Riassunto analitico
Secondo un recente studio dell'Osservatorio Space Economy, i dati e i servizi satellitari stanno raggiungendo un livello di maturazione che li rende, se opportunamente adottati, estremamente duttili ed efficaci in diversi settori. Sicurezza, gestione delle emergenze, lotta ai cambiamenti climatici, sono solo alcuni degli ambiti di applicazione in cui lo studio e l'osservazione della Terra dallo spazio cominciano a ricoprire un ruolo sempre più rilevante. I satelliti e l'analisi delle immagini satellitari permettono infatti oggigiorno di ispezionare e ottenere una valutazione aerea di alto livello della superficie terrestre molto velocemente, in maniera ripetuta nel tempo (in alcuni casi quasi continua), con una grande copertura spaziale e con maggior oggettività, precisione e economicità complessiva rispetto ai metodi di rilevazione convenzionali. Tuttavia la complessità e l'incredibile volume di dati da immagazzinare ed elaborare, nell'ordine dei 5 Exabyte/anno, non è di semplice gestione e fa si che i destinatari abbiano spesso difficoltà a tradurli in informazioni utilizzabili. Per sfruttare l'ampiamente inespresso potenziale di problem solving contenuto nelle immagini satellitari è quindi fondamentale lo sviluppo di nuovi metodi per l'elaborazione e l'analisi di questo tipo di dato. Sono necessari metodi automatici e veloci, che evitino che un operatore debba passare al vaglio ogni singola immagine e che siano in grado di trasformare i big data spaziali in applicazioni mirate e di facile utilizzo per la gestione delle emergenze, l'agricoltura di precisione, il monitoraggio dell'ambiente e la sicurezza. L'intelligenza artificiale e la computer vision in particolare per le loro caratteristiche non possono che essere le tecnologie chiave per questa sfida. La quantità e la variabilità di elementi visivi da considerare renderebbe infatti impossibile specificare una serie di regole dettagliate che possano insegnare al software a riconoscere e valutare il contenuto delle immagini in tutte le situazioni. Le tecniche di apprendimento automatico invece sono in grado di analizzare grandi quantità di dati in condizioni variabili senza esplicitare regole precise grazie alla maggiore capacità di imparare a riconoscere in maniera autonoma forme complesse, modelli e texture a varie scale all'interno delle immagini. Lo scopo di questo elaborato è quello di contribuire a questo ambito di ricerca studiando e sviluppando un framework per l'analisi da remoto di coltivazioni attraverso metodi di computer vision. Il settore dell'agricoltura, storicamente uno dei primi ambiti ad aver usufruito dell'osservazione della Terra, è probabilmente il mercato più promettente e di più immediata applicazione per queste tecnologie. Agricoltura di precisione, analisi sull'utilizzo delle superfici agricole e sulle condizioni delle colture, previsioni sul rendimento, gestione dei fattori produttivi e delle risorse sono infatti strumenti fondamentali per raggiungere la "competitività sostenibile" che le politiche dell'UE. Il progetto si distingue da altri metodi già sviluppati in questo ambito per alcune peculiarità. Una prima caratteristica è quella che delle diverse bande spettrali che i satelliti sono in grado di rilevare questo progetto utilizza solamente la banda dello spettro visibile per rendere il metodo di più generale applicazione possibile. In secondo luogo esso si concentra e specializza su coltivazioni arboree, quindi non su qualsiasi area coltivata ma solo su coltivazioni semi-permanenti a fusto legnoso su cui riesce ad ottenere informazioni specifiche e dettagliate. Infine il progetto comprende anche lo sviluppo di un metodo semiautomatico e user friendly per l'annotazione dei dati di verità che rende il processo di annotazione molto più semplice e veloce, i modelli di analisi delle immagini più precisi e le valutazioni dei risultati più affidabili.
|
