Introduzione

La trasformazione tecnologica del monitoraggio ambientale non consiste soltanto nell’aumento della quantità di immagini disponibili, ma nel passaggio da un’osservazione discontinua del territorio a un’infrastruttura conoscitiva permanente. Il programma Copernicus [1] definisce oggi, a scala europea, un quadro operativo in cui i dati satellitari e quelli in situ confluiscono in servizi informativi per il suolo, l’atmosfera, il mare, il clima, la sicurezza e la gestione delle emergenze. In parallelo, il Sistema Informativo Nazionale Ambientale rende pubblici e accessibili dati geografici, territoriali e ambientali raccolti da ISPRA e dal Sistema nazionale per la protezione dell’ambiente, attribuendo alla conoscenza ambientale una funzione pubblica di raccordo, comparazione e diffusione. Nell’attuale scenario di accelerazione dei cambiamenti globali, la crescente interconnessione e complessità dei fenomeni climatici e antropici rende inadeguati i tradizionali approcci di monitoraggio basati su rilievi episodici o verifiche campionarie non integrate (Samadzadegan et al., 2025; Chauhan et al., 2026).

Le dinamiche di alterazione ecosistemica impongono una scala di osservazione continua e ad alta risoluzione: il regime degli incendi boschivi si estende su stagioni progressivamente più ampie, il consumo di suolo [2] procede per micro-trasformazioni diffuse e il degrado forestale si palesa attraverso alterazioni fenologiche e biochimiche inizialmente deboli (Gao et al., 2023; Chrysostomou et al., 2026) [3], rendendo essenziali osservazioni multi-temporali per tracciare processi complessi quali l’erosione, la subsidenza e lo stress idrico (Smigaj et al., 2024). L’infrastruttura europea INSPIRE (Infrastructure for Spatial Information in Europe) [4], orientata alla condivisione delle informazioni spaziali per le politiche ambientali, e la politica di accesso aperto e gratuito ai dati Copernicus rendono evidente come le odierne strategie di prevenzione e di programmazione territoriale dipendano dalla disponibilità di flussi informativi interoperabili, tempestivi e scientificamente verificabili (Valbuena et al., 2026).

Su tale base, l’Intelligenza Artificiale (IA) non si configura quale dominio separato dall’Osservazione della Terra (Earth Observation - EO), bensì come l’infrastruttura analitica d’elezione capace di rendere trattabili, comparabili e predittive le eterogenee moli di Big Earth Data (Miller et al., 2025).

L’interesse strategico e istituzionale non risiede, dunque, in una promessa di automazione decisionale assoluta, bensì nella concreta opportunità di transitare da un modello di gestione ambientale reattiva ed episodica a uno di governance proattiva e anticipatoria, incardinata sulla continuità dell’informazione, sulla diagnosi precoce delle anomalie e sulla modellazione predittiva per un’ottimale allocazione delle priorità operative (European Commission, 2024). Tale transizione tecnologica risulta peraltro coerente con il nascente quadro normativo europeo sull’intelligenza artificiale (AI Act) [5] soltanto se saldamente ancorata a un approccio basato sul rischio (risk-based approach), a una solida governance pubblica del dato e alla rigorosa garanzia della supervisione umana (human-in-the-loop) in tutti i processi decisionali con rilevanza esterna, così da assicurare trasparenza, equità e responsabilità (accountability) nell’azione amministrativa e di controllo.

Osservare il territorio

L’evoluzione del telerilevamento spaziale [6] - Remote Sensing (Samadzadegan et al., 2025) - segna il passaggio da missioni sperimentali e archivi cartografici discontinui a costellazioni operative, caratterizzate da elevata risoluzione spaziale e tempi di rivisitazione ad alta frequenza [7]. Le missioni Sentinel [8], sviluppate specificamente per alimentare i servizi Copernicus, forniscono dataset robusti, aperti e ripetibili, ottimali per il monitoraggio sistematico degli ecosistemi forestali, agricoli e urbani. La disponibilità di simili serie storiche multi-temporali altera radicalmente il paradigma della conoscenza ambientale: l’osservazione non si limita più alla fotografia statica dello stato di fatto, ma si estende alla mappatura dinamica delle variazioni nel tempo, tracciando le traiettorie di disturbo ecologico, il recupero post-evento e le correlazioni con i driver climatici e antropici (Kundu et al., 2025).

L’infrastruttura osservativa si avvale di sensori complementari in grado di investigare domini spettrali differenti. La missione Sentinel-2 [9], dotata di un sensore ottico multispettrale a 13 bande, risulta particolarmente performante per l’analisi degli indici vegetazionali, della fenologia e delle acque interne. Sul fronte radar, Sentinel-1 [10] impiega un sensore SAR (Synthetic Aperture Radar) in banda C che garantisce acquisizioni indipendenti dalla copertura nuvolosa e dall’illuminazione solare; tale prerogativa è cruciale nei contesti tropicali o montani a nuvolosità persistente, per l’analisi dell’umidità del suolo e delle chiome, nonché per la rilevazione interferometrica delle deformazioni superficiali. Sentinel-3 [11] introduce il dominio termico, misurando la Land Surface Temperature (LST) con elevata accuratezza, parametro essenziale per individuare anomalie termiche, stress idrico precoce e dinamiche evapotraspirative non rilevabili nel solo spettro ottico. Va tuttavia precisato che la risoluzione spaziale del dato termico di Sentinel-3, dell’ordine del chilometro, ne fa uno strumento ottimale per la diagnostica a scala regionale e di paesaggio. L’analisi degli stress a livello di singolo popolamento forestale richiede invece risoluzioni decametriche, ottenibili tramite sensori termici dedicati o tecniche di thermal sharpening che integrano il dato ottico ad alta risoluzione [12]. Nel contesto italiano, la costellazione COSMO-SkyMed [13] fornisce dati SAR in banda X ad altissima risoluzione, fondamentali per il monitoraggio interferometrico strutturale e la gestione delle emergenze, mentre il nascente programma IRIDE [14] si configura quale infrastruttura spaziale end-to-end, destinata a potenziare i servizi digitali per la Pubblica Amministrazione nell’osservazione della Terra a scala locale e nazionale (Associazione Italiana di Telerilevamento, 2024).

