L’intelligenza artificiale traccia l’impronta umana sul nostro pianeta
I dati di osservazione della Terra forniscono informazioni sulla superficie terrestre, sull’atmosfera e sugli oceani. In genere vengono raccolti da varie fonti e piattaforme utilizzando tecnologie di telerilevamento, come satelliti, aerei, droni e sensori a terra. I dati di osservazione della Terra sono fondamentali per comprendere e monitorare l’ambiente terrestre, le condizioni meteorologiche, i cambiamenti climatici e l’uso del territorio. Per raggiungere gli obiettivi di sviluppo sostenibile (OSS) delle Nazioni Unite e ottenere un futuro migliore e sostenibile per tutti, è necessario effettuare misurazioni più accurate degli indicatori ambientali, tra cui l’uso e la copertura del suolo. La risoluzione spaziale e la frequenza temporale di queste misurazioni sono fondamentali per rilevare i cambiamenti che forniscono un quadro completo delle attività che stanno modificando la superficie terrestre, come l’espansione urbana e la deforestazione.
Utilizzo dell’intelligenza artificiale per mappare la copertura e l’uso del suolo
Per migliorare i processi di monitoraggio e comprendere l’impatto dell’uomo sul pianeta, il progetto RapidAI4EO, finanziato dall’UE, ha combinato il telerilevamento con i progressi dell’IA. L’obiettivo era quello di automatizzare il processo di mappatura degli aggiornamenti della copertura del suolo per ottenere informazioni rapidamente e contribuire così a una gestione ambientale efficace e alla sostenibilità. «Il nostro obiettivo era quello di fornire soluzioni per l’osservazione e la mappatura continua al fine di prepararsi meglio ad affrontare le potenziali conseguenze delle attività umane sul pianeta e sul suo clima», afferma Annett Wania, coordinatrice tecnica di Planet Labs. Affinché i modelli di intelligenza artificiale possano rilevare rapidamente i cambiamenti, devono essere addestrati utilizzando sequenze di immagini scattate in momenti frequenti e da sensori diversi. Poiché non esistono set di dati che soddisfino tutti questi requisiti, il consorzio di RapidAI4EO ha sviluppato il corpus omonimo, un set di dati di addestramento contenente immagini satellitari per circa mezzo milione di località distribuite in tutta Europa.
Una nuova fonte dettagliata di immagini del territorio
Le immagini utilizzate per creare il corpus RapidAI4EO sono state tratte dal satellite pubblico Sentinel-2 della costellazione di Copernicus e dal prodotto commerciale basato su immagini Planet Fusion. Il corpus RapidAI4EO, costituito da dense immagini satellitari temporali in serie, è il risultato chiave del progetto ed è accessibile all’intera comunità di telerilevamento su Source Cooperative, la nuova utility di pubblicazione dati basata su cloud di Radiant Earth. Questo dettagliato set di immagini fornisce una visione senza precedenti delle caratteristiche spaziali e temporali dell’uso e della copertura del suolo nel continente. Allo stesso tempo, è una risorsa inestimabile per l’addestramento di algoritmi di apprendimento automatico e approfondito, poiché realizza il pieno potenziale delle fonti di dati combinate. Il corpus RapidAI4EO, grazie alle sue immagini multimodali e multirisoluzione, al campionamento geograficamente diversificato e alle serie temporali dense, offre una scelta migliore per le attività di osservazione della Terra e ha permesso agli scienziati di sviluppare soluzioni per la mappatura della copertura del suolo e il rilevamento dei cambiamenti che superano di 10-20 volte la risoluzione spaziale dell’inventario della copertura del suolo CORINE e consentono di fornire aggiornamenti trimestrali.
Verso soluzioni di mappatura del territorio più integrate
Nel complesso, il progetto RapidAI4EO ha compiuto notevoli progressi nell’avanzamento di metodi e prototipi per il monitoraggio del territorio, sfruttando le ultime tendenze dell’apprendimento automatico e i flussi di dati provenienti da diverse costellazioni satellitari. I metodi e i prototipi sviluppati nell’ambito del progetto RapidAI4EO servono come elementi fondamentali da poter combinare e integrare per creare soluzioni di mappatura più efficienti, migliorate e in continua evoluzione, in grado di rispondere alle diverse esigenze e richieste degli utenti. «Sfruttando i punti di forza di ciascun metodo e capitalizzando le loro capacità complementari, è possibile sviluppare un sistema di monitoraggio del territorio completo e robusto che offre maggiore accuratezza, tempestività e scalabilità», sottolinea Wania. Garantire capacità di osservazione e mappatura continue ha un enorme potenziale per aiutare a comprendere e affrontare le possibili conseguenze delle attività umane sulla Terra e sul suo clima.
Parole chiave
RapidAI4EO, dati di osservazione della Terra, immagini satellitari, uso del suolo, copertura del suolo, rilevamento dei cambiamenti, IA, apprendimento automatico, apprendimento approfondito
