Mappatura del rischio di incendi boschivi e proiezioni climatiche

Abstract

Gli incendi boschivi rappresentano una minaccia crescente nelle regioni mediterranee, alimentati sia dai cambiamenti climatici che dalle attività umane. Questa tesi approfondisce la mappatura del rischio di incendi e l'integrazione delle proiezioni climatiche per supportare decisioni più efficaci. Utilizzando un workflow basato sull'apprendimento automatico sviluppato nell'ambito del progetto CLIMAAX, finanziato da Horizon Europe, esamina la suscettibilità, il pericolo e il rischio di incendi in Catalogna, Spagna—una regione particolarmente vulnerabile a causa del suo clima mediterraneo.

La tesi inizia con una panoramica sull'importanza degli incendi boschivi, sottolineando il loro ruolo sia come processi ecologici naturali sia come potenziali agenti di distruzione. La Catalogna è stata scelta come caso di studio per il suo mix unico di condizioni climatiche, modelli di uso del suolo e fattori socio-economici che amplificano i rischi di incendi. Combinando dati storici sugli incendi, caratteristiche del terreno, tipi di vegetazione e proiezioni climatiche, la ricerca crea mappe dettagliate di suscettibilità. Queste mappe sono ulteriormente arricchite in mappe di pericolo e rischio integrando esposizione e vulnerabilità, offrendo una visione completa dei rischi di incendi.

Un aspetto chiave dello studio è l'uso di modelli avanzati di apprendimento automatico, come Random Forest e XGBoost, per analizzare e prevedere il comportamento degli incendi boschivi in scenari climatici attuali e futuri. La tesi valuta questi modelli utilizzando dataset come ECLIPS2.0 e CHELSA, confrontando i risultati tra diversi Percorsi di Concentrazione Rappresentativa (RCP). I risultati evidenziano differenze significative nella suscettibilità e nei rischi di incendi tra gli scenari, sottolineando l'importanza di dati climatici di alta qualità e di approfondimenti ambientali locali.

La ricerca si conclude discutendo le implicazioni pratiche di questi risultati, promuovendo strategie adat

Wildfires are an ever-growing threat in Mediterranean regions, fueled by both climate changes and human activities. This thesis delves into wildfire risk mapping and the integration of climate projections to support better decision-making. Using a machine learning-based workflow from the Horizon Europe-funded CLIMAAX project, it examines wildfire susceptibility, hazard, and risk in Catalonia, Spain—a region particularly prone to wildfires due to its Mediterranean climate.

The thesis opens with an overview of the significance of wildfires, highlighting their role as both natural ecological processes and potential agents of destruction. Catalonia was chosen as the case study for its unique mix of climatic conditions, land-use patterns, and socio-economic factors that amplify wildfire risks. By combining historical wildfire data, terrain features, vegetation types, and climate projections, the research creates detailed susceptibility maps. These maps are further enhanced into hazard and risk maps by factoring in exposure and vulnerability, offering a well-rounded view of wildfire risks.

A key aspect of the study is its use of advanced machine learning models, such as Random Forest and XGBoost, to analyze and forecast wildfire behaviors under present and future climate scenarios. The thesis evaluates these models using datasets like ECLIPS2.0 and CHELSA, comparing results across various Representative Concentration Pathways (RCPs). The findings reveal notable differences in wildfire susceptibility and risk between scenarios, emphasizing the need for high-quality climate data and localized environmental insights. The research concludes by discussing the practical implications of these findings, advocating for adaptive strategies that maintain ecological balance while protecting communities and infrastructure. This study not only pushes the boundaries of wildfire risk assessment but also offers a scalable framework that other regions facing similar climate challenges c