La maturazione dei servizi di Osservazione della Terra consente, infine, di trascendere il mero dato satellitare grezzo per generare prodotti territoriali a valore aggiunto, direttamente integrabili nei processi di decision-making istituzionale. Il Copernicus Land Monitoring Service (CLMS) [15] elabora indicatori sistematici su copertura e uso del suolo, variazioni della biomassa, ciclo idrologico ed energia superficiale; gli High Resolution Layers (HRL) permettono di quantificare l’impermeabilizzazione del suolo (imperviousness) e monitorare il consumo di suolo. Parallelamente, l’European Ground Motion Service (EGMS) [16] traccia la subsidenza e i lenti movimenti gravitativi con precisione millimetrica basata su tecniche InSAR (Interferometric Synthetic Aperture Radar) [17], mentre il Copernicus Emergency Management Service (CEMS) [18] fonde osservazioni e modelli per la mappatura rapida e la previsione di incendi, siccità e alluvioni. Si consolida così un unico ecosistema informativo interoperabile – propedeutico alla creazione di veri e propri Digital Twins (gemelli digitali) ambientali – in cui boschi, infrastrutture idriche, aree protette e bacini vulnerabili possono essere monitorati in modo continuo, olistico e comparato attraverso scenari di simulazione e forecasting.

Dati geospaziali e intelligenza artificiale nei sistemi di monitoraggio

L’apporto dell’Intelligenza Artificiale (IA) all’analisi ambientale risiede precipuamente nella capacità di estrarre pattern latenti e ordinare la complessità intrinseca dei Big Earth Data, operando in sinergia con l’interpretazione tecnica umana piuttosto che in sua sostituzione.

All’interno dei flussi di Osservazione della Terra, architetture avanzate di machine learning (Almeida et al., 2024) - come Support Vector Machine e Random Forest - e di deep learning (Xu et al., 2025) - reti neurali convoluzionali e ricorrenti - sono sistematicamente impiegate per la classificazione tematica, la segmentazione semantica, il change detection automatizzato, il riconoscimento delle anomalie e la previsione spazio-temporale (Amoah-Nuamah et al., 2025). Le più recenti revisioni sistematiche evidenziano come tali modelli siano divenuti centrali per la fusione di dati multisensore e la modellazione di indicatori ecosistemici. In ambiti critici quali il rischio incendi e le emergenze fitosanitarie, l’attenzione scientifica è inoltre fortemente orientata verso l’integrazione di variabili climatico-ambientali con tecniche di Explainable AI (XAI), essenziali per garantire la trasparenza, l’interpretabilità dei risultati (Carloni et al., 2025) [19] e la solidità del processo decisionale.

L’integrazione multisorgente rappresenta, in effetti, lo snodo metodologico decisivo. Poiché nessun singolo sensore può quantificare simultaneamente ed efficacemente parametri strutturali, umidità, gradienti termici, uso del suolo e processi ecofisiologici in presenza di copertura nuvolosa, la letteratura scientifica enfatizza il valore strategico della fusione multisensore [20], come le sinergie Ottico-SAR o l’integrazione LiDAR (Light Detection and Ranging) - Iperspettrale. Le architetture operative più mature orchestrano oggi veri e propri ecosistemi digitali: fondono serie storiche satellitari, rilievi in situ, acquisizioni ad altissima risoluzione da droni (UAV- Unmanned Aerial Vehicle), reti di sensori acustici e ambientali IoT (Internet of Things), integrando il tutto con cartografie amministrative e vincoli di tutela all’interno di piattaforme di cloud ed edge computing. Il risultato trascende il mero incremento volumetrico dell’informazione, garantendo una superiore attribuzione semantica del fenomeno: la medesima alterazione può essere decodificata come disturbo forestale, pressione antropica, trasformazione urbanistica o stress agronomico, in funzione del dominio informativo in cui è contestualizzata.

Sul piano applicativo, i dati ottici multispettrali permettono di intercettare dinamicamente lo stress vegetativo, i cali del contenuto di clorofilla e le alterazioni fenologiche pre-visive (fase di green-attack); il dominio termico evidenzia anomalie nelle temperature di chioma e suolo, diagnostiche per la rilevazione precoce dello stress idrico; parallelamente, le acquisizioni radar (SAR) garantiscono l'analisi della continuità strutturale, dell'umidità superficiale e dei lenti movimenti gravitativi indipendentemente dall'illuminazione solare e dalla copertura nuvolosa, fattore critico nei sistemi tropicali o montani. Le recenti revisioni sul forest health assessment confermano un ricorso sempre più sistematico a tali tecnologie per valutazioni pan-europee e comparabili della vitalità boschiva (Drechsel e Forkel, 2025). In modo analogo, l'implementazione operativa di algoritmi di intelligenza artificiale sui flussi Copernicus dimostra che l’integrazione di serie temporali biofisiche abilita le agenzie di controllo – anche in ottemperanza ai recenti disposti normativi come l'EU Deforestation Regulation [21] – a rilevare in near-real-time disboscamenti illegali, tagli selettivi e altre trasformazioni ecologiche occulte (United Nations, 2025).

Ne deriva che l’intelligenza artificiale non “vede” il territorio in senso autonomo: individua ricorrenze, segnala scostamenti, produce punteggi di anomalia, ordina urgenze e stima probabilità. Il valore pubblico di tali funzioni emerge quando l’output è leggibile, replicabile e sottoposto a controllo umano, cioè quando l’algoritmo diventa uno strumento di supporto alla diagnosi tecnico-operativa e non una fonte autosufficiente di giudizio amministrativo o investigativo. Questo punto è coerente tanto con la letteratura scientifica più prudente quanto con l’impostazione europea di un’intelligenza artificiale affidabile, centrata su sicurezza, diritti fondamentali e supervisione umana.

Analisi predittiva e prevenzione dei rischi forestali e ambientali

L’analisi predittiva ambientale acquista valenza strategica allorché le serie storiche satellitari, le variabili meteorologiche, i dati topografici e gli indicatori di pressione antropica (uso del suolo e accessibilità) vengono fusi all’interno di modelli probabilistici orientati al rischio. Nello specifico dominio degli incendi boschivi [22], il salto paradigmatico non risiede unicamente nel rilevamento in tempo reale dei focolai o nella mappatura delle aree percorse dal fuoco - burn severity (San-Miguel-Ayanz et al., 2025) - bensì nella generazione di superfici di suscettibilità dinamiche. Tali modelli combinano lo stress idrico della vegetazione, l’umidità dei combustibili forestali, le anomalie termiche e le forzanti topografiche con la prossimità alle interfacce urbano-foresta (Wildland-Urban Interface - WUI). Sebbene il Copernicus Emergency Management Service (CEMS) e l’European Forest Fire Information System  [23] (EFFIS) del JRC (Joint Research Centre) forniscano già una copertura geospaziale continua, documentando l’estensione della stagione degli incendi e l’esacerbazione del pericolo nell’Europa meridionale (Giannakidou et al., 2024), la recente letteratura scientifica evidenzia la necessità di integrare questi flussi con architetture di Intelligenza Artificiale interpretabile (Explainable AI - XAI). Quest’ultima risulta essenziale per gestire la collinearità tra le variabili ambientali e garantire l’affidabilità, la trasparenza e l’equità dei processi decisionali ad alto impatto.

