Gli studi sull’eventuale morbo potrebbero facilitare la prevenzione in modo da preparare azioni flessibili e trasversali per arginare la diffusione di malattie, tra cui la preparazione di un vaccino efficace in breve tempo. La malattia X è anche entrata nell’agenda del Word Economic Forum di Davosin Svizzera.
MALATTIA X
Già nel 2018, quindi prima dell’emergenza Covid, l’Organizzazione mondiale della sanità ha ipotizzato l’arrivo di una pandemia causata da una malattia ancora sconosciuta, chiamata genericamente Disease X ovvero malattia X. Si tratta quindi di una malattia che non esiste, ma il cui studio potrebbe facilitare la prevenzione in modo da preparare azioni flessibili e trasversali per arginare la diffusione di malattie tra cui appunto anche un ipotetico morbo a oggi non noto.
L’INCONTRO AL FORUM DI DAVOS
La malattia X è entrata anche nell’agenda del World Economic Forum di Davos con un incontro coordinato dal direttore generale dell’OMSTedros Adhanom Ghebreyesus. L’evento è dedicato a come affrontare una nuova pandemia da malattia X. Gli esperti – oltre 300 scienziati sono stati radunati dall’Oms già nel novembre 2022 – ipotizzano che questa futura patologia potrebbe causare 20 volte più decessi del Covid.
GHEBREYESUS: “DOBBIAMO AVERE UN SISTEMA DI ALLERTA PRECOCE”
“Abbiamo conosciuto il virus Zika, Ebola e sappiamo cosa può accadere – ha dichiarato Ghebreyesus -, ma dobbiamo avere un piano per una futura e sconosciuta malattia X, di cui parliamo da tanti anni. Il Covid è stata la prima malattia X, ma può riaccadere e dobbiamo essere in grado di anticipare e preparaci a questo”. Per il DG dell’Oms è necessario “avere un sistema di allerta precoce, saper espandere velocemente i sistemi sanitari e investire di più nelle cure primarie”
L’OBIETTIVO
Il direttore esecutivo del Programma per le emergenze sanitarie dell’Oms, Michael Ryan, ha spiegato che accendere i riflettori su virus e agenti patogeni per ricercare e sviluppare contromisure è “essenziale per una risposta rapida ed efficace alle epidemie e alle pandemie”. Parlare di ‘malattia X’, in sostanza, serve ad identificare “lacune di conoscenza e priorità di ricerca” per un elenco di virus e agenti patogeni identificati come prioritari come il COVID19, la febbre emorragica Crimea-Congo e il virusEbola.
RICERCA E PREVENZIONE
In generale, gli sforzi degli esperti si concentrano sull’eventuale risposta contro l’ipotetica malattia, in particolare su vaccini che dovranno essere creati e somministrati per contrastare rapidamente l’emergenza. L’obiettivo è quindi fornire una risposta celere ed efficace soprattutto in caso di una diffusione su larga scala della malattia.
I RISCHI
È importante quindi arrivare preparati a una tale evenienza. “Mettiamola così – spiega al Mail Online Kate Bingham, una degli esperti che ha presieduto la task force sui vaccini nel Regno Unito tra maggio e dicembre del 2020 -, la pandemia influenzale del 1918-1919 uccise almeno 50 milioni di persone in tutto il mondo, il doppio di quante furono uccise nel corso della prima guerra mondiale. Oggi, potremmo aspettarci un numero di vittime simile causato da uno dei tanti virus già esistenti“.
“NON TUTTI VIRUS MINACCIANO L’UOMO”
Bingham ha precisato che “non tutti rappresentano una minaccia per gli esseri umani, ovviamente, ma alcuni sì”. La professoressa ha poi spiegato che gli scienziati sono attualmente a conoscenza di 25 famiglie di virus, ciascuna delle quali comprende fino a migliaia di singoli virus che hanno tutti il potenziale per evolversi in una pandemia.
I TRE FATTORI CHIAVE
Spiegando l’eventualità di un aumento del rischio pandemie, Bingham ha individuato tre fattori chiave come la globalizzazione, il sovrappopolamento delle città e la deforestazione, i quali hanno creato le “condizioni ideali affinché i virus possano passare da una specie all’altra”
PROTOTIPI DI VACCINI
Bingham ha sottolineato l’importanza di realizzare una raccolta di “diversi prototipi di vaccini(trials, come quelli iniettati alle persone contro il COVID19) per ogni famiglia di virus minacciosi” di cui siamo a conoscenza prima che inizi l’eventuale prossima pandemia. Con questo “vantaggio” i vaccini potrebbero essere progettati per “prendere di mira le caratteristiche molto specifiche della malattia X”.
I COSTI
Per l’esperta è necessario “fare i primi passi per affrontare la prossima pandemia in questo momento e questo implica mettere soldi sul tavolo. Eppure ci sono pochissime prove che siamo disposti a spendere qualcosa di lontanamente paragonabile per proteggerci dai virus reali”. Il costo monetario dell’inazione è però “sismico: il Covid, un virus probabilmente più lieve dell’eventuale Malattia X, è riuscito a lasciarci con un conto di 16mila miliardi di dollari sia in termini di perdita di produzione che di spesa sanitaria pubblica”, ha affermato Bingham.
IL LABORATORIO
Qualcosa però si sta muovendo. Nel Regno Unito è stato aperto un laboratorio dove verranno studiati possibili vaccini sia per contrastare l’infezione ancora sconosciuta che virus già noti, ma ritenuti pericolosi per il loro potenziale epidemico.
LA RICERCA DELL’ANTIDOTO
La sfida degli scienziati britannici è riuscire a fermare i nuovi virus con un antidoto ad hoc entro cento giorni dall’identificazione. Si tratta di un obiettivo globale fissato dal G7 nel 2021 che mira a distribuire un vaccino contro qualsiasi nuova minaccia pandemica entro questa finestra temporale.
MALATTIE CON POTENZIALE EPIDEMICO
Ma quali sono le malattie che hanno un potenziale epidemico? La lista OMS delle malattie che presentano il maggior rischio per la salute pubblica comprende COVID19, febbre emorragica Congo-Crimea, malattia da virus Ebola e malattia da virus di Marburg, febbre di Lassa, sindrome respiratoria da coronavirus Medio Orientale (MERS-CoV) e Sindrome Acuta Respiratoria grave (SARS), infezione da virus Nipah e malattie causate da henipavirus, febbre della Rift Valley, infezione da virus Zika e infine malattia X.
DISEASE X: WHAT IS THE DISEASE HYPOTHEZED BY THE WHO IN FEBRUARY 2018 AND WHAT ARE THE RISKS
Studies on the possible disease could facilitate prevention in order to prepare flexible and transversal actions to stem the spread of diseases, including the preparation of an effective vaccine in a short time. Disease X also entered the agenda of the World Economic Forum in Davos, Switzerland.
