Il Politecnico di Torino, ARPA Valle d’Aosta e DigiSky hanno sviluppato un sistema di deep learning multimodale per classificare ad alta risoluzione le differenti tipologie di copertura e utilizzo del suolo negli ambienti alpini. La ricerca, pubblicata sulla rivista scientifica Remote Sensing con il titolo A Multi-Modal Deep Learning Framework for High-Resolution Alpine Land Use/Land Cover, propone un metodo per distinguere automaticamente superfici boschive, prati, rocce, neve e altre categorie territoriali a partire da immagini acquisite attraverso rilievi aerei. Il progetto affronta le difficoltà caratteristiche della cartografia ambientale in montagna, dove forti pendenze, ombre, vegetazione eterogenea e coperture nevose stagionali possono compromettere l’affidabilità delle classificazioni. L’approccio utilizza informazioni provenienti da differenti sensori e un insieme relativamente limitato di esempi selezionati dagli esperti, riducendo la necessità di classificare manualmente ogni porzione delle immagini.
La sperimentazione è stata realizzata in Valle d’Aosta attraverso campagne di acquisizione dati condotte in quattro aree territoriali: Val Ferret, Valgrisenche, Chaligne/Fallere e la zona compresa tra Champorcher e Champdepraz. DigiSky, PMI innovativa nata nel 2007 nell’ambito dell’incubatore I3P del Politecnico di Torino e specializzata nel telerilevamento aereo e nell’analisi geospaziale, ha utilizzato un proprio velivolo equipaggiato con SmartBay, una tecnologia proprietaria che integra una fotocamera ad altissima risoluzione e un sensore multispettrale. La componente fotografica permette di acquisire dettagli al suolo fino a 15 centimetri, mentre quella multispettrale registra informazioni relative a bande della radiazione elettromagnetica non visibili all’occhio umano. Questa combinazione permette di osservare caratteristiche differenti delle superfici, integrando la rappresentazione di forme e strutture con informazioni utili a distinguere vegetazione, materiali naturali e altre tipologie di copertura.
Il sistema utilizza anche informazioni di posizionamento ad alta precisione, necessarie per ricostruire correttamente le caratteristiche geometriche del territorio e ricavare dati sulle altezze di elementi come alberi ed edifici. Per l’addestramento sono state selezionate e classificate da esperti 2.517 porzioni di territorio, distribuite tra 14 classi di copertura del suolo. Questi esempi costituiscono il riferimento supervisionato attraverso il quale il modello apprende ad associare differenti caratteristiche osservate alle categorie territoriali definite. Una volta completato l’addestramento, il sistema può applicare la classificazione a superfici non precedentemente annotate, automatizzando una parte significativa dell’elaborazione cartografica. La metodologia mantiene comunque un ruolo essenziale per gli esperti, sia nella definizione delle classi sia nella verifica dei risultati prodotti dall’algoritmo.
Le prove condotte hanno mostrato una buona corrispondenza tra le classificazioni automatiche e quelle effettuate dagli specialisti per gran parte delle categorie considerate. Le superfici umide e gli arbusti sempreverdi si sono dimostrati più difficili da riconoscere e rappresentano due delle aree sulle quali saranno concentrati i successivi miglioramenti. I test hanno inoltre confermato l’utilità dei dati multispettrali nella distinzione delle coperture territoriali, evidenziando il contributo della combinazione tra più modalità di osservazione. Tra gli autori figura Paolo Dabove, docente del Dipartimento di Ingegneria dell’Ambiente, del Territorio e delle Infrastrutture del Politecnico di Torino, che ha partecipato alla definizione e alla validazione dello studio e ne ha curato la supervisione scientifica.
La metodologia è stata sperimentata nell’ambito dell’iniziativa Test Before Invest del progetto CHEDIH, attraverso un servizio promosso da DigiSky per la realizzazione di cartografie ambientali dettagliate. I risultati possono essere utilizzati per osservare l’espansione delle superfici boschive, l’abbandono dei pascoli, le trasformazioni della vegetazione e i cambiamenti degli habitat, fornendo dati territoriali utili alle attività di monitoraggio e pianificazione ambientale. La capacità di elaborare immagini ad alta risoluzione con un numero contenuto di esempi annotati consente inoltre di ridurre il carico di lavoro associato alla produzione delle mappe, mantenendo la necessità di controlli specialistici sulle categorie più difficili e sulle aree caratterizzate da condizioni ambientali particolarmente complesse.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)