Tecniche di Machine e Deep Learning per l'analisi di dati di Osservazione della Terra

Machine learning

Mappa dell’evoluzione temporale di un’alluvione ottenuta dalla fusione di dati ottici e SAR

Le tecniche di Machine Learning e di Deep Learning consentono di estrarre informazioni utili dai dati telerilevati di Osservazione della Terra (OT) in molteplici ambiti applicativi. Esse sono largamente utilizzate per affrontare problemi di classificazione tematica, di regressione o di selezione ed estrazione di features significative. In particolare, esse rivestono una fondamentale importanza quando è necessario analizzare una ingente mole di dati come nell’analisi di serie temporali o quando si ha a che fare con dati a risoluzione molto elevata. In tali casi, le tecniche di Machine e Deep Learning vengono applicate non solo per risolvere i suddetti problemi, ma anche per affrontare nuovi paradigmi di apprendimento come l’Active e il Transfer Learning.

Ad esempio, per effettuare lo studio dei cambiamenti dell’uso e della copertura del suolo, legati a variazioni antropiche o al manifestarsi di eventi disastrosi, quali frane ed alluvioni, è necessario analizzare un insieme di immagini multi-temporali ed anche multi-sensore della stessa area geografica. Le tecniche di Machine Learning si sono dimostrate particolarmente efficaci per estrarre informazioni utili da una ingente quantità di dati multi-temporali, multi-sensore, multi-risoluzione e multi-piattaforma, a cui spesso è necessario associare misurazioni in situ per ottenere una conoscenza precisa ed un’interpretazione accurata di situazioni complesse. Nel caso delle inondazioni, l’applicazione di tali tecniche ha consentito di effettuare mappature delle aree interessate e la loro evoluzione nel tempo, integrando dati SAR (intensità e coerenza) tradizionalmente usati in questo ambito, con modelli idrologici, dati ottici ed altre informazioni ancillari. Tali tecniche possono essere molto utili anche nell’analisi e nell’interpretazione di lunghe serie temporali di valori di spostamento derivati con tecniche in interferometria SAR differenziale, con l’obiettivo di individuare e classificare i diversi tipi di deformazione che interessano i bersagli radar al suolo.

Negli ultimi anni, le metodologie di Deep Learning sono diventate uno degli argomenti di punta nell’ambito del Remote Sensing. Si tratta di reti neurali con un numero molto elevato di strati nascosti, in grado di calcolare features opportune direttamente dai dati, senza utilizzare quelle definite a priori. Grazie a tali caratteristiche, le loro accuratezze in classificazione superano di gran lunga quelle ottenute con altri metodi. Le applicazioni di tali reti sono molte-plici e particolarmente interessanti si sono rivelate le reti Deep pre-addestrate, utilizzate per estrarre features predefinite (deep-features) che hanno la proprietà di essere invarianti rispetto al dominio. Esse si sono dimostrate utili nel dominio delle immagini telerilevate per estrarre, ad esempio, le informazioni relative al contesto spaziale nell’analisi delle immagini VHR.

 


Additional Info

  • Mappatura della copertura e dell'uso del suolo
  • Mappatura dei cambiamenti di uso e copertura del suolo.
  • Mappatura delle aree soggette a calamità naturali (inondazioni, frane, ecc.)
  • Studio dell’evoluzione temporale delle aree soggette a disastri naturali
  • Annarita D’Addabbo
  • Guido Pasquariello
  • Giuseppe Satalino
  • Francesco Lovergine
  • Alberto Refice
  • Fabio Bovenga
  • Anna Balenzano
  • Francesco Mattia
  • Domenico Capolongo
  • Donato Impedovo