Una logica analoga si applica al dissesto idrogeologico e all’erosione del suolo. I servizi di moto del terreno derivati da Sentinel-1 consentono di osservare deformazioni lente, subsidenza e movimenti associati a fenomeni naturali o indotti; gli strati europei sulle superfici impermeabilizzate permettono di misurare l’espansione delle coperture artificiali e quindi di qualificare una parte della vulnerabilità idrologica generata dalle trasformazioni territoriali; i sistemi di allerta e previsione idrologica collegati al CEMS aggiungono la dimensione meteorologica e di bacino. L’efficacia predittiva aumenta quando tali elementi vengono letti insieme, piuttosto che separatamente, e quando il cambiamento rilevato nello spazio viene ricondotto a una storia pregressa del territorio.

Sul fronte del contrasto a fenomeni complessi quali desertificazione, degrado pedologico, perdita di biodiversità e compromissione dei servizi ecosistemici, l’interesse operativo si concentra sulla capacità dei sistemi di allerta precoce (Early-Warning Systems - EWS) di intercettare i segnali iniziali, ancora pre-sintomatici, delle traiettorie di declino ecosistemico (Forzieri et al., 2021). La modellazione satellitare degli indicatori ecosistemici, condotta mediante avanzati algoritmi di classificazione e regressione, consente di stimare accuratamente le condizioni e le funzioni del paesaggio; il telerilevamento termico e delle microonde aggiunge fondamentale sensibilità ai segnali precoci di stress idrico e fisiologico delle chiome, mentre l’analisi multi-temporale ad alta risoluzione quantifica in modo misurabile la frammentazione spaziale, l’erosione della continuità ecologica e le silenziose trasformazioni d’uso del suolo. In ambito agro-forestale, l’ausilio del machine learning rende possibile discriminare analiticamente le fisiologiche fluttuazioni fenologiche stagionali dai processi di deterioramento strutturale progressivo, un requisito imprescindibile per calibrare tempestivamente interventi di mitigazione, ripristino ecologico su scala di paesaggio e sorveglianza mirata.

Il supporto strategico all’azione di controllo istituzionale discende direttamente da tale capacità di anticipazione. Un modello di tutela intelligence-led rifugge la logica dispendiosa della sorveglianza indifferenziata, incardinandosi piuttosto sulla definizione algoritmica delle priorità: ingegnerizzazione di mappe di rischio per il pattugliamento preventivo (Ensign et al., 2018) [24], generazione di code di allerta (alerting in near-real-time) per le ispezioni tecniche, verifica automatizzata delle alterazioni in aree vincolate e individuazione selettiva delle anomalie da sottoporre a incrocio documentale e validazione in situ. Nel quadro europeo, i nascenti servizi orientati all’environmental compliance sfruttano già l’Osservazione della Terra per documentare oggettivamente presunte violazioni normative e danni ambientali, con applicazioni operative in cui l’ecosistema Copernicus, sinergicamente fuso con i modelli di intelligenza artificiale, si rivela determinante per individuare pratiche di disboscamento illegale (illegal logging) e tagli non autorizzati. In questa accezione, il valore aggiunto delle tecnologie satellitari e predittive trascende la mera funzione descrittiva, assurgendo a pilastro eminentemente programmatorio e di governance proattiva.

Discussione: implicazioni istituzionali e profili critici

Dall’analisi condotta emergono quattro profili che ne qualificano la portata istituzionale e ne circoscrivono, al contempo, i limiti. Il primo attiene alla transizione verso un paradigma di governance e controllo proattivo: l’integrazione sistemica di serie osservative continue e modelli di Intelligenza Artificiale riduce drasticamente la dipendenza dalle segnalazioni episodiche, orientando l’azione pubblica verso la prevenzione, l’allocazione mirata delle risorse e la verifica tempestiva. Tale approccio non elide la necessità del sopralluogo in campo (ground-truthing), bensì ne affina la qualità selettiva: l’operatore istituzionale interviene in ottica anticipatoria, guidato da mappe di suscettibilità probabilistiche e territorialmente argomentate. Il rigore scientifico del processo esige, tuttavia, che l’output algoritmico operi esclusivamente quale Sistema di Supporto alle Decisioni (DSS), conformemente al principio della supervisione umana (human-in-the-loop); l’interpretazione ecologica del contesto, la qualificazione giuridica dell’illecito e l’assunzione della responsabilità finale rimangono, infatti, prerogative intrinsecamente umane.

Il secondo risultato attiene alla qualità, affidabilità e verificabilità del dato sorgente. La robustezza di qualsivoglia architettura predittiva è subordinata alla coerenza multi-temporale delle acquisizioni, all’adeguatezza della risoluzione spaziale e spettrale, e alla rigorosa calibrazione con dati di validazione raccolti in situ. I flussi informativi delle missioni Sentinel confermano che l’efficacia del monitoraggio risiede nella fusione multisensore (data fusion): mentre i sensori radar (SAR) superano i vincoli legati alla copertura nuvolosa e all’illuminazione, i sensori ottici multispettrali e termici risultano insostituibili per discriminare le alterazioni biochimiche e gli stress fisiologici della vegetazione. L’utilizzo istituzionale richiede, parimenti, la piena consapevolezza delle soglie operative delle piattaforme europee: a titolo esemplificativo, il sistema EFFIS ha storicamente adottato una soglia operativa (Minimum Mapping Unit) di circa 30 ettari per la mappatura rapida delle aree percorse dal fuoco [25], dal 2018, l’impiego delle immagini Sentinel-2 ha consentito di rilevare anche eventi di estensione inferiore, pur permanendo limiti di completezza e risoluzione. Sul piano operativo, ciò impone alle agenzie di controllo di gestire proattivamente l’incidenza di falsi positivi e falsi negativi, calibrando i modelli in funzione dell’eterogeneità dei contesti ecosistemici.