DISEASE X
Already in 2018, therefore before the COVID emergency, the World Health Organization hypothesized the arrival of a pandemic caused by a still unknown disease, generically called Disease but the study of which could facilitate prevention in order to prepare flexible and transversal actions to stem the spread of diseases, including a hypothetical disease not known to date.
THE MEETING AT THE DAVOS FORUM
Disease X also entered the agenda of the World Economic Forum in Davos with a meeting coordinated by WHO Director General Tedros Adhanom Ghebreyesus. The event is dedicated to how to deal with a new disease.
GHEBREYESUS: “WE MUST HAVE AN EARLY WARNING SYSTEM”
“We have known the Zika virus, Ebola and we know what can happen – declared Ghebreyesus -, but we must have a plan for a future and unknown disease X, which we have been talking about for many years. Covid was the first disease happen again and we need to be able to anticipate and prepare for that.” For the WHO directorate it is necessary “to have an early warning system, to be able to quickly expand health systems and invest more in primary care”.
THE TARGET
Executive Director of the WHO Health Emergencies Programme, Michael Ryan, explained that shining a spotlight on viruses and pathogens to research and develop countermeasures is “essential for a rapid and effective response to epidemics and pandemics.” Talking about ‘disease.
RESEARCH AND PREVENTION
In general, experts’ efforts focus on the possible response against the hypothetical disease, in particular on vaccines that will have to be created and administered to rapidly counteract the emergency. The objective is therefore to provide a rapid and effective response especially in the event of a large-scale spread of the disease.
THE RISKS
It is therefore important to be prepared for such an eventuality. “Let’s put it this way – explains to Mail Online Kate Bingham, one of the experts who chaired the vaccine task force in the United Kingdom between May and December 2020 -, the 1918-1919 influenza pandemic killed at least 50 million people around the world , twice as many as were killed during World War I. Today, we might expect a similar death toll caused by one of the many viruses that already exist.”
“NOT ALL VIRUSES THREATEN HUMANS”
Bingham clarified that “not all pose a threat to humans, of course, but some do.” The professor then explained that scientists are currently aware of 25 virus families, each comprising up to thousands of individual viruses that all have the potential to evolve into a pandemic.
THE THREE KEY FACTORS
Explaining the possibility of an increased risk of pandemics, Bingham identified three key factors such as globalization, the overpopulation of cities and deforestation, which have created the “ideal conditions for viruses to pass from one species to another”.
VACCINE PROTOTYPES
Bingham stressed the importance of making a collection of “several vaccine prototypes (trials, like those injected into people against COVID19) for every family of threatening viruses” that we know of before the possible next pandemic begins. With this “advantage” vaccines could be designed to “target very specific characteristics of disease X.”
COSTS
For the expert it is necessary “to take the first steps to face the next pandemic right now and this means putting money on the table. Yet there is very little evidence that we are willing to spend anything remotely comparable to protect ourselves from real viruses”. The monetary cost of inaction, however, is “seismic: Covid, a virus probably milder than the eventual Disease , Bingham said.
THE LAB
But something is moving. A laboratory has been opened in the United Kingdom where possible vaccines will be studied both to combat the still unknown infection and viruses already known, but considered dangerous due to their epidemic potential.
THE SEARCH FOR THE ANTIDOTE
The challenge for British scientists is to be able to stop new viruses with an ad hoc antidote within one hundred days of identification. This is a global target set by the G7 in 2021 to deliver a vaccine against any new pandemic threat within this time window.
DISEASES WITH EPIDEMIC POTENTIAL
But what are the diseases that have epidemic potential? The WHO list of diseases posing the greatest risk to public health includes COVID19, Crimean Congo haemorrhagic fever, Ebola virus disease and Marburg virus disease, Lassa fever, Middle East respiratory syndrome coronavirus (MERS-CoV), and Severe Acute Respiratory Syndrome (SARS), Nipah virus infection and diseases caused by henipavirus, Rift Valley fever,Zika virus infection and finally disease X.
I 5 progetti diabolici del World Economic Forum.
– Malattia X (Pandemia Globale)
– Nuovo Ordine Mondiale
– Controllo Digitale
– Censura della "Disinformazione"
– La distruzione dell'Agricoltura
Ordine dal Caos: generano il caos per poi portare un nuovo ordine.
Dott. Alessio Brancaccio, tecnico ambientale Università degli Studi di L’Aquila, membro della Fondazione Michele Scarponi Onlus, ideologo e membro del movimento ambientalista Ultima Generazione A22 Network per contrastare il Riscaldamento Globale indotto artificialmente
A Davos in Svizzera, al World Economic Forum(WEF), oggi si è parlato del “virus X”, di cui si sa pochissimo, tanto che non ha un nome. Ma già si parla di vaccini e misure di contenimento ad un virus che potrebbe causare 20 volte più morti del COVID19.
Tasse ed espropriazioni: il 2024 è critico anche per gli agricoltori italiani, annunciata protesta.
Via libera del Governo alla vendita di TIM: il fondo americano KKR prenderà il controllo delle telecomunicazioni italiane, ultimando il processo di svendita delle aziende italiane avviato da Mario Draghi nel 1992.
Sono sempre meno i giovani che rimangono nel Sud Italia o Mezzogiorno. L’allarme in un rapporto della SVIMEZ che prevede questo andamento fino al 2080.
English translate
In Davos in Switzerland, at the World Economic Forum (WEF), today there was talk about "virus X", about which very little is known, so much so that it doesn't have a name. But there is already talk of vaccines and containment measures for a virus that it could cause 20 times more deaths than COVID19.
Taxes and expropriations: 2024 is also critical for Italian farmers, protest announced.
Government gives green light to the sale of TIM: the American fund KKR will take control of Italian telecommunications, completing the process of selling off Italian companies started by Mario Draghi in 1992.
There are fewer and fewer young people who remain in Southern Italy or Mezzogiorno. The alarm in a report by SVIMEZ which predicts this trend until 2080.
AGRICOLTORI, ARRIVA LA "MAZZATA": RIVOLTA ANCHE IN ITALIA?
