L’intelligenza artificiale impara a leggere le Alpi
Un nuovo approccio al telerilevamento alpino
Distinguere boschi, prati, rocce e neve nelle immagini aeree, anche in presenza di versanti ripidi e zone d’ombra, è tradizionalmente un compito arduo. Il nuovo studio A Multi-Modal Deep Learning Framework for High-Resolution Alpine Land Use/Land Cover dimostra che l’intelligenza artificiale può apprendere questa capacità partendo da un numero limitato di esempi selezionati da esperti.
Il lavoro nasce dalla collaborazione tra ARPA Valle d’Aosta, l’Agenzia regionale per la protezione dell’ambiente, il Politecnico di Torino e DigiSky, PMI innovativa specializzata nel telerilevamento aereo e nell’analisi geospaziale. Tra gli autori spicca il professor Paolo Dabove, docente del Dipartimento di Ingegneria dell’Ambiente, del Territorio e delle Infrastrutture (DIATI) del Politecnico, che ha curato l’ideazione, la validazione e la supervisione scientifica della ricerca.
Il banco di prova: la Valle d’Aosta
La regione alpina è stata scelta come banco di prova perché la mappatura del suolo in montagna è particolarmente complessa. La varietà della vegetazione, le ombre proiettate da pareti rocciose e la presenza stagionale della neve rendono difficile riconoscere e distinguere le diverse superfici, ma queste informazioni sono fondamentali per:
- monitorare l’avanzata del bosco e l’abbandono dei pascoli;
- valutare i cambiamenti degli habitat;
- supportare la gestione del territorio.
La tecnologia SmartBay di DigiSky
DigiSky ha equipaggiato un proprio velivolo con il sistema proprietario SmartBay. Questo combina:
- una fotocamera ad altissima risoluzione, capace di rilevare dettagli al suolo fino a 15 cm;
- un sensore multispettrale innovativo, in grado di catturare anche la luce non visibile all’occhio umano.
I rilievi hanno interessato quattro aree specifiche: Val Ferret, Valgrisenche, Chaligne/Fallere e il territorio tra Champorcher e Champdepraz.
Il modello di apprendimento multimodale
Il punto di forza del progetto è la combinazione di informazioni diverse:
- le immagini nel visibile aiutano a riconoscere forme e strutture;
- i dati multispettrali contribuiscono a distinguere la copertura territoriale;
- la precisione del posizionamento consente di estrarre informazioni accurate sull’altezza di alberi ed edifici.
Per addestrare il modello, gli esperti hanno identificato 2 517 porzioni di territorio, associate a 14 classi di copertura. A partire da questi esempi, l’IA ha imparato a classificare le superfici non annotate, eliminando la necessità di descrivere manualmente ogni pixel.
Risultati e limiti
Per la maggior parte delle categorie, i risultati sono in buona corrispondenza con le classificazioni degli esperti. Tuttavia, le zone umide e gli arbusti sempreverdi si sono rivelate più difficili da riconoscere e saranno oggetto di ulteriori sviluppi. I test hanno inoltre evidenziato il contributo decisivo dei dati multispettrali nel distinguere le diverse superfici.
Applicazioni pratiche: Test Before Invest
Il servizio è stato sperimentato nell’ambito dell’iniziativa Test Before Invest del progetto CHEDIH. DigiSky offre agli enti ambientali una soluzione per produrre cartografie dettagliate del paesaggio alpino, mantenendo centrale il ruolo degli esperti nella definizione delle categorie e nella verifica dei risultati.
Come spiega Paolo Dabove:
“Questo studio mostra come l’intelligenza artificiale possa rendere più efficace la lettura del territorio alpino, a condizione che sia guidata dalla formazione e dalla conoscenza delle persone che lo studiano.”
Prospettive future
La combinazione di immagini ad alta risoluzione e dati multispettrali consente di distinguere con maggiore dettaglio le coperture del suolo. Integrando osservazioni a scale e risoluzioni diverse, è possibile cogliere caratteristiche e trasformazioni del paesaggio che un’unica prospettiva rischierebbe di trascurare.
Gli obiettivi futuri includono:
- ampliare e aggiornare i prodotti cartografici;
- affrontare le categorie più difficili da classificare, come zone umide e arbusti sempreverdi;
- verificare i risultati sul campo per garantirne l’affidabilità.
Questi strumenti potranno supportare sia la ricerca scientifica sia la gestione ambientale, mantenendo al centro la competenza e la formazione degli esperti.
Esempi di mappatura del paesaggio alpino
Di seguito sono elencati i nomi delle mappature prodotte durante lo studio:
- Mappatura 1
- Mappatura 2
- Mappatura 3
- Mappatura 4
- Mappatura 5
- Mappatura 6
- Mappatura 7
- Mappatura 8
Le corrispondenti immagini sono state pubblicate con i relativi crediti a DigiSky.
Tag tematici
- DIATI
- Intelligenza Artificiale
- Valle d'Aosta
- ARPA Valle d'Aosta
- PMI
- ambiente
- Ricerca e innovazione