Miglioramento e Validazione della Metodologia RST-FIRES per i grandi incendi

Negli scorsi anni, al fine di valutare le performance della tecnica RST-FIRES e di acquisire informazioni sulla natura e/o l’origine delle anomalie termiche identificate, sono state effettuate varie verifiche sul campo, servendosi di osservazioni aeree o direttamente di terra.

Tale approccio, denominato TVA (Total Validation Approach, Mazzeo et. al., 2009; Baldassare et. al., 2010; Filizzola et al., 2010), è stato concepito anche allo scopo di valutare il potenziale dell’algoritmo RST-FIRES nella identificazione tempestiva dell’incendio nelle sue fasi iniziali, in modo da comprovarne l’efficacia nel rilevamento di eventi così piccoli o con periodi di “vita” così brevi da non essere documentati in alcun report ufficiale.

Sono state condotte, in tal senso una serie di campagne di validazione, in stretta collaborazione con le agenzie della Protezione Civile e con volontari specificatamente addestrati e posizionati sull’intera zona testata (sei campagne di sperimentazione effettuate in Basilicata e nella Provincia di Palermo, tra il 2009 e il 2012).
Durante queste campagne in tempo reale, le performance della tecnica RST-FIRES sono state valutate anche in raffronto con le prestazioni degli altri algoritmi implementati con dati SEVIRI e trattati anche nel presente lavoro di Tesi.

Si notano le performance nettamente superiori dell’algoritmo RST-FIRES, rispetto agli altri algoritmi, in ognuna delle campagne di validazione. Infatti, come atteso, le altre metodologie, essendo basate per lo più su test a soglia fissa, sono state in grado di individuare un minor numero di incendi rispetto a RST-FIRES e solitamente eventi di maggiore estensione/intensità.

Tuttavia, nell’ambito delle stesse campagne, accanto alla verifica delle capacità di RST-FIRES nell’identificare tempestivamente incendi nelle prime fasi di sviluppo come pure fuochi di piccole dimensioni (quali i fuochi di pulitura ai bordi delle strade, bruciature di stoppie, ecc.) è emerso anche che molti mancati allarmi corrispondevano ad eventi (anche di grandi dimensioni/intensità) non identificati a causa della fase di cloud detection che probabilmente scambiava per nuvola il fumo di bruciatura.

Anche tali campagne di sperimentazione hanno confermato, dunque, la primaria importanza della fase di cloud detection, sia in relazione ai falsi allarmi che alle mancate identificazioni.
Come già esposto nei paragrafi precedenti, la presenza di corpi nuvolosi non rilevati può portare alla proliferazioni di falsi allarmi; d’altro canto, errori nella classificazione dei pixel nella fase preliminare di cloud detection, possono portare a mancati allarmi provocati dall’esclusione dei pixel dalla fase di identificazione dell’incendio propriamente detta.

Lo stesso fumo provocato dagli incendi, infatti, può erroneamente venire identificato come copertura nuvoloso dalle “maschere” di OCA e/o EUMETSAT, determinando l’esclusione del pixel indagato dalla successiva fase di fire detection vera e propria.

Tale problematica, in riferimento ad incendi boschivi di dimensioni estese e/o di grandi intensità, quali sono quelli trattati nel presente lavoro di Tesi, assume importanza ancora maggiore, essendo più probabile, per eventi del genere, che si vengano a creare colonne di fumo di grandi dimensioni.

Il presente lavoro di Tesi, dunque, si propone di ottimizzare la “maschera” OCA, basata anch’essa sulla metodologia RST, in riferimento a tale problematica, allo scopo di validare l’algoritmo RST-FIRES anche in relazione ad incendi boschivi molto intensi e/o di grandi dimensioni.