Proteste per quanto deciso dal governo nella Legge di bilancio 2024. Si apre anche il caso dei terreni espropriati. Come si stanno organizzando gli agricoltori italiani. https://t.co/KamGcK9DN2
This is the end hold your breath and count to ten, felle the #Earth move and then, hear my heart burst again for this is the end, I've drowned and dreamt this moment, so overdue I owe them swept await I'm stolen
“This is the end Hold your breath and count to ten Feel the Earth move and then Hear my heart burst again For this is the end I’ve drowned and dreamt this moment So overdue, I owe them Swept away, I’m stolen
Let the sky fall When it crumbles We will stand tall Face it all together Let the sky fall When it crumbles We will stand tall Face it all together At Skyfall At Skyfall
Skyfall is where we start A thousand miles and poles apart Where worlds collide and days are dark You may have my number, you can take my name But you’ll never have my heart
Let the sky fall (let the sky fall) When it crumbles (when it crumbles) We will stand tall (we will stand tall) Face it all together Let the sky fall (let the sky fall) When it crumbles (when it crumbles) We will stand tall (we will stand tall) Face it all together At Skyfall
Where you go, I go What you see, I see I know I’d never be me Without the security Of your loving arms Keeping me from harm Put your hand in my hand And we’ll stand
Let the sky fall (let the sky fall) When it crumbles (when it crumbles) We will stand tall (we will stand tall) Face it all together Let the sky fall (let the sky fall) When it crumbles (when it crumbles) We will stand tall (we will stand tall) Face it all together At Skyfall
Let the sky fall We will stand tall At Skyfall Ooh”
TRADUZIONE ITALIANA CANZONE SKYFALL ADELE, COLONNA SONORA 007
Questa è la fine Trattieni il respiro e conta fino a dieci Senti la Terra muoversi e poi Sentire il mio cuore scoppiare di nuovo Perché questa è la fine Sono annegato e ho sognato questo momento Così in ritardo, glielo devo Spazzato via, mi hanno rubato Lascia cadere il cielo Quando si sbriciola Resteremo in piedi Fatelo tutti insieme Lascia cadere il cielo Quando si sbriciola Resteremo in piedi Fatelo tutti insieme A Skyfall A Skyfall Skyfall è il punto in cui iniziamo Mille miglia e poli distanti Dove i mondi si scontrano e i giorni sono bui Potresti avere il mio numero, puoi prendere il mio nome Ma non avrai mai il mio cuore Lascia cadere il cielo (lascia cadere il cielo) Quando si sbriciola (quando si sbriciola) Resteremo in piedi (staremo in piedi) Fatelo tutti insieme Lascia cadere il cielo (lascia cadere il cielo) Quando si sbriciola (quando si sbriciola) Resteremo in piedi (staremo in piedi) Fatelo tutti insieme A Skyfall Dove vai tu vado anche io Ciò che vedi, lo vedo So che non sarei mai me stesso Senza la sicurezza Delle tue braccia amorevoli Preservandomi dal male Metti la tua mano nella mia mano E noi resisteremo Lascia cadere il cielo (lascia cadere il cielo) Quando si sbriciola (quando si sbriciola) Resteremo in piedi (staremo in piedi) Fatelo tutti insieme Lascia cadere il cielo (lascia cadere il cielo) Quando si sbriciola (quando si sbriciola) Resteremo in piedi (staremo in piedi) Fatelo tutti insieme A Skyfall Lascia cadere il cielo Resteremo in piedi A Skyfall Ooh
Dott. Alessio Brancaccio, tecnico ambientale Università degli Studi di L’Aquila, membro partecipante ordinario Fondazione Michele Scarponi Onlus, ideologo e membro del movimento ambientalista Ultima Generazione appartenente alla Rete Internazionale A22 in contrasto al Cambiamento Climatico in atto
IL CASO. Il Centro Bregaglia ha chiuso il 2022 con un utile di 1,4 milioni di franchi e un incremento del 32%. Sono stati reclutati dipendenti e medici italiani, quelli che da noi mancano. Piena anche la casa di riposo
Ospedale e medicina di base in difficoltà in Valchiavenna. Poco oltre confine, invece, le cose vanno a gonfie vele. Sono eccellenti i risultati economici del Centro Sanitario Bregaglia approvati nei giorni scorsi dal municipio della località svizzera. Il bilancio 2022 si è chiuso con un utile di 1,469 milioni di franchi a fronte di un fatturato superiore ai 10 milioni. Il tutto con un incremento di utile rispetto al 2021 del 32%.
«I risultati sono ottimi – ha commentato il presidente della commissione di gestione Maurizio Michael – e ci lasciano ben sperare per gli investimenti che ci attendono per il futuro». Già, perché il centro di Spino ha intenzione di ingrandirsi ancora con un maxi progetto da 15 milioni di euro. La vera novità degli ultimi anni è il rafforzamento del servizio di studio medico con il reclutamento di alcuni medici provenienti proprio dall’Italia. Alcuni, come il recente caso di Luca De Giambattista che ha lasciato l’incarico in Italia e si è trasferito oltre confine, in forza fino a poco tempo prima negli ambulatori valchiavennaschi. E in valle i medici continuano a scarseggiare, tanto che ci sono ancora centinaia di valligiani privi di una assegnazione.
Dott. Alessio Brancaccio, tecnico ambientale Università degli Studi di L’Aquila, ideologo e consulente tecnico movimento ambientalista Ultima Generazione A22 Network e membro attivo della Fondazione Michele Scarponi Onlus
L’86a edizione del Tour de Suisse, che verrà ricordata per la scomparsa del corridore rossocrociato Gino Mäder, è stata vinta da uno straordinario Mattias Skjelmose. Il danese della Trek-Segafredo, in giallo dalla quinta tappa, si è difeso alla perfezione nella cronometro conclusiva dagli attacchi del campione del mondo Remco Evenepoel e soprattutto di Juan Ayuso. Allo spagnolo non è infatti bastato vincere l’ottava e ultima tappa per recuperare i 18″ secondi di distacco che lo separavano dalla vetta, con Skjelmose che è giunto terzo ad appena 9″ dal vincitore di giornata.
Anche Evenepoel, il quale aveva comunque 46″ di ritardo dalla maglia gialla, ha tentato di rimontare, ma alla fine si è dovuto accontentare del secondo posto odierno e del terzo nella generale. A fornire un’ottima prestazione nei 25,7km tra San Gallo e Abtwil è pure stato l’elvetico Stefan Bissegger, che ha chiuso con il quarto tempo a 23″ dall’iberico.
Dott. Alessio Brancaccio, tecnico ambientale Università degli Studi di L’Aquila, ideologo e consulente tecnico movimento ambientalista Ultima Generazione A22 Network e membro attivo della Fondazione Michele Scarponi Onlus
Dott. Alessio Brancaccio, tecnico ambientale Università degli Studi di L’Aquila, ideologo e consulente tecnico movimento ambientalista Ultima Generazione A22 Network e membro attivo della Fondazione Michele Scarponi Onlus
Stando a quanto riportato dalla Stampa, Jj4, esemplare femmina nata nel 2006, è diretta discendente del nucleo originario di plantigradi trasferiti dalla Slovenia al Trentino nell’ambito del progetto Life Ursus per il ripopolamento degli orsi sull’arco alpino italiano.