Il terzo profilo di criticità concerne i limiti intrinseci della modellazione algoritmica. La recente letteratura scientifica evidenzia sfide significative legate all’interpretabilità (Explainable AI - XAI), alla collinearità delle variabili ambientali e alla trasferibilità geografica (model generalization), quest’ultima strettamente dipendente dalla qualità dei dataset di addestramento. Un modello supervisionato, addestrato su aree ecologiche ben documentate, rischia un severo degrado prestazionale (effetto overfitting) qualora applicato a mosaici agro-forestali altamente frammentati o a biomi montani privi di sufficienti dati etichettati (labeled data). Ne consegue che i bias spaziali e campionari assumono una rilevanza amministrativa dirimente: ecosistemi sovra-rappresentati generano previsioni altamente affidabili, mentre territori periferici o scarsamente documentati rischiano di subire distorsioni valutative. Per la Pubblica Amministrazione, ciò si traduce nell’imperativo di sottoporre i sistemi predittivi a rigorosi audit metodologici, aggiornando iterativamente i dati di riferimento e ancorando la validazione a sistematici rilievi a terra.

Il quarto profilo investe il complesso quadro di governance giuridica e normativa. Se la Direttiva INSPIRE [26], ha gettato le basi per un’infrastruttura europea di dati spaziali interoperabili, l’integrazione di tali flussi solleva delicate questioni di Data Protection [27]. Sebbene l’Osservazione della Terra tratti prevalentemente dati a valenza territoriale, la loro fusione algoritmica con sistemi di videosorveglianza, tracciamenti IoT o banche dati nominative espande immediatamente il perimetro di applicazione del Regolamento Generale sulla Protezione dei Dati (GDPR) [28], imponendo il rigoroso rispetto dei principi di liceità, minimizzazione e accountability. A tale architettura si sovrappone il recente AI Act europeo, il quale, fondandosi su un approccio basato sul rischio (risk-based approach), promuove lo sviluppo di un’Intelligenza Artificiale affidabile (Trustworthy AI) e antropocentrica. Negli scenari di polizia ambientale e law enforcement ad alto grado di invasività, la normativa europea subordina l’utilizzo dei sistemi al puntuale rispetto dei principi di necessità, proporzionalità e trasparenza, confermando che la liceità del monitoraggio predittivo è indissolubilmente legata alla finalità concreta, al contesto operativo e agli impatti del sistema sui diritti fondamentali.

Un ultimo, dirimente snodo attiene al delicato equilibrio tra automazione algoritmica, discrezionalità tecnica e ammissibilità della prova. L’implementazione dei servizi europei di environmental compliance dimostra come l’Osservazione della Terra costituisca uno strumento dirimente per l’accertamento di violazioni e danni ambientali. Ciononostante, il dibattito giurisprudenziale sul contrasto agli eco-reati (environmental crimes) solleva interrogativi cruciali inerenti alla tutela della privacy, alla qualità del dato originario e alla conseguente validità probatoria delle evidenze geospaziali nelle aule di giustizia. Ne consegue che, in sede amministrativa o penale investigativa, l’efficacia probatoria del dato satellitare predittivo risulta strettamente vincolata all’integrità dei metadati, alla trasparenza della catena di elaborazione (il cosiddetto chain of custody del dato digitale), all’esplicitazione dell’architettura di IA impiegata e all’imprescindibile validazione ispettiva in situ (Nath et al., 2024) [29]. L’infrastruttura algoritmica, pertanto, non esaurisce l’istruttoria tecnica né si sostituisce al giudizio umano, bensì la corrobora, dotando le autorità preposte al controllo di un quadro istruttorio più solido e informato.

Infine, emerge con evidenza il valore della cooperazione organizzativa e della formazione. La condivisione dei dati ambientali in Italia attraverso SINA (Sistema Informativo Nazionale Ambientale) e SNPA (Sistema Nazionale per la Protezione dell’Ambiente) [30], i programmi di addestramento promossi da ISPRA (Istituto Superiore per la Protezione e la Ricerca Ambientale) [31] sui prodotti Copernicus e i percorsi FAO (Food and Agriculture Organization of the United Nations) su SEPAL (System for Earth Observation Data Access, Processing and Analysis for Land Monitoring) (FAO, 2022) mostrano che l’adozione efficace di queste tecnologie dipende da competenze diffuse, non da sole infrastrutture. L’interpretazione corretta di un indice vegetazionale, di un’anomalia termica o di una deformazione InSAR richiede familiarità con limiti, incertezze, risoluzioni e contesto territoriale. L’investimento in capacità istituzionale, pertanto, non è un complemento facoltativo dell’innovazione digitale, ma una sua condizione di legittimità ed efficacia.

Conclusioni

L’integrazione sinergica tra Intelligenza Artificiale, telerilevamento satellitare e analisi predittiva non rappresenta un automatismo risolutivo né una panacea tecnologica per le odierne crisi ambientali. Tali strumenti si configurano, piuttosto, quale infrastruttura tecno-conoscitiva d’avanguardia – asse portante della transizione verso il paradigma Forest 4.0 – capace di monitorare dinamicamente le traiettorie di disturbo ecologico, le soglie di vulnerabilità e le priorità d’intervento con una profondità spazio-temporale e una scalabilità in precedenza inattingibili. Nei domini forestale, agro-ambientale e del contrasto agli illeciti territoriali, questo ecosistema digitale consolida un modello di tutela stabilmente orientato alla prevenzione, alla programmazione strategica e al controllo pubblico mirato. Tuttavia, come ampiamente ribadito dalla recente letteratura, tale potenziale si traduce in effettivo valore pubblico esclusivamente se incardinato in un ecosistema di governance rigoroso e trasparente. Ciò impone l’adozione di flussi di dati aperti e interoperabili, una robusta validazione scientifica in situ, la formazione interdisciplinare del personale e la stretta osservanza dei principi di proporzionalità, protezione dei dati e responsabilità algoritmica (accountability), in piena convergenza con i dettami europei sulla Trustworthy AI. In questa prospettiva, la centralità decisionale dell’operatore pubblico non risulta ridimensionata dall’automazione, bensì profondamente ridefinita ed elevata. Emancipate dalla cronica scarsità informativa e dai limiti dell’approccio unicamente reattivo, le istituzioni preposte al controllo e alla gestione ambientale sono oggi chiamate a governare criticamente la complessità degli output algoritmici, garantendo quella imprescindibile supervisione umana (human-in-the-loop) necessaria per tradurre l’innovazione tecnologica in una tutela del territorio proattiva, equa e resiliente di fronte all’accelerazione dei cambiamenti globali (Bekteshi e Çota, 2025).

