Tecniche di Machine Learning per la gestione degli incendi

Abstract

Uno strumento moderno per affrontare la gestione del carburante e supportare i programmi di conservazione delle foreste è la mappatura della suscettibilità. Questa tesi discute un metodo basato su Multilayer Perceptron (MLP), Support Vector Machine (SVM) e Random Forest (RF) che consente la creazione di una mappa della suscettibilità della regione Liguria agli incendi. Per la sua fitta e variegata vegetazione, che comprende la presenza di boschi su oltre il 70% della sua superficie, nonché per le sue condizioni climatiche ideali, quest'area è gravemente danneggiata dagli incendi. Per la valutazione della suscettibilità vengono presi in considerazione il set di dati dei perimetri di incendio mappati, che coprono un periodo di 21 anni (1997-2017), e diversi fattori predisponenti geoambientali (es. derivati, altitudine, copertura del suolo, rete stradale e tipo di vegetazione). Inoltre, l'influenza di vari tipi di vegetazione locale e limitrofa sul verificarsi di incendi viene valutata utilizzando una mappa della vegetazione più precisa come predittore. Quindi, sono state sviluppate mappe di suscettibilità agli incendi utilizzando i valori di output dei tre metodi di apprendimento automatico previsti in modo probabilistico. Random Forest ha le migliori prestazioni tra tre metodi con i valori più alti di AUC (0,944 e 0,953, rispettivamente) e valori più bassi in entrambe le stagioni (0,329 in estate e 0,335 in inverno). La vegetazione si è rivelata di gran lunga la variabile predittiva più significativa, come mostrato da RF. Al fine di convalidare la creazione delle mappe estive e invernali in termini di capacità di rilevare e identificare potenziali eventi catastrofici futuri, viene utilizzata un'altra convalida basata sugli eventi basata sull'analisi quantile della distribuzione della suscettibilità su un insieme di aree bruciate per il 2018 per 2021, che non ha avuto alcun impatto sul processo di riciclaggio.

Creating susceptibility maps needs to be defined for managing wildfires. According to the inherent qualities of the territory, the wildfire susceptibility is described as a static probability of experiencing wildfire in a specific location. Moreover, a contemporary tool for addressing fuel management and supporting forest preservation programs is susceptibility mapping. This dissertation discusses a method based on Multilayer Perceptron (MLP), Support Vector Machine (SVM), and Random Forest (RF) that enables the creation of a map of the Liguria region's susceptibility to wildfires. Due to its dense and varied vegetation, which includes the presence of forests on more than 70% of its surface, as well as its ideal climatic circumstances, this area is severely damaged by wildfires. The dataset of the mapped fire perimeters, covering a 21-year period (1997-2017), and several geo-environmental predisposing factors are considered for assessing susceptibility (i.e., derivatives, altitude, land cover, road network, and vegetation type). Additionally, the influence of various local and neighboring vegetation types on the occurrence of wildfires is assessed using a more precise vegetation map as a predictor. Then, wildfire susceptibility maps were developed using the output values from the three machine learning methods that were probabilistically predicted. Random Forest has the best performance amongst three methods with the highest values of AUC (0.944 and 0.953, respectively) and lower values in both seasons (0.329 in summer and 0.335 in winter). Vegetation turned out to be by far the most significant predictor variable, as shown by RF. In order to validate the creation of the summer and winter maps in terms of its capability to detect and identify potential future catastrophic events, another event-based validation is used based on the quantile analysis of susceptibility distribution over a set of burned areas for 2018 to 2021, which had no impact on the ML process.