L’orsa è figlia di Joze (maschio rilasciato nel 2000) e Jurka (femmina rilasciata nel 2001); nel suo «album di famiglia» non figura come l’unico esemplare ad aver manifestato comportamenti aggressivi nei confronti dell’uomo.
JJ1, detto «Bruno» e primo figlio della coppia di orsi sloveni, era nato nel nel Parco Naturale Adamello Brenta nel 2004. L’animale prima sconfinò in Austria, per arrivare infine in territorio tedesco dove si diede a quotidiane scorrerie presso le produzioni di miele e a sistematiche predazioni di greggi.
I tedeschi saranno pure green ma a differenza degli italiani antepongono gli interessi umani alle razzie di un animale: le autorità bavaresi dapprima cercarono di allontanare l’animale mediante utilizzo di esperti finlandesi che si avvalevano di cani addestrati.
All’ennesimo tentativo fallito, si optò per il fucile: Bruno venne abbattuto il 26 Giugno 2006 e il suo corpo venne impagliato ed esposto nel museo Mensch und Natur nel Castello di Nymphenburg, a Monaco di Baviera.
La stessa sorte è toccata all’orso Jj3, altro figlio di Joze e Jurka. A premere il grilletto furono le autorità federali del Cantone dei Grigioni, in Svizzera, dove l’orso era sconfinato manifestando fin da subito un comportamento troppo «disinvolto» nei confronti dell’uomo, con frequenti visite nei centri abitati alla ricerca di cibo.
Anche qui, per evitare di piangere sul cadavere di qualcuno, si era optato prima per l’allontanamento e poi per l’abbattimento, avvenuto il 14 Aprile 2008.
«Quando le autorità federali e cantonali decisero per l’abbattimento di Jj3 dovetti riconoscere che anche sul piano scientifico era la scelta giusta (Giusta? Lo metti in isolamento, no che lo ammazzi, c’è una bella differenza! Ma che cazzo stai a dì?): l’orso non si era dimostrato pericoloso per l’uomo ma per anni aveva aggredito greggi e arnie, entrava in malghe e giardini e non potevamo escludere un incidente: la tolleranza della popolazione locale aveva raggiunto il punto minimo possibile». Le dichiarazioni sono di Paolo Molinari, zoologo che tra il 2007 e il 2008 fu chiamato nei Grigioni centrali, tra Lenzerheide e la Valle dell’Albula, proprio per studiare il comportamento di Jj3, organizzare le operazioni di dissuasione dagli ambienti antropizzati e coordinare la formazione dei guardacaccia locali.
JJ3, dopo essere stato abbattuto, è stato imbalsamato ed esposto al Museo di storia naturale di Coira, nei Grigioni.
Il legame di sangue tra Jj3 e Jj4 è importante per spiegare due cose: innanzitutto che quando in Svizzera si parla di orso c’entra sempre il Trentino. Jj3 era arrivato da lì, così come l’altro fratello Jj2, soprannominato Lumpaz e di cui non si hanno più notizie da anni, che nel 2005 spuntò sul Passo del Forno, nei pressi di Zernez, e fu il primo plantigrado osservato sul territorio elvetico 101 anni dopo l’abbattimento dell’ultimo esemplare autoctono.
La vicenda di JJ3 servì da impulso per la nascita della piattaforma Wiso(Large Carnivores, Wild Ungulates and Society), istituita nell’ambito della Convenzione delle Alpi ed incentrata su incontri periodici nei quali si scambiano informazioni sui grandi carnivori e si discutono possibili misure di gestione tenendo conto delle diverse politiche dei Paesi alpini. Il mandato di Wiso prevede il monitoraggio genetico e della mobilità transfrontaliera di orsi, lupi, linci e stambecchi.
«Quando le autorità federali e cantonali decisero per l’#abbattimento di #Jj3 dovetti riconoscere che anche sul #pianoscientifico era la scelta giusta (Giusta? Lo metti in #isolamento, no che lo ammazzi, c'è una bella differenza! Ma che cazzo stai a dì?)
"When the federal and cantonal authorities decided to #slay#Jj3#bear, I had to recognize that even on the #scientificlevel it was the right choice. (Right? You put him in #isolation, not #kill him, there's a big difference! But what fuck are you saying?)
Paolo Molinari, il zoologo che ha studiato zoologia forestale all’Università di Padova ed esperto del gruppo SCALP. Eccolo qui il fenomeno che dice va bene sparare agli orsi, il che cozza completamente con il suo compito di preservare e tutelare la vita degli animali selvatici nelle aree protette. Metterli in islamnto invece di ucciderli no eh? Manco la prendiamo in considerazione l’idea! Ma io vorrei sapere chi cazzo fà lavorare questa gentaglia in questo Paese di merda!!!
Dott. Alessio Brancaccio, tecnico ambientale Università degli Studi di L’Aquila, ideologo e consulente tecnico movimento ambientalista Ultima Generazione A22 Network e membro attivo della Fondazione Michele Scarponi Onlus
Data Science spotlights sustainability. Data Science is on everyone’s mind – be it in business, medicine or the arts – and can play a key role in solving a range of riddles. That’s why Alexandra Strohmeier, a graduate from our programme, dedicated her Master’s thesis to the topic of how Data Science can help us fight climate change. Or more precisely, how artificial intelligence (AI) can stop the destruction of the Amazon rainforest before it’s too late. Read Alexandra’s article to learn what she found, about ways of beating the clock, and other insights about what the future holds in store. Happy reading!
The ominous consequences of a destroyed and threatened Amazon rainforest are striking not only for the people and animals there but trigger a ripple that affects all of us worldwide. Effect: Chopping down the rainforest accelerates climate change. Cause: Nowhere else are more trees being chopped down than in the Amazon rainforest (Laurence, et al., 2002). The Amazon basin has about 60 percent of the world’s remaining rainforest – and biodiversity will suffer if human activity causes it to shrink further. The logical consequence is that the regional and global climates are thrown off balance.
The numbers speak clearly for themselves: The latest studies indicate that the rainforest currently emits more CO2 than it binds. In fact, tropical rainforests are known to absorb CO2 and play a key role in the fight against climate change. For example: The Brazilian part of the Amazon region released about 18 percent more CO2 between 2010 and 2019 than it stored. In other words, the Amazon basin released around 16.6 billion tons of CO2 into the environment but absorbed only around 13.9 tons (Thome, 2021, p.1).
AI as both a crystal ball and a protective shield AI can add value by helping us identify risk areas in the Amazon rainforest at an early stage and thus find ways to actively counteract deforestation. This is exactly what I tried to study in detail in my Master’s thesis. I developed AI models that can play a mediator role, not only for identifying risk areas but also for visualizing potentially serious detrimental effects and predicting them, for example for the benefit of political parties looking to take preventive measures and protect the areas.