[1] Si veda “Copernicus, Earth Observation” - European Commission, https://defence-industry-space.ec.europa.eu/eu-space/ copernicus-earth-observation_en?prefLang=it, ultima consultazione 5 luglio 2026.

[2] Si veda “I dati sul consumo di suolo” - Istituto Superiore per la Protezione e la Ricerca Ambientale, https:// www.isprambiente.gov.it/it/attivita/suolo-e-territorio/suolo/il-consumo-di-suolo/i-dati-sul-consumo-di-suolo, ultima consultazione 5 luglio 2026.

[3] La rilevazione satellitare dello stress vegetativo in fase pre-visuale non deve essere intesa come identificazione univoca della causa del deterioramento, ma come individuazione di una deviazione rispetto al comportamento spettrale e fenologico atteso. Gli indici tradizionali, quale il Normalized Difference Vegetation Index – NDVI, possono presentare fenomeni di saturazione in presenza di chiome dense e valori elevati di biomassa, riducendo la sensibilità alle variazioni incrementali dello stato vegetativo. In tali contesti assumono maggiore rilevanza gli indici costruiti sulle bande del red edge di Sentinel-2, come il Normalized Difference Red Edge – NDRE, maggiormente sensibili alle variazioni del contenuto di clorofilla. L’attribuzione causale dell’anomalia – stress idrico, patologia, attacco parassitario, deficit nutrizionale o disturbo antropico – richiede tuttavia l’integrazione con serie temporali, dati meteorologici e verifiche in situ.

[4] Si veda “Overview, INSPIRE Knowledge Base” - European Commission, https://knowledge-base.inspire.ec.europa.eu /overview_en, ultima consultazione 5 luglio 2026.

[5] Ci si riferisce al Regolamento (UE) 2024/1689 del Parlamento Europeo e del Consiglio del 13 giugno 2024 che stabilisce regole armonizzate sull’intelligenza artificiale e modifica i regolamenti (CE) n. 300/2008, (UE) n. 167/2013, (UE) n. 168/2013, (UE) 2018/858, (UE) 2018/1139 e (UE) 2019/2144 e le direttive 2014/90/UE, (UE) 2016/797 e (UE) 2020/1828 (regolamento sull'intelligenza artificiale).

[6] Regolamento (UE) 2021/696 del Parlamento europeo e del Consiglio del 28 aprile 2021, che istituisce il Programma spaziale dell’Unione e l’Agenzia dell’Unione europea per il Programma spaziale.

[7] Il tempo di rivisitazione di una costellazione indica l’intervallo teorico intercorrente tra due opportunità di osservazione della medesima area, ma non coincide con il tempo necessario affinché il dato divenga effettivamente disponibile all’utilizzatore. La tempestività operativa dipende dall’intera catena di acquisizione: geometria orbitale, condizioni atmosferiche per i sensori ottici, trasmissione alle stazioni di terra, generazione dei prodotti, correzioni geometriche e radiometriche, trasferimento alla piattaforma e successiva elaborazione algoritmica. Pertanto, l’espressione near-real-time descrive una disponibilità con latenza ridotta, ma non un’osservazione istantanea o continua. Nei sistemi di allerta deve essere conseguentemente distinta la frequenza potenziale di acquisizione dalla latenza end-to-end del servizio informativo.

[8] Si veda “ESA - The Sentinel missions” - European Space Agency, https://www.esa.int/Applications/Observing_the_Earth/ Copernicus/The_Sentinel_missions, ultima consultazione 5 luglio 2026.

[9] Si veda “Sentinel-2 - Colour vision for Copernicus” - European Space Agency, https://www.esa.int/Applications/ Observing_the_Earth/Copernicus/Sentinel-2, ultima consultazione 5 luglio 2026.

[10] Si veda “Sentinel-1 - Radar vision for Copernicus” - European Space Agency, https://www.esa.int/Applications/ Observing_the_Earth/Copernicus/Sentinel-1, ultima consultazione 5 luglio 2026.

[11] Si veda “Sentinel-3 - A bigger picture for Copernicus” - European Space Agency, https://www.esa.int/Applications/ Observing_the_Earth/Copernicus/Sentinel-3, ultima consultazione 5 luglio 2026.

[12] Il thermal sharpening non produce una nuova misurazione termica diretta alla risoluzione del sensore ottico, ma realizza una disaggregazione statistica del dato termico originariamente acquisito a risoluzione più grossolana. La temperatura viene redistribuita nello spazio sulla base delle relazioni osservate con variabili ausiliarie ad alta risoluzione, quali copertura vegetale, impermeabilizzazione, albedo o indici spettrali. Il risultato conserva pertanto una componente modellistica e deve essere accompagnato da indicatori di incertezza, soprattutto quando la relazione tra temperatura e covariate non è stabile nello spazio o nel tempo. Un prodotto termico “affinato” a scala decametrica non può quindi essere considerato equivalente a una misura radiometrica nativa acquisita alla stessa risoluzione.

[13] Si veda “COSMO-SkyMed – Osservazione Radar ad Alta Risoluzione” – Agenzia Spaziale Italiana, https://www.asi.it/scienze-della-terra/cosmo-skymed/, ultima consultazione 5 luglio 2026.

[14] Si veda “IRIDE” – Governo Italiano, ASI, ESA, https://iridespazio.it/, ultima consultazione 5 luglio 2026.

[15] Si veda “Copernicus Land Monitoring Service (CLMS)” – Copernicus, https://land.copernicus.eu/en, ultima consultazione 5 luglio 2026.

[16] Si veda “European Ground Motion Service” – Copernicus, https://land.copernicus.eu/en/products/european-ground-motion-service, ultima consultazione 5 luglio 2026.

