Un nuovo metodo di intelligenza artificiale riesce a costruire mappe molto dettagliate di ciò che ricopre il suolo in ambiente alpino, partendo da poche indicazioni fornite dagli esperti.
Lo studio, “A Multi-Modal Deep Learning Framework for High-Resolution Alpine Land Use/Land Cover”, sviluppato da ARPA Valle d'Aosta insieme al Politecnico di Torino e a DigiSky, ha usato la Valle d'Aosta come banco di prova ed è pubblicato sulla rivista scientifica Remote Sensing.
Perché mappare il suolo in montagna è difficile
Sapere se un'area è bosco, prato, arbusteto, roccia, neve o abitato è il punto di partenza per seguire i cambiamenti del territorio, dall'abbandono dei pascoli all'avanzata del bosco. Queste carte si chiamano di uso e copertura del suolo, in inglese Land Use and Land Cover (LULC).
In quota farle bene è una sfida: versanti ripidi, ombre, neve stagionale e vegetazione molto varia rendono difficile distinguere le superfici, e le immagini aeree convenzionali (RGB) offrono poche informazioni per farlo.
Un aereo, due sensori, quattro bacini
I dati sono stati raccolti con un aereo leggero dotato di due sensori sincronizzati: una fotocamera ad altissima risoluzione nel visibile (15 centimetri al suolo) e un sensore multispettrale a sei bande, che registra anche la luce non visibile all'occhio umano. I rilievi hanno interessato quattro bacini già utilizzati da ARPA per il monitoraggio: Val Ferret, Valgrisenche, Chaligne/Fallere e l'area tra Champorcher e Champdepraz.
È la prima campagna aerea con velivolo pilotato condotta per ARPA Valle d'Aosta per la sorveglianza ambientale degli ecosistemi forestali d'alta quota. Finora il monitoraggio si basava su immagini satellitari, con pixel di circa 10 metri, e su droni, che coprono aree limitate: un solo volo può invece rilevare tratti di decine di chilometri.
La campagna rientra nel progetto CHEDIH (sottoprogetto TEST BEFORE INVEST), che valuta nuove piattaforme di rilievo prima del loro uso routinario.
Insegnare all'intelligenza artificiale con poche indicazioni
Di solito servono mappe disegnate pixel per pixel su tutta l'area. Qui gli esperti hanno tracciato sulle ortofoto 2.517 poligoni, ciascuno associato a una classe, e il modello ha dedotto da solo il resto: è l'apprendimento debolmente supervisionato.
Le classi sono 14 e seguono la nomenclatura europea CORINE Land Cover, con un livello di dettaglio in più: boschi, prati, arbusteti, zone umide, rocce, neve, corsi d'acqua, laghi, strade ed edifici. Gli esperti ARPA le hanno definite e hanno assegnato i poligoni grazie alla conoscenza del territorio.
Come funziona il modello
Il modello combina più tipi di informazione sullo stesso territorio:
- la forma degli oggetti, ricavata dalle immagini nel visibile con un modello di visione artificiale di uso generale;
- la luce oltre il visibile, che rivela per esempio lo stato della vegetazione;
- l'altezza di alberi ed edifici.
Questa fusione multimodale è il cuore del metodo. Un ultimo passaggio, basato su semplici regole geometriche e sull'altezza della chioma, rende più nette le separazioni tra alberi e prati e i bordi di strade ed edifici.
I risultati
Per valutare le mappe si usa l'indice mIoU, che misura quanto la mappa prodotta coincide con quella tracciata dagli esperti: 1 equivale a una corrispondenza perfetta. Sulle 14 classi il modello raggiunge 0,777, con valori compresi tra 0,80 e 0,96 per 12 classi su 14.
Le difficoltà riguardano gli arbusti sempreverdi e le zone umide, che richiedono più esempi per essere riconosciuti con affidabilità. Escludendo le sole zone umide, l'indice sale a 0,837.
Dai test emerge che l'informazione multispettrale è la più importante per distinguere le coperture, più di quella sull'altezza. Non esistendo studi confrontabili, i risultati costituiscono un primo termine di riferimento.
Perché è utile e cosa viene dopo
Imparare da poligoni sparsi riduce molto il lavoro di etichettatura e offre agli enti ambientali un modo praticabile e scalabile per produrre mappe di dettaglio del territorio alpino. Restano indispensabili gli esperti, per definire le classi, validare le annotazioni e rivedere le mappe ottenute.
I prossimi passi riguardano zone umide e arbusteti, con più esempi validati dagli esperti e dati aggiuntivi. L'approccio potrà giovarsi della crescente disponibilità di immagini multispettrali ad altissima risoluzione, da aereo, drone e satelliti di nuova generazione.
Per le sue caratteristiche morfologiche, di copertura e di uso del suolo, la Valle d'Aosta si conferma un ottimo banco di prova per sviluppare e validare nuovi metodi di classificazione.