For my research, I asked myself: “How effectively can AI predict deforestation risk areas and to what extent can structured and non-structured data contribute to the overall effect?” To answer this question, I used various deep-learning algorithms. Deep learning in turn relies on artificial neural networks that enable a computer to learn from historical data. The prerequisite for this is that the computer is “fed” with data. In my case, I used satellite imagery from Sentinel2, an Earth observation satellite of the European Union’s Copernicus program, as well as structured data on population, socio-economic factors, crime and land use.
Predicting deforestation thanks to mixed-data neural networks Artificial neural networks need a lot of data to ensure reliable classification, and I thus chose the largest possible area for my research, i.e. the entire Brazilian Amazon basin.
I obtained the deforestation data with the help of PRODES (Programa Despoluição de Bacias Hidrográficas), a project of the Brazilian government. I then created a model by using mixed-data neural networks consisting of a coherent combination of several neural networks. Both satellite imagery and structured data can be used simultaneously as input dimensions, so combining different data sources and data types allows for better classification.
I found some examples in my research of how deep-learning models can be used to identify the deforestation of the Amazon rainforest. The substantial difference is that my project identifies the risk areas and doesn’t just focus on deforestation per se. In other words, I focused on areas that are still intact but that could potentially be deforested.
Procedure: All good things (models in this case) come in threes
The artificial neural networks I created in my project are meant to identify those areas that are at risk of deforestation. At first, whether legal or illegal logging was taking place in the affected areas was not so important. How did I go about this? I first used two models, namely the convolutional neural network (CNN) and the multilayer perceptron neural network (MLP) to identify the risk areas.
First model: The MLP helped me to process the structured data and use it to predict which areas were at risk of deforestation.
Second model: The CNN, on the other hand, let me predict deforestation risk based on visual indicators such as satellite imagery. The unique thing here is that these images have a normalized difference vegetation index (NDVI) that measures vegetation. In other words, the CNN shows how many trees grow in a particular area.
Third model: Finally, I combined the first two models into a single third model. With this multi-input model, which can process different data types, I wanted to achieve higher accuracy and better classification.
I used the logging data from PRODES for the labelling, which meant defining the risk areas by dividing the region in question into a grid based on the structured and unstructured data I was using. The grid is made up of cuboids corresponding to the size of the individual satellite images. A risk area is subsequently a cuboid in which the model predicts the risk of deforestation.
No project without hurdles and challenges Preparing the data for the structured model was harder than I had anticipated. The challenge was to study the above-mentioned data sets in detail, all of which also contain a geo-component, and to convert them into a relational format.
For this, I converted the data into geopandas data frames that enabled me to aggregate and merge the datasets based on the geography (the cuboids). A tricky step, because some of the relevant data, such as on conflicts, did not have a point in every quadrant in the grid, and I thus had to use another method for those cases. For conflicts, roads, airports and so on, I took the distances into account and calculated how far apart the data points are for each quadrant.
I then assigned the labels “risk area” and “no-risk area” based on the deforestation data. This meant calculating how many square kilometers were deforested in the different quadrants by assigning the label “1” to quadrants with deforestation (risk area) and the label “0” to those without deforestation.
Results: AI looks into the future
After preparing the data, I divided it into a training data set and a test data set. The training dataset had 33,449 quadrants and the test dataset 11,148 had quadrants. Modelling the structured data using an MLP had a 75.2% accuracy for the training dataset and a 74.9% accuracy for the test dataset. On the other hand, the visual model with satellite images had an 85% accuracy for the training data set and a 79% accuracy for the test data set. This told me that the unstructured model produced better results. In the course of the experiment, I also frequently noticed some overfitting problems in the unstructured models, a phenomenon whereby a machine learning model excessively adjusts, or “overfits,” to the training data it knows and thus responds poorly to new, unknown data. One way to avoid the overfitting effect is to use large training data sets, for example.
A Resnet50 architecture enabled me to achieve the best results because it’s a 50-layer-deep model that can be used to train nested neural networks. In other words, I gave the Resnet50 architecture the task to recognize satellite images. I think it did a very good job and produced results quickly.
Mixed-data neural network: Special architecture for more accurate results After validating and testing the various models, I combined them into a mixed-data version. Working with mixed-data neural networks requires several specific steps in preparing the data. For example, I had to use the special data generator functions in Keras to enter both data types. Keras is an open-source library for deep learning in Python and helps to create and train neural networks and implements special functions such as data generators, which in turn can feed data into the model.
I used the following network architecture for the mixed-data neural network with the best performance:
Just what exactly is this architecture all about? Figure on the left: Network architecture (detail) Mixed-Data Neural Network Click here for a large view (PDF)
It contains the ResNet50 model from the CNN and is combined with the MLP. Furthermore, it introduces regularizations. The results of the model show a good line progression without any overfit. Both lines become more accurate in time, with validation loss decreasing steadily. The test is 79.37% accurate; training is 79.38% accurate.
I worked with a Confusion Matrix to help me understand the performance of a model in terms of accuracy, sensitivity, and specificity. I found it to be a useful tool for assessing classification models because it gave me the number of correctly and incorrectly classified examples to decide whether the model needs improvement or is suitable for the given task.
The confusion matrix above shows that 6,562 values are “true negatives” and 2,287 are “true positives.” It produced only 454 “false negatives” and 1,845 “false positives.” For me, this combined mixed-data model clearly shows that it delivers better results than the isolated MLP and CNN models.
The following visualization compares the predicted and true labels and shows that the mixed-data neural network recognizes most risk areas. Only in the northwest region is the density of identified risk areas lower than for the true labels, which means there is still room for improvement.
Conclusion: AI can help save the Amazon rainforest
Visual models like CNN perform better than structured models such as the MLP. This is because already tried-and-tested network architectures such as ResNet50 were used. What I liked the most was that the combination of the different models achieved the most considerable values, thus eliminating the problem of overfitting.
In summary: The accuracy in the mixed data model was 89% for the training data set and 79% for the test data set. I can thus confirm my hypothesis that combining structured and unstructured data helps to make more accurate predictions. With AI’s help, we can anticipate the risk areas in the Amazon basin and consequently protect them from deforestation and destruction.
Outlook: Still some room for improvement
We might be led to conclude that all’s well and good. Having finished my Master’s thesis, however, I’d like to zoom out and summarize my findings as follows: Modelling naturally has its limits. And the data labelling method is not error-free by any means, on the contrary. For example, when it comes to identifying patterns in satellite imagery that could lead to deforestation based on unstructured data, CNN may produce better results.
Furthermore, it would be interesting to learn how different labelling methods affect the model quality. In this case, the model made it hard to predict deforestation, which was not yet visible in the cuboid with a deforestation label. However, I would be very interested to see how the models would change if the images were labelled so as to show deforestation in the individual images. In addition, distinguishing between legal and illegal deforestation would mean a big step forward because we could then classify the latter. And, last but not least, it is certainly important to include further structured data to identify factors other than those already known to be endangering the Amazon rainforest.