[17] La “precisione millimetrica” dei prodotti interferometrici deve essere interpretata come capacità di misurare variazioni relative della distanza tra il sensore e il bersaglio lungo la linea di vista del satellite, e non come determinazione tridimensionale assoluta e immediata del movimento del terreno. Il prodotto Basic dell’European Ground Motion Service esprime infatti lo spostamento rispetto a un punto di riferimento virtuale e lungo la line of sight satellitare. La misurazione può inoltre essere condizionata da perdita di coerenza interferometrica, vegetazione, neve, geometria del versante, disturbi atmosferici e limitata sensibilità ad alcune componenti del moto. La corretta interpretazione geologica richiede pertanto l’integrazione con dati GNSS, cartografia geomorfologica, serie pluviometriche e rilievi sul campo.

[18] Si veda “Copernicus Emergency Management Service (CEMS)” – Copernicus, https://emergency.copernicus.eu/, ultima consultazione 5 luglio 2026.

[19] Le tecniche di Explainable AI, comprese metodologie quali SHAP (SHapley Additive exPlanations) e LIME (Local Interpretable Model-agnostic Explanations), descrivono principalmente il modo in cui un modello associa determinate variabili al proprio output, ma non dimostrano necessariamente l’esistenza di un rapporto causale tra tali variabili e il fenomeno ambientale osservato. In presenza di elevata collinearità – frequente tra temperatura, precipitazioni, umidità del suolo, quota e indici vegetazionali – l’importanza attribuita a una singola caratteristica può risultare instabile o distribuita arbitrariamente tra predittori correlati. L’interpretabilità algoritmica deve quindi essere accompagnata da analisi di sensibilità, conoscenza ecologica del dominio, validazione esterna e, ove possibile, modelli causali o controfattuali. La spiegazione del comportamento del modello non coincide, in altri termini, con la spiegazione scientifica del fenomeno naturale.

[20] La fusione multisensore può essere realizzata a livello di pixel, di caratteristiche estratte (feature-level fusion) o di decisione, e presuppone la corretta armonizzazione di dati prodotti da sensori con differenti risoluzioni spaziali, temporali, spettrali e radiometriche. Operazioni quali co-registrazione, ricampionamento, normalizzazione e sincronizzazione temporale costituiscono passaggi metodologici sostanziali, poiché errori anche limitati possono generare falsi cambiamenti o attribuzioni semantiche inesatte. La fusione, dunque, non elimina automaticamente l’incertezza delle singole sorgenti: può ridurla quando le informazioni sono realmente complementari, ma può anche propagarla o amplificarla quando dataset non omogenei vengono combinati senza un’adeguata modellazione degli errori.

[21] Si veda “Regulation on Deforestation-free Products” – European Commission, https://environment.ec.europa.eu/topics/forests/ deforestation/regulation-deforestation-free-products_en, ultima consultazione 5 luglio 2026.

[22] Si veda “Current wildfire situation in Europe” – Joint Research Centre, European Commission, https://joint-research-centre.ec.europa.eu/projects-and-activities/natural-and-man-made-hazards/forest-fires/current-wildfire-situation-europe_en, ultima consultazione 5 luglio 2026.

[23] Si veda “European Forest Fire Information System” – Copernicus, https://forest-fire.emergency.copernicus.eu, ultima consultazione 5 luglio 2026.

[24] Una mappa predittiva esprime la probabilità relativa che, in determinate condizioni e sulla base dei dati disponibili, un’area presenti un’anomalia o un fattore di rischio; essa non costituisce previsione certa della commissione di un illecito né può fondare presunzioni di responsabilità nei confronti dei soggetti collegati al territorio. Occorre inoltre considerare il possibile insorgere di feedback loops: le aree maggiormente controllate producono un numero superiore di osservazioni e segnalazioni, che possono essere successivamente utilizzate dal modello per confermare la loro apparente maggiore rischiosità. Per attenuare tale distorsione è opportuno mantenere quote di controllo casuale o stratificato anche nelle aree non segnalate, distinguere i dati sull’effettiva incidenza dei fenomeni da quelli derivanti dall’intensità dei controlli e sottoporre periodicamente il sistema ad audit di bias spaziale.

[25] La soglia di circa 30 ettari ha caratterizzato storicamente il Rapid Damage Assessment di EFFIS fino al 2018 e non deve essere interpretata come un limite rigido e invariato dell’attuale capacità osservativa del sistema. L’impiego delle immagini Sentinel-2 ha successivamente consentito la rilevazione e la mappatura anche di incendi di estensione inferiore. Secondo la documentazione tecnica di EFFIS, i perimetri mappati rappresentano complessivamente una quota stimata intorno al 95 per cento della superficie annualmente percorsa dal fuoco nell’Unione europea. Permangono, tuttavia, differenze di rilevabilità connesse alla dimensione, alla frammentazione, alla copertura nuvolosa, alla severità dell’incendio e alla disponibilità di immagini utili.

[26] Direttiva 2007/2/CE del Parlamento europeo e del Consiglio del 14 marzo 2007, che istituisce un’infrastruttura per l’informazione territoriale nella Comunità europea (INSPIRE).

[27] Il dato satellitare o geospaziale non costituisce di per sé un dato personale quando descrive esclusivamente caratteristiche fisiche o ambientali di una porzione di territorio. Esso può tuttavia acquisire natura personale quando, direttamente o mediante combinazione con ulteriori informazioni, venga associato a una persona fisica identificata o identificabile: si pensi all’incrocio con dati catastali nominativi, localizzazioni di dispositivi, targhe, movimenti di veicoli, immagini ad altissima risoluzione o informazioni relative alle attività svolte su una determinata particella. Occorre inoltre distinguere il monitoraggio amministrativo e ambientale, normalmente ricadente nel Regolamento (UE) 2016/679, dai trattamenti effettuati dalle autorità competenti per finalità di prevenzione, indagine, accertamento o perseguimento di reati, ai quali si applica la disciplina speciale della Direttiva (UE) 2016/680, recepita nell’ordinamento nazionale. La disciplina applicabile dipende quindi non soltanto dalla natura del dato, ma anche dalla finalità concreta del trattamento e dalla qualifica istituzionale del soggetto che lo effettua.

[28] Ci si riferisce al Regolamento (UE) 2018/679 del Parlamento Europeo e del Consiglio del 27 aprile 2016 relativo alla protezione delle persone fisiche con riguardo al trattamento dei dati personali, nonché alla libera circolazione di tali dati e che abroga la direttiva 95/46/CE (regolamento generale sulla protezione dei dati).

