati, eseguire operazioni e collegare tra loro più passaggi del lavoro. Il punto di partenza può essere un prompt, cioè una richiesta scritta in linguaggio comune. Per esempio: “recupera i dati satellitari e meteorologici relativi a questo incendio tra queste due date e mostrami come è cambiato nel tempo”.

Quella semplice richiesta nasconde ancora molte operazioni tecniche. Oggi, però, una parte crescente di questi passaggi può essere assistita o automatizzata.

Un esempio concreto è il lavoro di Ning et al. (2025), che hanno sviluppato un agente GIS, cioè un sistema capace di lavorare con dati geografici, a partire da una richiesta scritta in linguaggio comune. L’agente sceglie la fonte più adatta tra quelle già configurate e può scrivere, eseguire e correggere il codice necessario per scaricare i dati. Il sistema dipende quindi dalle fonti che gli sono state messe a disposizione, ma mostra come alcune operazioni di ricerca e recupero dei dati possano essere rese molto più rapide.

Seguire il fuoco, e poi il fumo

La velocità sta aumentando anche nella fase successiva, quando i dati devono diventare informazioni utili.

Zhao e Ban (2025), ad esempio, hanno usato un modello di deep learning chiamato AR-SwinUNETR. In termini semplici, il modello confronta le immagini del sensore satellitare VIIRS raccolte in giorni successivi e impara a riconoscere come cambia l’area bruciata. Applicato a otto grandi incendi canadesi del 2023, ha ricostruito giorno per giorno l’avanzamento degli incendi con maggiore accuratezza rispetto al semplice accumulo delle segnalazioni puntuali di fuoco attivo prodotte da VIIRS, anche in presenza di nuvole. Si ottiene così una sequenza di mappe che mostra dove il fuoco è passato e come si è esteso nel tempo.

Il racconto può poi continuare oltre l’area bruciata.

Il fumo prodotto da un incendio può percorrere centinaia o migliaia di chilometri e interessare territori molto lontani dalle fiamme. Anche qui l’IA può aiutare a seguirne l’evoluzione. Andrade et al. (2025), per esempio, hanno usato una rete neurale chiamata U-Net, progettata per distinguere automaticamente le diverse parti di un’immagine. Il modello è stato prima allenato su oltre 10.000 immagini senza bisogno di indicare manualmente fumo e nuvole, poi affinato con immagini in cui queste categorie erano già state riconosciute. A quel punto, il sistema può esaminare le immagini dei satelliti GOES-R e assegnare ogni piccolo elemento dell’immagine, cioè ogni pixel, a tre categorie: fumo, nube o altro. Nei test descritti dagli autori ha raggiunto l’85% di accuratezza ed è stato integrato nella piattaforma ODIN. Tra l’arrivo dell’immagine e la visualizzazione del risultato nel browser trascorrevano circa 74 secondi, rendendo questa distinzione utilizzabile nel monitoraggio quasi in tempo reale.

Se aggiungiamo informazioni su temperature eccezionali, siccità, vento o stato della vegetazione, una semplice animazione può quindi raccontare qualcosa di molto più ampio: le condizioni che precedono o accompagnano il fuoco, la sua evoluzione e alcune delle conseguenze che si propagano nell’atmosfera (Fig. 2).

Figura 2. Esempio di visualizzazione del fumo prodotto dagli incendi e del suo trasporto atmosferico su scala continentale. Il pennacchio è rappresentato attraverso l’Organic Matter Aerosol Optical Depth, un indicatore della quantità di aerosol organico presente nell’atmosfera, mentre le barre indicano il carbonio cumulativamente emesso dagli incendi. Fonte: Copernicus Atmosphere Monitoring Service (CAMS), ECMWF, 16 luglio 2026.

È anche per questo che oggi sui social professionali e scientifici vediamo comparire così rapidamente visualizzazioni molto efficaci di incendi, ondate di calore e grandi pennacchi di fumo.

Dietro pochi secondi di animazione possono esserci satelliti differenti, modelli atmosferici e milioni di dati.

Quindi oggi basta un prompt?

Non ancora.

Per chi lavora realmente con incendi, dati geografici e immagini satellitari, questo è probabilmente il punto più importante.

Un agente può scegliere il dato sbagliato, capire male il significato di una variabile, lavorare a una scala inadatta oppure produrre codice che funziona senza accorgersi che sta rispondendo alla domanda sbagliata.

Nel caso degli incendi questi errori possono fare una grande differenza. Un punto che il satellite segnala come fuoco attivo indica una rilevazione in una certa posizione, non il perimetro completo dell’incendio. Allo stesso modo, trovare particelle nell’atmosfera non basta per stabilire che provengano proprio dall’incendio che stiamo studiando. Anche la scala conta: una mappa molto generale è utile per seguire un fenomeno su grandi distanze; per descrivere con precisione ciò che avviene in un’area ristretta serve un dato più dettagliato.

Anche la letteratura più recente sull’IA agentica applicata all’osservazione della Terra evidenzia problemi di affidabilità e la necessità di controllare gli strumenti utilizzati e i risultati ottenuti (Kao et al., 2026).

Lo scienziato deve quindi continuare a seguire il processo passo dopo passo.

Il cambiamento più evidente riguarda la velocità.

Attività che fino a poco tempo fa richiedevano lunghe ricerche nei manuali, modifiche ripetute al codice, molti download e continui passaggi tra piattaforme diverse possono oggi essere svolte molto più rapidamente.

Il ruolo dell’esperto resta centrale. L’IA può ridurre il tempo dedicato alle operazioni ripetitive, lasciando più spazio alla scelta dei dati, al controllo degli errori, alla formulazione delle domande e all’interpretazione di ciò che accade sul territorio. Per ora, una delle trasformazioni più concrete sembra questa: arrivare più rapidamente dai dati a una ricostruzione leggibile dell’evento, lasciando all’esperto il compito di controllare le scelte e interpretare il risultato.