I have already thought a lot about how to proceed with the project. As a first step, I would very much like to publish the project and also make the source code accessible as an open source project. It remains exciting, more about that at a later date.
We sincerely thank Alexandra Strohmeier for the interesting insights into this fascinating project!
Applied Data Science Professional Portraits & Research Portraits
Data is the resource of the 21st century. Sign up & join us for a live talk info-event: Would you like to learn more about the MSc in Applied Information and Data Science degree programme? Come and visit our information events (online or on-site) and find out more details in a personal conversation with the heads of the programme.
Contact us if you have any questions about our degree programme or for individual advice: Tel.: +41 41 228 42 53 / E-mail: master.ids@hslu.ch
Scienza dei dati applicata - AI sociale: salvare la foresta pluviale amazzonica con l'intelligenza artificiale e Alexandra Strohmeier
La scienza dei dati mette in luce la sostenibilità. La scienza dei dati è nella mente di tutti, che si tratti di affari, medicina o arte, e può svolgere un ruolo chiave nella risoluzione di una serie di enigmi. Ecco perché Alexandra Strohmeier, una laureata del nostro programma, ha dedicato la sua tesi di laurea magistrale al tema di come la scienza dei dati può aiutarci a combattere il cambiamento climatico. O più precisamente, come l'intelligenza artificiale (AI) può fermare la distruzione della foresta pluviale amazzonica prima che sia troppo tardi. Leggi l'articolo di Alexandra per scoprire cosa ha scoperto, come battere il tempo e altri approfondimenti su ciò che il futuro ha in serbo. Buona lettura!
Perché la foresta pluviale è così importante per il nostro futuro
Le minacciose conseguenze di una foresta pluviale amazzonica distrutta e minacciata non colpiscono solo le persone e gli animali, ma innescano un'ondata che colpisce tutti noi in tutto il mondo. Effetto: abbattere la foresta pluviale accelera il cambiamento climatico. Causa: in nessun altro luogo vengono abbattuti più alberi che nella foresta pluviale amazzonica (Laurence, et al., 2002). Il bacino amazzonico ha circa il 60 percento della foresta pluviale rimanente del mondo e la biodiversità ne risentirà se l'attività umana la farà restringere ulteriormente. La conseguenza logica è che i climi regionali e globali vengono sbilanciati.
I numeri parlano chiaro: gli ultimi studi indicano che attualmente la foresta pluviale emette più CO2 di quanta ne trattiene. È noto infatti che le foreste pluviali tropicali assorbono CO2 e svolgono un ruolo chiave nella lotta al cambiamento climatico. Ad esempio: la parte brasiliana della regione amazzonica ha rilasciato circa il 18% in più di CO2 tra il 2010 e il 2019 rispetto a quanto immagazzinato. In altre parole, il bacino amazzonico ha rilasciato nell'ambiente circa 16,6 miliardi di tonnellate di CO2 ma ne ha assorbite solo circa 13,9 tonnellate (Thome, 2021, p.1).
Impressioni dalla deforestazione della foresta pluviale amazzonica
AI sia come sfera di cristallo che come scudo protettivo
L'intelligenza artificiale può aggiungere valore aiutandoci a identificare le aree a rischio nella foresta pluviale amazzonica in una fase iniziale e quindi a trovare modi per contrastare attivamente la deforestazione. Questo è esattamente ciò che ho cercato di studiare in dettaglio nella mia tesi di laurea. Ho sviluppato modelli di intelligenza artificiale che possono svolgere un ruolo di mediazione, non solo per identificare le aree a rischio, ma anche per visualizzare gli effetti dannosi potenzialmente gravi e prevederli, ad esempio a beneficio dei partiti politici che cercano di adottare misure preventive e proteggere le aree.
Per la mia ricerca, mi sono chiesto: "Quanto efficacemente l'IA può prevedere le aree a rischio di deforestazione e in che misura i dati strutturati e non strutturati possono contribuire all'effetto complessivo?"
Per rispondere a questa domanda, ho utilizzato vari algoritmi di deep learning. Il deep learning a sua volta si basa su reti neurali artificiali che consentono a un computer di apprendere dai dati storici. Il prerequisito per questo è che il computer sia "alimentato" con i dati. Nel mio caso, ho utilizzato le immagini satellitari di Sentinel2, un satellite di osservazione della Terra del programma Copernicus dell'Unione Europea, oltre a dati strutturati su popolazione, fattori socio-economici, criminalità e uso del territorio.
Previsione della deforestazione grazie a reti neurali a dati misti
Le reti neurali artificiali hanno bisogno di molti dati per garantire una classificazione affidabile, e quindi ho scelto l'area più ampia possibile per la mia ricerca, ovvero l'intero bacino dell'Amazzonia brasiliana.
Ho ottenuto i dati sulla deforestazione con l'aiuto di PRODES (Programa Despoluição de Bacias Hidrográficas), un progetto del governo brasiliano. Ho quindi creato un modello utilizzando reti neurali a dati misti costituite da una combinazione coerente di diverse reti neurali. Sia le immagini satellitari che i dati strutturati possono essere utilizzati contemporaneamente come dimensioni di input, quindi la combinazione di diverse fonti di dati e tipi di dati consente una migliore classificazione.
Ho trovato alcuni esempi nella mia ricerca su come i modelli di deep learning possono essere utilizzati per identificare la deforestazione della foresta pluviale amazzonica. La differenza sostanziale è che il mio progetto identifica le aree a rischio e non si concentra solo sulla deforestazione in sé. In altre parole, mi sono concentrato su aree ancora intatte ma potenzialmente deforestabili.
Procedura: tutte le cose buone (modelli in questo caso) arrivano in tre
Le reti neurali artificiali che ho creato nel mio progetto hanno lo scopo di identificare quelle aree che sono a rischio di deforestazione. All'inizio, il fatto che nelle aree colpite avvenisse un disboscamento legale o illegale non era così importante. Come ho fatto?
Per prima cosa ho utilizzato due modelli, vale a dire la rete neurale convoluzionale (CNN) e la rete neurale perceptron multistrato (MLP) per identificare le aree a rischio.
Primo modello: l'MLP mi ha aiutato a elaborare i dati strutturati e utilizzarli per prevedere quali aree erano a rischio di deforestazione.
Secondo modello: la CNN, d'altra parte, mi permette di prevedere il rischio di deforestazione sulla base di indicatori visivi come le immagini satellitari. La cosa unica qui è che queste immagini hanno un indice di vegetazione differenza normalizzato (NDVI) che misura la vegetazione. In altre parole, la CNN mostra quanti alberi crescono in una determinata area.
