Nell’ultimo decennio, alluvioni e incendi hanno rappresentato quasi la metà dei disastri naturali sul pianeta. Un fenomeno che, complice la crisi climatica e ambientale, è in costante crescita e che nel 2024 ha portato, per guardare al solo caso degli incendi che hanno colpito la Bolivia, alla perdita di una superficie forestale grande quanto la Grecia.
Se dalla Cop30 partono allarmi e un appello a migliorare la gestione dei disastri naturali, un sostegno concreto può arrivare dal mondo della tecnologia e dalla “solita” intelligenza artificiale. Nello specifico, attraverso modelli che sono in grado di analizzare i dati relativi agli eventi estremi per rendere più efficienti soccorsi e operare in chiave preventiva.
Il progetto TerraMind, sviluppato da Ibm e dall’Agenzia Spaziale Europea (Esa), ha l’obiettivo di mettere a disposizione di tutti un modello aperto che consente di avere una rappresentazione accurata dei fenomeni e agire con maggiore efficacia. Nel corso di una presentazione all’Ibm Research di Zurigo, ne hanno spiegato dettagli e prospettive future.
La rete di satelliti Copernicus che “fotografa” il pianeta
Alla base dello sviluppo di TerraMind c’è un dataset di informazioni chiamato ImpactMesh, realizzato da Esa. Si tratta di un dataset che gli esperti dell’agenzia definiscono “globale, multimodale e multitemporale”. ImpactMesh, infatti, raccoglie le informazioni registrate dai satelliti Sentinel-1 e Sentinel-2 del progetto Copernicus. La rete europea, che conta 83 satelliti, è in grado di coprire l’intera superficie del pianeta ogni 5 giorni e ottenere immagini con una risoluzione di 10 cm.
Non solo: Copernicus è composta da satelliti con specializzazioni diverse, che permettono di ottenere immagini ottiche, immagini radar, termiche e una mappa dell’elevazione di ogni area. “Riceviamo ogni giorno 20 terabyte di dati” spiega Giuseppe Borghi, responsabile della Divisione Φ-lab dell’Agenzia Spaziale Europea. “Sono informazioni estremamente preziose, che integrate tra loro consentono di avere un quadro estremamente chiaro della situazione anche quando gli eventi sono in corso. Con ciò che abbiamo raccolto negli ultimi dieci anni siamo stati in grado di creare un dataset relativo a centinaia di eventi, che comprendono sia la situazione precedente, sia quella successiva”.
