Visualizza articoli per tag: 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.

 

incendi californiaUna serie devastante di incendi hanno colpito la California e, in particolare, la regione di Los Angeles nel mese di novembre 2018. Non è la prima volta che sentiamo parlare di incendi in California ma l’impressione è che stiano diventando sempre più frequenti ed intensi.

Quali sono le cause e/o i fattori determinanti per l’innesco e la propagazione di questi incendi? È un pericolo che sentiamo vicino o lontano da noi? Potrebbe accadere anche in Italia/Europa? Queste sono alcune delle domande a cui cercano di rispondere giornalisti e scienziati soprattutto alla fine della fase di emergenza. Trovare una risposta significa diminuire il rischio che un elemento naturale come il fuoco possa determinare eventi così catastrofici.

Tra i fattori determinanti troviamo i cambiamenti climatici che inasprendo periodi di piovosità, siccità ed alte temperature creano condizioni della vegetazione particolarmente suscettibili al fuoco. Pianificazione e gestione del territorio che non tengano conto del rischio di incendio possono concorrere inoltre a creare condizioni di pericolo per la popolazione, le abitazioni e le attività produttive. Il rischio è esteso a tutte le aree temperate compresa l’Europa meridionale dove, anche recentemente, si sono verificati eventi devastanti come in Portogallo (2017) e Grecia (2018). L’innalzamento delle temperature, inoltre, espone al rischio anche paesi e zone climatiche tipicamente “immuni” o dove gli incendi nel passato sono stati limitati, rendendo queste aree più vulnerabili.

Le tecniche di Osservazione della Terra (OT) forniscono dati e misure fondamentali per il monitoraggio del fenomeno degli incendi boschivi e per la stima del danno (e.g. estensione area bruciata, severità dell’incendio, frequenza eventi, perdita di vegetazione, emissioni in atmosfera) soprattutto su aree molto vaste per le quali i soli rilievi in situ potrebbero essere molto onerosi.

In particolare, i ricercatori IREA si occupano dello sviluppo di metodi ed algoritmi per la mappatura delle aree bruciate e della severità dell’incendio (i.e. impatto sulla vegetazione) da dati satellitari ottici e SAR. In questo quadro, la ricerca si concentra soprattutto sull’utilizzo di dati acquisiti dalle missioni ESA Sentinel nell’ambito del programma Copernicus coordinato dalla Commissione Europea.

Su questi temi Daniela Stroppiana, ricercatrice dell'IREA, ha parlato nel corso di una intervista a SkyTG24

 


Vai alle altre notizie in evidenza 

Immagine correlata
Pubblicato in Notizie in evidenza
Venerdì, 21 Giugno 2019 09:56

Le prime immagini della Terra con PRISMA

fig 1 trasimeno

Presentate al salone dell’aerospazio parigino di Le Bourget le prime immagini di varie aree della Terra, realizzate grazie al potente sensore ottico iperspettrale, montato a bordo del satellite PRISMA dell’Agenzia Spaziale Italiana (ASI), lanciato in orbita il 22 marzo scorso.

A contribuire alla elaborazione dati, anche l’Istituto per il Rilevamento Elettromagnetico dell’Ambiente del Consiglio Nazionale delle Ricerche (CNR-IREA). In particolare, il CNR-IREA ha elaborato i dati sul lago Trasimeno (il più esteso dell’Italia centrale, in Umbria), per valutare la torbidità delle acque superficiali. La mappa (fig. 1) mostra un gradiente di torbidità che varia tra 3 e 6.2 NTU, mentre i valori più alti (in grigio) sono nascosti a causa del riflesso solare che in questa elaborazione preliminare non è stato filtrato. La mappa, inoltre, mostra come le acque siano generalmente meno torbide nella baia sudorientale, dove comunità di macrofite aquatiche (vegetali macroscopicamente visibili) hanno un ruolo anche nel limitare la risospensione dei sedimenti del fondale. PRISMA ha rivelato diversi gradienti di torbidità dell'acqua anche nei laghi più piccoli a sud del Trasimeno (ad esempio Chiusi).

Per le saline di Margherita di Savoia (area protetta della Puglia, nella provincia di Barletta-Andria-Trani, (fig. 2), il sensore è stato testato, invece, per valutare le sue potenzialità di estrarre il segnale proveniente da acque con diversi livelli di sale. In un ultimo esempio, relativo alla costa laziale, PRISMA ha rivelato diversi gradienti di profondità della zona costiera nei pressi di San Felice Circeo (fig. 3).

Nei prossimi mesi queste prime elaborazioni verranno ulteriormente affinate mediante algoritmi dedicati e consentire, quindi, studi verso un’ampia gamma di applicazioni mirate non solo al comparto acquatico ma anche agli ecosistemi terresti, sia naturali sia gestiti dall’uomo. A supporto di questa missione, diversi istituti del CNR, insieme ad ASI e ad altri Enti, stanno sviluppando un importante progetto triennale PRISCAV (Attività scientifica di CAL/VAL della missione PRISMA).

fig 2 saline

saline di Margherita di Savoia

fig 3 costa-lazio

Costa laziale


Vai alle altre notizie in evidenza 

 

Pubblicato in Notizie in evidenza