[29] L’utilizzo di sistemi di intelligenza artificiale nel monitoraggio ambientale non determina automaticamente la loro qualificazione come sistemi “ad alto rischio” ai sensi del Regolamento (UE) 2024/1689. La classificazione dipende dalla finalità prevista, dal contesto d’impiego e dalla capacità del sistema di incidere materialmente su decisioni riguardanti persone fisiche. L’Allegato III include, tra gli impieghi di law enforcement ad alto rischio, i sistemi destinati a valutare l’affidabilità delle prove nel corso di indagini o procedimenti penali; un algoritmo che si limiti a segnalare variazioni territoriali o a predisporre un’attività istruttoria potrebbe invece richiedere una valutazione differenziata, ferma restando la documentazione prevista dall’art. 6 del Regolamento. Quando l’output entra nel circuito probatorio, la tracciabilità deve comprendere almeno identificazione della sorgente e del livello del prodotto satellitare, data e ora di acquisizione, sistema di riferimento cartografico, software e versione utilizzati, parametri di elaborazione, modelli e pesi applicati, registri delle trasformazioni, impronte hash dei file e conservazione dell’originale. La catena di custodia deve consentire di dimostrare non solo che il dato non sia stato alterato, ma anche che il risultato possa essere tecnicamente riprodotto e criticamente verificato. Si veda Regolamento (UE) 2024/1689, artt. 6 e 14 e Allegato III, punto 6.

[30] Ci si riferisce alla Legge 28 giugno 2016, n. 132. Istituzione del Sistema nazionale a rete per la protezione dell’ambiente e disciplina dell’Istituto superiore per la protezione e la ricerca ambientale.

[31] Si veda “Dati e Indicatori” - ISPRA Istituto Superiore per la Protezione e la Ricerca Ambientale, https://www. isprambiente.gov.it/it/banche-dati, ultima consultazione 5 luglio 2026.

Bibliografia

-Almeida B., David J., Campos F.S., Cabral P., 2024 – Satellite-based machine learning modelling of ecosystem services indicators: A review and meta-analysis. Applied Geography, 165: 103249. DOI: 10.1016/j.apgeog.2024.103249.

-Amoah-Nuamah J., Child B., Okyere E.Y., Adams O., Danquah J.A., 2025 – Applications of artificial intelligence in forest health surveillance and management. Discover Forests, 1: 56. DOI: 10.1007/s44415-025-00061-w.

-Associazione Italiana di Telerilevamento – AIT (a cura di), 2024 – Earth Observation: Current Challenges and Opportunities for Environmental Monitoring. AIT Series: Trends in Earth Observation, 3., Firenze: Associazione Italiana di Telerilevamento. ISBN: 978-88-944687-2-4. DOI: 10.978.88944687/24.

-Bekteshi L., Çota H., 2025 – Towards a smart and sustainable forest future: An AI-driven national forest monitoring system for Albania. International Journal of Ecosystems and Ecology Science, 15 (5): 109 – 118. DOI: 10.31407/ijees15.514.

-Carloni G., Berti A., Colantonio S., 2025 – The Role of Causality in Explainable Artificial Intelligence. WIREs Data Mining and Knowledge Discovery, 15 (2): e70015. DOI: 10.1002/widm.70015.

-Chauhan V., Akanshu, Chauhan K., Chamoli A., Chand T., Sekar K.C., Panwar V.P., 2026 – AI-Driven Forest and Agroforestry Monitoring: Modern Remote Sensing Tools for Climate-Smart Agronomy. Modern Concepts & Developments in Agronomy, 15 (5): MCDA.000871. DOI: 10.31031/MCDA.2026.15.000871.

-Chrysostomou C., Neophytides S.P., Mavrovouniotis M., Hadjimitsis D.G., 2026 – Optimized spectral indices for global vegetation and water mapping using Sentinel-2. Scientific Reports, 16: 4491. DOI: 10.1038/s41598-025-34720-x.

-Drechsel J., Forkel M., 2025 – Remote sensing forest health assessment: A comprehensive literature review on a European level. Central European Forestry Journal, 71 (1): 14 – 39. DOI: 10.2478/forj-2024-0022.

-Ensign D., Friedler S.A., Neville S., Scheidegger C., Venkatasubramanian S., 2018 – Runaway Feedback Loops in Predictive Policing. In: Friedler S.A., Wilson C. (a cura di), Proceedings of the 1st Conference on Fairness, Accountability and Transparency. Proceedings of Machine Learning Research, 81: 160-171.

-European Commission, Directorate-General for Research and Innovation, 2024 – Horizon Projects Using Environmental Observations and Artificial Intelligence for the Benefit of Science and Society. Luxembourg: Publications Office of the European Union. DOI: 10.2777/167982.

-Food and Agriculture Organization of the United Nations (FAO), 2022 – Forest and Land Monitoring for Climate Action – SEPAL: Methodological Note. Rome: FAO.

-Forzieri G., Girardello M., Ceccherini G., Spinoni J., Feyen L., Hartmann H., Beck P.S.A., Camps-Valls G., Chirici G., Mauri A., Cescatti A., 2021 – Emergent vulnerability to climate-driven disturbances in European forests. Nature Communications, 12: 1081. DOI: 10.1038/s41467-021-21399-7.

-Gao S., Zhong R., Yan K., Ma X., Chen X., Pu J., Gao S., Qi J., Yin G., Myneni R.B., 2023 – Evaluating the saturation effect of vegetation indices in forests using 3D radiative transfer simulations and satellite observations. Remote Sensing of Environment, 295: 113665. DOI: 10.1016/j.rse.2023.113665.

-Giannakidou S., Radoglou-Grammatikis P., Lagkas T., Argyriou V., Goudos S., Markakis E.K., Sarigiannidis P., 2024 – Leveraging the power of Internet of Things and artificial intelligence in forest fire prevention, detection, and restoration: A comprehensive survey. Internet of Things, 26: 101171. DOI: 10.1016/j.iot.2024.101171.

-Kundu S., Ninoria S.Z., Chaturvedi R.P., Mishra A., Agrawal A., Batra R., Dubale M., Hashmi A., 2025 – Real-time deforestation anomaly detection using YOLO and LangChain agents for sustainable environmental monitoring. Scientific Reports, 15: 39961. DOI: 10.1038/s41598-025-23617-4.

-Miller T., Durlik I., Kostecka E., Kozlovska P., Łobodzińska A., Sokołowska S., Nowy A., 2025 – Integrating Artificial Intelligence Agents with the Internet of Things for Enhanced Environmental Monitoring: Applications in Water Quality and Climate Data. Electronics, 14 (4): 696. DOI: 10.3390/electronics14040696.

