Cosa può fare oggi l’AI applicata al telerilevamento?

L’intelligenza artificiale e il machine learning sono in grado di aumentare in maniera significativa l’estrazione di dati utili dalle immagini satellitari: la nuova frontiera della GeoInt passa attraverso l’utilizzo di sterminati database di immagini satellitari e diventerà uno strumento fondamentale alla gestione logistica del territorio, dei mezzi di trasporto civili e militari, soprattutto a fini di difesa.

È stato dimostrato inoltre che è possibile combinare tecniche all’avanguardia di apprendimento automatico con i moderni mezzi di visione artificiale e integrare le informazioni così ottenute con immagini satellitari e feed di dati opensource per ottenere conoscenze strategiche più puntuali, atte a consentire interventi più rapidi ed efficaci.

Uno degli ostacoli principali al raggiungimento di questo tipo di obiettivi era la difficoltà di estrarre manualmente da immagini satellitari di grandi dimensioni le porzioni di immagine necessarie allo sviluppo del machine learning. Questa problematica è stata superata nel momento in cui è stato possibile trasmettere e scaricare dati di immagine e metadati relativi alle sole aree geografiche interessate dall’analisi.

Cosa può fare l’AI a partire dalle immagini satellitari? 

Uno dei principali obiettivi con cui è stata utilizzata l’Intelligenza Artificiale nell’analisi delle immagini satellitari è il riconoscimento automatico di elementi di interesse strategico come mezzi di trasporto civile e militare.

I software di ultima generazione sono in grado non soltanto di individuare il numero preciso di automobili presenti all’interno di un parcheggio o di calcolare il numero e la posizione delle navi presenti all’interno di una certa area di mare, ma anche di procedere a riconoscimenti più precisi.

per fare un esempio è stato dimostrato che software di intelligenza artificiale opportunamente addestrati sono in grado di riconoscere autonomamente i vari modelli di aeromobili militari visibili all’interno dell’immagine satellitare di una determinata area.

Per ottenere risultati di simile precisione naturalmente è necessario applicare alle immagini ricevute dal satellite una serie di filtri, al fine di eliminare le immagini che non soddisfano i criteri di selezione e che quindi risultano inutilizzabili o inadatte allo scopo che si intende raggiungere.

Una delle selezioni più frequenti è quella che permette di scegliere esclusivamente immagini scattate dai satelliti da una certa angolazione rispetto al terreno, angolazione che permetta di rilevare in maniera ottimale tutti gli oggetti presenti a livello del suolo. Un secondo tipo di filtro, estremamente importante, è di tipo temporale: al fine di fornire dati aggiornati e puntuali a coloro che necessitano di prendere decisioni di grande rilevanza è necessario selezionare le immagini satellitari più recenti, per essere certi di non lavorare su dati e immagini obsoleti. Naturalmente, a seconda delle esigenze specifiche, è possibile lavorare su immagini satellitari rilevate e prodotte in un determinato lasso di tempo, anche antecedente di settimane o mesi rispetto al momento della raccolta dati.

Al fine di procedere all’addestramento del software è necessario spesso lavorare su immagini della stessa area rilevate a una certa distanza di tempo l’una dall’altra, per esempio su lassi di tempo a base settimanale, bimestrale, mensile e così via. Anche questa, naturalmente, è una strada facilmente percorribile a patto di impostare correttamente i parametri di selezione.

La rilevanza dei metadati

In questo lavoro di analisi delle immagini satellitari attraverso software specifici è strettamente necessario utilizzare anche i metadati relativi ai vari set di immagini per ottenere materiale adatto all’addestramento dei software. 

I metadati sono indicatori geografici che permettono di comprendere se la qualità delle immagini su cui si sta lavorando sono adeguate a portare avanti un processo di machine learning.

Tra le varie informazioni fornite attraverso i metadati vi sono l’angolo del sole al momento dello scatto e la risoluzione dell’immagine, la percentuale di nuvolosità al momento della rilevazione, la data e l’ora in cui l’immagine è stata realizzata.

Queste informazioni vengono spesso integrate con altri set di dati di pubblico dominio come quelli messi a disposizione dalla NASA o dall’ESA, tra i quali compaiono la copertura del suolo, le condizioni meteorologiche, l’aerosol presente nell’atmosfera al momento del rilevamento nonché la presenza sul suolo nonché lo spessore di un eventuale strato di neve.

Al fine di ottimizzare i processi di apprendimento automatico è fondamentale fornire al software immagini bilanciate in termini di condizioni e qualità al fine di ottenere risultati corretti e rilevanti.

Naturalmente, una volta raccolti, i dati in questione devono essere divisi in due categorie, ognuna delle quali utilizzata per un determinato aspetto dell’apprendimento: l’addestramento degli algoritmi in senso stretto e la verifica dei progressi raggiunti nel processo di apprendimento automatico.

Le prospettive future

Attualmente la precisione del riconoscimento automatico degli oggetti al suolo attraverso l’utilizzo di software di Intelligenza Artificiale applicati a set di immagini satellitari superano il 95% di precisione ma non è difficile immaginare che, un giorno, i progressi saranno tali da consentire un’identificazione pressoché infallibile di oggetti rilevanti a fini militari e logistici.