Valutazione del rischio di incendio mediante tecniche di apprendimento automatico: uno studio di caso nella città di Jinan, Cina

Perché il rischio di incendio in una città riguarda tutti

Con l’espansione delle città e l’aumento delle temperature estive, incendi prima rari diventano più frequenti e più dannosi. Questo studio si concentra su Jinan, una città in rapida crescita nell’est della Cina, per porre una domanda semplice ma urgente: dove è più probabile che scoppino gli incendi e quando? Integrando dati satellitari, mappe della città e tecniche moderne di apprendimento automatico, i ricercatori mostrano come sia possibile individuare con precisione le aree ad alto rischio e utilizzare queste informazioni per proteggere meglio persone, abitazioni e foreste vicine.

Considerare l’incendio come un pattern a scala cittadina

Invece di trattare ogni incendio come un incidente isolato, il gruppo di lavoro ha osservato Jinan come un sistema complessivo. Sono stati raccolti oltre 7.500 eventi di incendio rilevati da satellite tra il 2001 e il 2024 e associati a 15 fattori ambientali. Tra questi figurano il clima (pioggia, temperatura, vento e umidità), la morfologia del territorio (altitudine, pendenza e orientamento), la vegetazione (grado di vegetazione e tipo di copertura del suolo) e indicatori dell’attività umana (densità di popolazione e distanza da strade e fiumi). Tutti questi dati sono stati convertiti in livelli cartografici con la stessa risoluzione in modo che ogni punto della città potesse essere descritto in modo uniforme: quanto tende a essere bagnato o secco, quanto è scosceso, quanto è verde e quanto è frequentato dalle persone.

Insegnare ai computer a riconoscere le zone di pericolo

Per trasformare questa mole di informazioni in previsioni utili, gli autori hanno testato cinque approcci di apprendimento automatico diversi. Questi spaziavano da metodi noti come Random Forest e Support Vector Machines a tecniche più avanzate, tra cui Light Gradient‑Boosting Machine e un sistema di deep learning chiamato Rete Neurale Convoluzionale (CNN). Ogni modello è stato addestrato a distinguere le località in cui si erano verificati incendi da altre simili in cui non era stato registrato alcun incendio. I modelli sono poi stati valutati sulla capacità di classificare correttamente nuove località non viste prima, usando misure come l’accuratezza complessiva, l’equilibrio tra incendi non rilevati e falsi allarmi, e un indice basato sulla curva noto come AUC che riflette quanto bene il modello separa le aree a rischio da quelle sicure.

Cosa rivelano le mappe su dove e quando avvengono gli incendi

Gli strumenti più performanti sono risultati la CNN e il modello LightGBM, entrambi in grado di prevedere correttamente le località soggette a incendio in più di quattro casi su cinque e raggiungendo punteggi AUC molto elevati. La CNN ha mostrato un leggero vantaggio, soprattutto nel tracciare confini netti tra aree più sicure e più a rischio. Le sue mappe hanno evidenziato un pattern distintivo descritto come “tre zone ad alto rischio e due fasce di rischio”. In termini semplici, i luoghi più a rischio tendono a concentrarsi nelle aree centrali e meridionali urbane, collegate da due bande di rischio più elevato che attraversano la città. Le pianure a nord e le alte montagne a sud risultano generalmente meno a rischio. L’analisi ha inoltre messo in luce i fattori più importanti: l’uso del suolo e la copertura del territorio, insieme al grado di vegetazione, si sono rivelati i driver principali, più degli andamenti climatici medi a lungo termine di temperatura o precipitazioni. In altre parole, il modo in cui le persone modellano e frammentano il paesaggio e la quantità di combustibile presente contano almeno quanto il clima di fondo.

Stagioni, quartieri e comportamenti umani

Il rischio di incendio a Jinan non è costante durante l’anno. Alimentando la CNN con dati specifici per stagione, gli autori hanno riscontrato che primavera ed estate si distinguono. La primavera mostra la più ampia diffusione di aree ad alto rischio, in parte collegata a rituali tradizionali all’aperto che prevedono fiamme libere vicino ad erba e boschi secchi. L’estate registra il maggior numero di incendi effettivi, concentrati nei quartieri costruiti dove caldo, elevato consumo elettrico e attività all’aperto si combinano. L’autunno porta rischi dispersi lungo i margini agricoli e montani, associati alla combustione di residui colturali, mentre l’inverno sposta l’attenzione sulla vegetazione secca e sulle pratiche di riscaldamento nelle zone rurali e boschive. Nel computo per distretti, Huaiyin è risultato il primo intervento prioritario per la prevenzione, seguito da Tianqiao, Gangcheng e Zhangqiu, indicando dove i servizi antincendio e l’educazione pubblica potrebbero avere il maggiore impatto.

Cosa significa questo per città più sicure

Per un non specialista la conclusione principale è che gli incendi in ambito urbano e periurbano non sono né casuali né inevitabili. Imparando dagli eventi passati e leggendo segnali sottili in clima, territorio, vegetazione e attività umana, gli algoritmi moderni possono produrre mappe di rischio dettagliate che mostrano esattamente dove concentrare pattugliamenti, ammodernamento degli impianti elettrici, gestione della vegetazione e regolamentazione delle combustioni all’aperto. A Jinan, lo studio evidenzia che la crescita urbana a contatto con spazi verdi facilmente infiammabili è una combinazione pericolosa. Lo stesso schema emerge in molte città del mondo. Approcci come le mappe basate su CNN utilizzate qui offrono alle autorità locali un modo pratico per anticipare la prossima stagione degli incendi invece di limitarsi a reagire dopo il fatto.

Citazione: Wei, G., Han, GS. & Lang, X. Fire risk assessment using machine learning techniques: a case study of Jinan City, China. Sci Rep 16, 6410 (2026). https://doi.org/10.1038/s41598-026-37074-0

Parole chiave: rischio di incendio urbano, apprendimento automatico, dati satellitari, reti neurali convoluzionali, prevenzione dei disastri