Intelligenza artificiale e satelliti per monitorare le foreste: lo studio dell’Università di Bari pubblicato su Ecological Informatics

Un nuovo passo avanti nell’uso dell’intelligenza artificiale per la tutela dell’ambiente arriva dall’Università degli Studi di Bari Aldo Moro. Sulla rivista scientifica internazionale Ecological Informatics è stato pubblicato uno studio dedicato allo sviluppo di strumenti avanzati per il monitoraggio dello stato di salute delle foreste attraverso immagini satellitari.

Il lavoro è stato realizzato dal gruppo di ricerca KDDE – Knowledge Discovery and Data Engineering del Dipartimento di Informatica dell’ateneo barese, che ha sviluppato ULISSE, un sistema innovativo basato su tecniche di intelligenza artificiale e deep learning.

Un sistema di IA per analizzare le immagini satellitari

ULISSE utilizza serie temporali di immagini satellitari Sentinel-2, raccolte nell’ambito del programma europeo Copernicus, per monitorare l’evoluzione delle superfici forestali nel tempo.

Il sistema consente di individuare e mappare automaticamente le aree forestali danneggiate, in particolare quelle colpite da infestazioni di insetti xilofagi come il bostrico, un parassita che negli ultimi anni ha causato gravi danni a molte foreste europee.

Grazie all’automazione dell’analisi delle immagini satellitari, la tecnologia permette di ridurre tempi e costi delle attività di monitoraggio sul campo, fornendo agli enti forestali strumenti più rapidi ed efficaci per intervenire.

Una nuova metodologia di deep learning

Il contributo scientifico principale dello studio riguarda lo sviluppo di una nuova metodologia di deep learning per la segmentazione semantica di serie temporali di immagini Sentinel-2.

Questo approccio consente di individuare con precisione le zone in cui si verificano fenomeni di degrado forestale e di creare mappe automatiche su larga scala delle aree danneggiate.

Tra gli elementi innovativi del sistema ULISSE vi è l’utilizzo di tecniche di Parameter-Efficient Fine-Tuning (PEFT). Questo metodo permette di adattare modelli avanzati di intelligenza artificiale utilizzando una quantità limitata di dati etichettati, riducendo allo stesso tempo i costi computazionali e l’impatto energetico dell’elaborazione.

Trasparenza grazie all’Explainable AI

Un ulteriore elemento distintivo della ricerca è l’integrazione di tecniche di Explainable Artificial Intelligence (XAI).

Queste tecnologie consentono di interpretare il comportamento del modello di intelligenza artificiale e spiegare quali caratteristiche spettrali delle immagini satellitari influenzano maggiormente le decisioni del sistema.

L’approccio si inserisce nel filone dell’intelligenza artificiale simbiotica, che punta a sviluppare sistemi avanzati ma allo stesso tempo trasparenti, affidabili e comprensibili per gli esseri umani.

Collaborazioni internazionali e progetti europei

La ricerca è stata realizzata in collaborazione con il centro di ricerca INRAE dell’Università di Montpellier (Francia) e con il NVIDIA AI Technology Center di Santa Clara (California).

Lo studio rientra nelle attività del progetto europeo SWIFTT – Satellites for Wilderness Inspection and Forest Threat Tracking, dedicato allo sviluppo di tecnologie di telerilevamento per il monitoraggio delle foreste.

Il lavoro è inoltre collegato al progetto PNRR FAIR – Future Artificial Intelligence Research, all’interno del quale l’Università di Bari è ente capofila dello Spoke 6 “Symbiotic AI”, dedicato allo sviluppo di modelli avanzati di intelligenza artificiale.

Test in Europa con risultati positivi

Il sistema ULISSE è stato validato con successo in due aree di studio in Repubblica Ceca e Romania, dimostrando un’elevata accuratezza nella mappatura delle aree forestali danneggiate dal bostrico.

I risultati ottenuti aprono la strada allo sviluppo di strumenti operativi per il monitoraggio ambientale su larga scala, utili per supportare politiche di gestione sostenibile delle foreste e strategie di adattamento ai cambiamenti climatici.

Per l’Università di Bari hanno partecipato allo studio: Vito Recchia, Giuseppina Andresini, Annalisa Appice, Dino Ienco, Giuseppe Fiameni e Donato Malerba.

Lo studio, intitolato “ULISSE: Parameter-efficient adaptation of earth vision models to monitor forest disturbance in Sentinel-2 time series”, è pubblicato sulla rivista Ecological Informatics (2026) ed è disponibile in modalità open access.