Terzo modello: infine, ho unito i primi due modelli in un unico terzo modello. Con questo modello multi-input, in grado di elaborare diversi tipi di dati, volevo ottenere una maggiore precisione e una migliore classificazione.
Ho utilizzato i dati di registrazione di PRODES per l'etichettatura, il che significava definire le aree a rischio suddividendo la regione in questione in una griglia basata sui dati strutturati e non strutturati che stavo utilizzando. La griglia è composta da parallelepipedi corrispondenti alle dimensioni delle singole immagini satellitari. Un'area a rischio è successivamente un parallelepipedo in cui il modello prevede il rischio di deforestazione.
Nessun progetto senza ostacoli e sfide
Preparare i dati per il modello strutturato è stato più difficile di quanto mi aspettassi. La sfida era studiare in dettaglio i suddetti set di dati, che contengono tutti anche una componente geografica, e convertirli in un formato relazionale.
Per questo, ho convertito i dati in frame di dati geopanda che mi hanno permesso di aggregare e unire i set di dati in base alla geografia (i cuboidi). Un passaggio complicato, perché alcuni dei dati rilevanti, come i conflitti, non avevano un punto in ogni quadrante della griglia, e quindi ho dovuto usare un altro metodo per quei casi. Per conflitti, strade, aeroporti e così via, ho preso in considerazione le distanze e ho calcolato quanto sono distanti i punti dati per ogni quadrante.
Ho quindi assegnato le etichette "area a rischio" e "area non a rischio" sulla base dei dati di deforestazione. Ciò ha comportato il calcolo di quanti chilometri quadrati sono stati disboscati nei diversi quadranti assegnando l'etichetta “1” ai quadranti con disboscamento (area a rischio) e l'etichetta “0” a quelli senza disboscamento.
Risultati: l'IA guarda al futuro
Dopo aver preparato i dati, li ho divisi in un set di dati di addestramento e un set di dati di test. Il set di dati di addestramento aveva 33.449 quadranti e il set di dati di test 11.148 aveva quadranti.
La modellazione dei dati strutturati utilizzando un MLP ha avuto un'accuratezza del 75,2% per il set di dati di addestramento e un'accuratezza del 74,9% per il set di dati di test. D'altra parte, il modello visivo con immagini satellitari aveva un'accuratezza dell'85% per il set di dati di addestramento e un'accuratezza del 79% per il set di dati di test. Questo mi ha detto che il modello non strutturato ha prodotto risultati migliori. Nel corso dell'esperimento, ho anche notato spesso alcuni problemi di overfitting nei modelli non strutturati, un fenomeno per cui un modello di machine learning si adatta eccessivamente, o "overfit", ai dati di addestramento che conosce e quindi risponde male a dati nuovi e sconosciuti. Un modo per evitare l'effetto di overfitting è utilizzare, ad esempio, set di dati di addestramento di grandi dimensioni.
Un'architettura Resnet50 mi ha permesso di ottenere i migliori risultati perché è un modello profondo 50 livelli che può essere utilizzato per addestrare reti neurali nidificate. In altre parole, ho affidato all'architettura Resnet50 il compito di riconoscere le immagini satellitari. Penso che abbia fatto un ottimo lavoro e abbia prodotto rapidamente risultati.
Rete neurale a dati misti: architettura speciale per risultati più accurati
Dopo aver convalidato e testato i vari modelli, li ho combinati in una versione a dati misti. Lavorare con reti neurali a dati misti richiede diversi passaggi specifici nella preparazione dei dati. Ad esempio, ho dovuto utilizzare le speciali funzioni del generatore di dati in Keras per inserire entrambi i tipi di dati. Keras è una libreria open source per il deep learning in Python e aiuta a creare e addestrare reti neurali e implementa funzioni speciali come i generatori di dati, che a loro volta possono inserire dati nel modello.
Ho usato la seguente architettura di rete per la rete neurale a dati misti con le migliori prestazioni:
Contiene il modello ResNet50 della CNN ed è combinato con l'MLP. Inoltre, introduce regolarizzazioni. I risultati del modello mostrano una buona progressione di linea senza alcun overfit. Entrambe le linee diventano più accurate nel tempo, con la perdita di convalida in costante diminuzione. Il test è accurato al 79,37%; l'addestramento è accurato al 79,38%.
Ho lavorato con una matrice di confusione per aiutarmi a comprendere le prestazioni di un modello in termini di accuratezza, sensibilità e specificità. L'ho trovato uno strumento utile per valutare i modelli di classificazione perché mi ha fornito il numero di esempi classificati correttamente e in modo errato per decidere se il modello necessita di miglioramenti o è adatto per il compito assegnato.
La matrice di confusione sopra mostra che 6.562 valori sono "veri negativi" e 2.287 sono "veri positivi". Ha prodotto solo 454 "falsi negativi" e 1.845 "falsi positivi". Per me, questo modello combinato di dati misti mostra chiaramente che offre risultati migliori rispetto ai modelli isolati MLP e CNN.
La visualizzazione seguente confronta le etichette previste e reali e mostra che la rete neurale a dati misti riconosce la maggior parte delle aree a rischio. Solo nella regione nord-occidentale la densità delle aree a rischio identificate è inferiore a quella delle vere etichette, il che significa che c'è ancora margine di miglioramento.
Conclusione: l'intelligenza artificiale può aiutare a salvare la foresta pluviale amazzonica
I modelli visivi come la CNN hanno prestazioni migliori rispetto ai modelli strutturati come l'MLP. Questo perché sono state utilizzate architetture di rete già collaudate come ResNet50. Quello che mi è piaciuto di più è che la combinazione dei diversi modelli ha raggiunto i valori più considerevoli, eliminando così il problema dell'overfitting.
In sintesi: l'accuratezza nel modello di dati misti era dell'89% per il set di dati di addestramento e del 79% per il set di dati di test. Posso quindi confermare la mia ipotesi che la combinazione di dati strutturati e non strutturati aiuta a fare previsioni più accurate. Con l'aiuto dell'IA, possiamo anticipare le aree a rischio nel bacino amazzonico e di conseguenza proteggerle dalla deforestazione e dalla distruzione.
Prospettive: ancora margini di miglioramento
Potremmo essere portati a concludere che va tutto bene. Avendo terminato la mia tesi di Master, tuttavia, vorrei rimpicciolire e riassumere le mie scoperte come segue: La modellazione ha naturalmente i suoi limiti. E il metodo di etichettatura dei dati non è affatto privo di errori, al contrario. Ad esempio, quando si tratta di identificare modelli nelle immagini satellitari che potrebbero portare alla deforestazione sulla base di dati non strutturati, la CNN potrebbe produrre risultati migliori.