-Nath S., Summers K., Baek J., Ahn G.-J., 2024 – Digital Evidence Chain of Custody: Navigating New Realities of Digital Forensics. In: 2024 IEEE 6th International Conference on Trust, Privacy and Security in Intelligent Systems, and Applications (TPS-ISA). pp. 11-20. DOI: 10.1109/TPS-ISA62245.2024.00012.

-Samadzadegan F., Toosi A., Dadrass Javan F., 2025 – A critical review on multi-sensor and multi-platform remote sensing data fusion approaches: Current status and prospects. International Journal of Remote Sensing, 46 (3): 1327-1402. DOI: 10.1080/01431161.2024.2440811.

-San-Miguel-Ayanz J., Durrant T., Boca R., Maianti P., Libertà G., Oom D., Branco A., De Rigo D., Suarez Moreno M., Ferrari D., Roglia E., Scionti N., Broglia M., Sedano F., 2025 – Advance Report on Forest Fires in Europe, Middle East and North Africa 2024. Luxembourg: Publications Office of the European Union, Joint Research Centre. EUR 40255. ISBN: 978-92-68-25483-7. DOI: 10.2760/1264626.

-Smigaj M., Agarwal A., Bartholomeus H., Decuyper M., Elsherif A., de Jonge A., Kooistra L., 2024 – Thermal Infrared Remote Sensing of Stress Responses in Forest Environments. Current Forestry Reports, 10 (1): 56-76. DOI: 10.1007/s40725-023-00207-z.

-United Nations, Climate Change, Technology Executive Committee, 2025 – Artificial Intelligence for Climate Action: Advancing Mitigation and Adaptation in Developing Countries. Bonn: United Nations Framework Convention on Climate Change.

-Valbuena P., O’Brien V., Neeff T., Lindquist E., Vollrath A., Garcia-Perez Gamarra J., D’Annunzio R., Liang J., Fox J., 2026 – Artificial intelligence in forest monitoring: Uses, applications, adoption and precautions. FAO Forest Monitoring Blog, Food and Agriculture Organization of the United Nations, 6 febbraio 2026.

-Xu Z., Li J., Cheng S., Rui X., Zhao Y., He H., Guan H., Sharma A., Erxleben M., Chang R., Xu L.L., 2025 – Deep learning for wildfire risk prediction: Integrating remote sensing and environmental data. ISPRS Journal of Photogrammetry and Remote Sensing, 227: 632-677. DOI: 10.1016/j.isprsjprs.2025.06.002.

Testi di riferimento indicati dall’autore

-Alma Mater Studiorum - Università di Bologna, 2023 – AI Helps Us Better Understand (and Protect) Forests. UniboMagazine.

-Byrne R., 2025 – Ethical Considerations in the Use of Artificial Intelligence in Ecology. Research & Reviews: Journal of Ecology and Environmental Sciences, 13 (1): 002. DOI: 10.4172/2347-7830.13.1.002.

-Chisom O.N., Biu P.W., Umoh A.A., Obaedo B.O., Adegbite A.O., Abatan A., 2024 – Reviewing the role of AI in environmental monitoring and conservation: A data-driven revolution for our planet. World Journal of Advanced Research and Reviews, 21 (1): 161-171. DOI: 10.30574/wjarr.2024.21.1.2720.

-Corradino C., 2025 – How Artificial Intelligence and Earth Observation Satellites Are Re-Shaping Volcano Monitoring. Annals of Geophysics, 68 (2): V228. DOI: 10.4401/ag-9216.

-Cué La Rosa L.E., Ferrari F., Bezerra F.G.S., De Souza R.A., Maretto R.V., De Aguiar A.P.D., Vinhas L., Happ P.N., Feitosa R.Q., 2024 – XGBoost and multitemporal DETER data for deforestation forecasting. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, X-3-2024: 193-198. DOI: 10.5194/isprs-annals-X-3-2024-193-2024.

-Forsaid Project, 2026 – Forsaid: New Technological Horizons in the Domain of Forest Pest Control.

-Girish, Rao S., Ananth G.S., 2026 – Forest Fire Detection System Using DL. International Advanced Research Journal in Science, Engineering and Technology. IARJSET, 13 (5): 160-169. DOI: 10.17148/IARJSET.2026.13524.

-Global Initiative Against Transnational Organized Crime, 2026 – Artificial Intelligence for Environmental Crime Enforcement: Insights from the Bangkok Workshop on AI and Environmental Crime.

-Goyal A., Bhakhar R., Singh S., 2025 – Limitations and Challenges of AI in Wildlife Conservation. In: Raghav Y.Y., Chauhan A., Pandey P., Khan S.B. – AI and Machine Learning Techniques for Wildlife Conservation. IGI Global Scientific Publishing, Hershey: 363-394. DOI: 10.4018/979-8-3693-6935-7.ch014.

-Khan A., Ali H., Jadoon M., Abideen Z.U., Minuallah N., 2024 – Combatting Illegal Logging with AI-Powered IoT Devices for Forest Monitoring. International Journal of Innovations in Science & Technology, 6 (5): 134-142.

-Laaribya S., Alaoui A., 2025 – Biomass Prediction Using Machine Learning Techniques in Google Earth Engine: A Case Study of the Azrou Forest in the Middle Atlas Mountains, Morocco. Geography, Environment, Sustainability, 18 (3): 43-58. DOI: 10.24057/2071-9388-2025-3876.

-Muhammad A.N., 2021 – The Admissibility of Earth Observation Data in Legal Proceedings: A Closer Look Towards Data Imaging. Indonesia Law Review, 11 (1): 15-28. DOI: 10.15742/ilrev.v11n1.662.

-National Space Council Users’ Advisory Group, Subcommittee on Climate and Societal Benefits, 2023 – Space Data Ethics: The Next Frontier in Responsible Leadership.

-Tamiminia H., Alehi B., Mahdianpari M., Beier C.M., Johnson L., 2022 – A Comparative Analysis of Pixel-Based and Object-Based Approaches for Forest Above-Ground Biomass Estimation Using Random Forest Model. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVI-M-2-2022: 191-196. DOI: 10.5194/isprs-archives-XLVI-M-2-2022-191-2022.

-Williment C., 2025 – How AI Is Protecting Trees from Illegal Logging in Real-Time. Sustainability Magazine.