Rilevamento intelligente degli incendi in agricoltura mediante machine learning e sistemi embedded per la prevenzione del rischio e una maggiore sostenibilità

Perché proteggere le aziende agricole dagli incendi è importante

In tutto il mondo gli agricoltori subiscono la pressione di condizioni più calde e secche e di incendi boschivi più frequenti. Un singolo rogo può spazzare via raccolti, danneggiare il suolo e mettere a rischio le forniture alimentari locali. Questo articolo presenta un modo pratico per individuare precocemente gli incendi nelle aziende agricole usando un piccolo dispositivo elettronico a basso costo e algoritmi intelligenti, così che il pericolo possa essere rilevato in tempo anche in campi remoti con poco o nessun accesso a Internet.

Aziende agricole a rischio in un mondo che si riscalda

L’agricoltura moderna dipende da condizioni meteorologiche stabili, eppure i cambiamenti climatici stanno portando a ondate di calore più lunghe, siccità e un aumento degli incendi. I metodi tradizionali di sorveglianza antincendio, come pattugliamenti o telecamere a distanza, sono lenti, costosi e spesso non riescono a cogliere focolai piccoli. Per molte comunità rurali, soprattutto quelle lontane da città e infrastrutture di rete, esiste un’urgenza di strumenti semplici che possano sorvegliare le colture 24 ore su 24, avvisare del pericolo in pochi secondi e proteggere la produzione alimentare senza dipendere da servizi cloud complessi.

Una piccola scatola che guarda fumo e fiamme

I ricercatori hanno costruito un’unità autonoma di rilevamento incendi attorno a un microcomputer Palm-sized Raspberry Pi 3 B+. Questo dispositivo si collega direttamente a sensori di fumo e fiamma posti sul campo. I sensori misurano continuamente la presenza di fumo e fiamme, e il Raspberry Pi registra queste letture localmente con marcature temporali precise. Un piccolo schermo mostra il livello di pericolo corrente e un buzzer suona quando il rischio diventa elevato, permettendo agli operatori nelle vicinanze di reagire immediatamente. Poiché tutto viene eseguito sul dispositivo, il sistema può funzionare in aziende isolate che non dispongono di Internet affidabile o server centralizzati.

Insegnare al dispositivo a valutare il pericolo d’incendio

Rilevare semplicemente fumo e fiamme non è sufficiente; il sistema deve anche decidere quanto sia grave la situazione. Per farlo, il team ha addestrato diversi modelli di machine learning—metodi informatici che apprendono pattern dai dati—su misurazioni reali raccolte con il loro prototipo. Hanno definito tre categorie: condizioni normali senza incendio, uno stato di allerta con possibile pericolo e incendi confermati. Usando un dataset relativamente piccolo ma accuratamente pulito, hanno applicato modelli chiamati regressione logistica e random forest, insieme alla regressione lineare per produrre un punteggio di rischio continuo. I modelli hanno imparato come le combinazioni dei livelli di fumo e fiamma corrispondono a questi stati di rischio e come i cambiamenti rapidi nel tempo segnalino un aumento del pericolo.

Come il software intelligente aumenta l’affidabilità

Nei test il modello random forest si è distinto. Ha classificato correttamente i livelli di rischio d’incendio con circa il 99% di accuratezza e punteggi altrettanto elevati per la capacità di individuare incendi reali e per il basso tasso di mancati rilevamenti. Anche il modello logistico più semplice ha ottenuto buone prestazioni, ma random forest ha gestito pattern più complessi nei dati e si è dimostrato più stabile nelle ripetute prove. Per difendersi da sensori difettosi o condizioni ambientali anomale, i ricercatori hanno aggiunto un passo di rilevamento delle anomalie usando un approccio chiamato Isolation Forest. Questo livello aggiuntivo segnala letture insolite che non corrispondono al comportamento normale, il che può indicare sia un pattern d’incendio nascosto sia un sensore guasto. Il team ha anche analizzato i momenti della giornata in cui gli incidenti tendevano a verificarsi, identificando finestre temporali in cui un monitoraggio più attento può essere particolarmente utile.

Verso un’agricoltura più intelligente e resiliente

Combinando hardware economico, elaborazione dati locale e metodi di machine learning ben scelti, il sistema proposto offre agli agricoltori uno strumento pratico di allerta precoce per gli incendi. Non dipende da collegamenti Internet veloci o grandi centri dati, rendendolo adatto a regioni agricole remote. I risultati suggeriscono che tali sistemi embedded intelligenti possono ridurre significativamente il rischio di danni da incendio, sostenere una produzione alimentare più sicura e aiutare le aziende agricole ad adattarsi a un clima in cambiamento. Con futuri ampliamenti—come più sensori ambientali, algoritmi migliorati e possibilmente alimentazione solare—quest’approccio potrebbe evolversi in una piattaforma più ampia per la sicurezza agricola e la gestione delle risorse che protegge sia le colture sia l’ambiente circostante.

Citazione: Morchid, A., Elbasri, A., Qjidaa, H. et al. Intelligent fire detection in agriculture using machine learning and embedded systems for risk prevention and improved sustainability. Sci Rep 16, 9773 (2026). https://doi.org/10.1038/s41598-026-40378-w

Parole chiave: agricoltura intelligente, rilevamento incendi, machine learning, sistemi embedded, sostenibilità rurale