Inoltre, sarebbe interessante sapere come diversi metodi di etichettatura influenzano la qualità del modello. In questo caso, il modello ha reso difficile prevedere la deforestazione, che non era ancora visibile nel parallelepipedo con un'etichetta di deforestazione. Tuttavia, sarei molto interessato a vedere come cambierebbero i modelli se le immagini fossero etichettate in modo da mostrare la deforestazione nelle singole immagini. Inoltre, distinguere tra deforestazione legale e illegale significherebbe un grande passo avanti perché potremmo quindi classificare quest'ultima. E, ultimo ma non meno importante, è certamente importante includere ulteriori dati strutturati per identificare fattori diversi da quelli già noti per mettere in pericolo la foresta pluviale amazzonica.
Ho già pensato molto a come procedere con il progetto. Come primo passo, mi piacerebbe molto pubblicare il progetto e anche rendere accessibile il codice sorgente come progetto open source. Rimane eccitante, ne parleremo più avanti in un secondo momento.
Ringraziamo di cuore Alexandra Strohmeier per gli interessanti approfondimenti su questo affascinante progetto!
Ritratti professionali di scienza dei dati applicata e ritratti di ricerca
Scorciatoie:
Scienziato delle decisioni - Responsabile dell'audit interno/Capo dell'analisi dei dati - Ingegnere dei dati/Scienziato dei dati - Analista/Ufficio gestione crediti - Analista dei dati - Consulente senior - Specialista dell'analisi dei dati - Professionista del controllo e specialista della scienza dei dati - Consulente della scienza dei dati - Chief Digital Officer - Research Associate - Digital Solutions Engineer - Chief Revenue Officer - Malatec
Informazioni sul programma | Contatto | Info-Eventi
I dati sono la risorsa del 21° secolo. Iscriviti e unisciti a noi per un evento informativo dal vivo:
Vuoi saperne di più sul Corso di Laurea Magistrale in Informazione Applicata e Data Science? Vieni a visitare i nostri eventi informativi (online o in loco) e scopri maggiori dettagli in una conversazione personale con i responsabili del programma.
Contattaci se hai domande sul nostro corso di laurea o per una consulenza individuale: Tel.: +41 41 228 42 53 / E-mail: master.ids@hslu.ch
Trovi maggiori informazioni qui:
- Informazioni sul programma principale (Home)
- Struttura e moduli del corso
- Ammissione e registrazione
- Ritratti professionali e approfondimenti di studio
- Lavorare e studiare
- Profilo generalista
- FAQ
Dott. Alessio Brancaccio, tecnico ambientale Università degli Studi di L’Aquila, ideologo movimento ambientalista Ultima Generazione e membro attivo della Fondazione Michele Scarponi Onlus
Switzerland national flagPortuguese national flagCyprus national flagUnited Arabian Emirates (UAE) national flag
DELLA SERIE: "ALESSIO S'È ROTTO DEFINITIVAMENTE ER CAZZO DE VASTO, DELL'ABRUZZO, DELL'ITALIA". FINISCE QUI IL DISCORSO, NON VOGLIO PIÙ VEDERE NESSUNO QUI, AVEVO GIÀ STACCATO LA SPINA AD AVEZZANO NEL DICEMBRE 2015, A POSTO COSÌ, CIAO CIAO, BUONA VITA, BUON LAVORO E TANTI SALUTI…
ma di chi ha le capacità migliori di gestione della bicicletta da sfoderare contro gli avversari. Si tratta di una disciplina in continua evoluzione, fatta di curve a sinistra e a destra sempre più strette, tattiche delle squadre più grandi, la semi-autosufficienza, le forature, le catene cadute e i detriti del percorso sollevati da un gruppo veloce.
Podcast Riders’ Digest
Il nuovo episodio è disponibile ora!
Il gravel è una cosa strana da capire. Allo stesso tempo è un’emozione. Sono in corso tanti dibattiti. I primi Campionati del Mondo UCI Gravel hanno fatto parlare di sé. Dalla progettazione del percorso alla programmazione, dal fondo del percorso ai punti di rifornimento semi-autosufficienti, la questione se il gravel abbia bisogno di un Campionato del Mondo è passata in secondo piano rispetto all’euforia per ciò che stava accadendo sul campo.
Essendo il primo Campionato del Mondo in assoluto in questa disciplina, le squadre nazionali erano riluttanti a farsi coinvolgere, ed hanno lasciato il posto a sponsor e team. Questo ci ha messo a metà strada tra la celebrazione e il cambiamento. Come BMC, abbiamo fatto ciò che ritenevamo necessario, individuando un gruppo selezionato di ciclisti provenienti da tutto il mondo per la gara che si è disputata nel Nord Italia. Elite e amatori, questa è stata una gara al massimo della democrazia e della dedizione.
Tra i grandi nomi c’erano la pluricampionessa del mondo del BMC MTB Racing, Pauline Ferrand-Prévot, Greg Van Avermaet di AG2R CITROËN, oltre a ciclisti emergenti del Tudor Pro Team di Cancellara e della squadra continental Hagens Bermans Axeon. Al di fuori dei settore élite, abbiamo portato con noi due corridori delle categorie amatoriali del No Borders Gravel Team, una collaborazione tra BMC, SRAM e Velocio.
Dalla preparazione prima dell’alba nel parcheggio di un hotel al riscaldamento sui rulli, passando per le zone tecniche di rifornimento e l’arrivo a Cittadella, l’atmosfera italiana di questa regione ha creato il perfetto scenario per una giornata di gare a tutta velocità.
L’inossidabile ed intramontabile francese Pauline Ferrand PrevotLa vincitrice francese del mondiale gravel femminile, Pauline Ferrand Prevot
Ora che la polvere se n’è andata, il dibattito continua.
Pauline Ferrand Prevot festeggia dal gradino più alto del podio la vittoria del Mondiale Gravel femminile 2022 a Cittadella (PD)
FILIPPO GANNA IN SELLA ALLA SUA PINARELLO BOLIDE DA CRONOMETRO DURANTE LA PROVA DI 35′ PERCORSA A 56,1 KM/H DI MEDIA!LA BICI PINARELLO BOLIDE STAMPATA IN 3D CON LA QUALE FILIPPO GANNA TENTERA’ DI INFRANGERE IL RECORD DELL’ORA AL VELODROMO DI GRENCHEN IN SVIZZERA L’8 OTTOBRE 2022 ALLE 20.00 Picture by Alex Broadway/SWpix.com – 30/07/2022 – Birmingham 2022, Commonwealth Games, Track and Para Track Cycling – Lee Valley Velopark, London – Men’s 4000m Ind. Pursuit – Qualifying, England, Dan Bighamhttps://www.trainerroad.com/forum/t/filippo-ganna-hour-record-attempt/76599
BLOG PERSONALE BRALEX84 
