Wildfire susceptibility and hazard assessment via Machine Learning models for Liguria region, Italy.

Abstract

In questa tesi, le mappe statiche di suscettibilità e pericolosità sono state derivate e discusse a livello regionale per la regione Liguria, in Italia. Sono stati studiati due diversi regimi di incendi boschivi. È stato adottato un approccio basato sui dati cercato, sfruttando al massimo il database regionale delle aree incendiate, realizzato da poligoni ad alta fedeltà recuperati a terra. Per quanto riguarda la suscettibilità agli incendi boschivi, diversi classificatori basati su Machine Learning sono state testate tecniche: Random Forest, Support Vector Machine e Multi Layer Perceptron. Per quanto riguarda il pericolo di incendi, sono stati seguiti due approcci, uno basato su formule empiriche di ben noti sistemi di pericolo di incendi boschivi e un altro approccio sulla base di una classificazione del combustibile basata su esperti che agisce sugli strati di copertura del suolo disponibili. In conclusione, questa tesi ha raccolto spunti di riflessione sulla suscettibilità statica e mappatura dei pericoli per una gestione efficace degli incendi. Analizzando e integrando ampiamente varie fonti di dati, impiegando tecniche di modellazione avanzate e considerando le complessità dell'ambiente naturale, questo studio ha cercato di illuminare le complessità della dinamica degli incendi. Tali risultati costituiscono il primo passo per lo studio del potenziale impatto sugli insediamenti umani e sugli ecosistemi. I risultati qui presentati fornire preziose informazioni per responsabili politici, gestori del territorio e professionisti del fuoco, responsabilizzando loro con le conoscenze e gli strumenti necessari per prendere decisioni informate, mitigare rischi e migliorare la resilienza delle nostre comunità. Mentre continuiamo a confrontare la crescente sfide poste dagli incendi boschivi, la scienza degli incendi boschivi è un faro verso un ambiente più sicuro e di più futuro sostenibile, dove l'armonia tra le attività umane e la continua evoluzione i paesaggi naturali

In this Thesis, Susceptibility and Hazard static maps have been derived and discussed at regional level for Liguria region, in Italy. Two different wildfire regimes have been studied. A data-driven approach has been sought, making the most out of the Regional wildfire burned area database, made by ground retrieved high fidelity polygons. For what concerns wildfire susceptibility, several classifier based on Machine Learning techniques were tested: Random Forest, Support Vector Machine, and Multi Layer Perceptron. For what concerns wildfire hazard, two approaches have been followed, one based on empirical formulas of well known wildfire dangers systems, and another approach based on an expert based fuel classification acting on the available land cover layers. In conclusion, this thesis has gathered food for thought about static susceptibility and hazard mapping for effective wildfire management. By extensively analyzing and integrating various data sources, employing advanced modeling techniques, and considering the complexities of the natural environment, this study has sought to illuminate the intricacies of wildfire dynamics. Such results constitute the first step in order to study the potential impact on human settlements and ecosystems. The findings presented herein provide valuable insights for policymakers, land managers, and fire practitioners, empowering them with the knowledge and tools necessary to make informed decisions, mitigate risks, and enhance the resilience of our communities. As we continue to confront the growing challenges posed by wildfires, wildfire science is a beacon towards a safer and more sustainable future, where the harmony between human activities and the ever-evolving natural landscapes is safeguarded through proactive and adaptive wildfire management strategies.