• Menu
  • Passa alla navigazione primaria
  • Skip to secondary navigation
  • Passa al contenuto principale
  • Passa alla barra laterale primaria
  • Passa al piè di pagina

logo header oikos engineering

  • Home
  • Chi siamo
  • Blog
  • Soluzioni
    • Comuni e Unioni
    • Multiservizi
    • Patrimoni Immobiliari
    • Sanità
    • Industria e Impianti
    • Consorzi Forestali
    • Consorzi Irrigui
    • Consorzi di Tutela
  • Servizi
    • Cartografia Numerica
    • Integrazione Dati
    • Rilievi e Censimenti
    • Cloud Computing
    • Strumentazione GPS e GIS
  • Affiliazione
  • Contatti
  • Teleassistenza
  • Privacy
  • Privacy
  • Glossario
  • Autovalutazione per il Cloud della PA
  • Documentazione tecnica
  • Reversibilità dei servizi SaaS
  • Qualificazione SAAS rilasciata da AGID
  • Home
  • Chi siamo
  • Blog
  • Soluzioni
    • Comuni e Unioni
    • Multiservizi
    • Patrimoni Immobiliari
    • Sanità
    • Industria e Impianti
    • Consorzi Forestali
    • Consorzi Irrigui
    • Consorzi di Tutela
  • Servizi
    • Cartografia Numerica
    • Integrazione Dati
    • Rilievi e Censimenti
    • Cloud Computing
    • Strumentazione GPS e GIS
  • Affiliazione
  • Contatti
  • Teleassistenza
  • Privacy
ricevitore satellitare

Cosa può fare oggi l’AI applicata al telerilevamento?

Home » Blog » Cosa può fare oggi l’AI applicata al telerilevamento?

27 Gennaio 2021 //  by Oikos Engineering//  Lascia un commento

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.

Indice dei Contenuti

  • Cosa può fare l’AI a partire dalle immagini satellitari? 
  • La rilevanza dei metadati
  • Le prospettive future

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.

Condividi:

Categoria: NewsTag: Intelligence, Telerilevamento

Post precedente: «mappa dell'europa centrale I 4 consigli per realizzare un rilievo GIS a prova di errore
Post successivo: La nuova piattaforma Telespazio per la difesa sarà un gioiello soldati in battaglia»

Barra laterale primaria

Ricerca sul Sito

Articoli Recenti

  • Presentazione APP Altalanga
  • PNRR e Gestione del Patrimonio
  • PNRR e Comunicazione Istituzionale Web e Open Data
  • Realizzazioni Oikos
  • Oikos Engineering è partner del Comune di Santo Stefano Belbo nell’ambito del progetto del MOM (Multimedia Outdoor Museum)

Tag Cloud

AI App ArcGIS Augmented Reality Big Data BIM Cambiamento Climatico Cybersecurity Dati Demografici Droni Ecologia Energie Alternative Esri FOSS Geodatabase GeoMarketing Geoportale gestione dei processi GIS GNSS GPS Grass Healtcare Incontri Intelligence IoT Italia LiDAR Machine Learning OpenStreetMap Paesaggio Urbano Piemonte Protezione Civile QGIS SAPR Security Sicurezza sinfi SIT Smart-City Telerilevamento Turismo Videosorveglianza WebGIS workflow

Archivi

  • Giugno 2022
  • Maggio 2022
  • Marzo 2022
  • Febbraio 2022
  • Luglio 2021
  • Maggio 2021
  • Aprile 2021
  • Marzo 2021
  • Febbraio 2021
  • Gennaio 2021
  • Dicembre 2020
  • Novembre 2020
  • Ottobre 2020
  • Settembre 2020
  • Agosto 2020
  • Luglio 2020
  • Giugno 2020
  • Maggio 2020
  • Aprile 2020
  • Marzo 2020
  • Febbraio 2020
  • Gennaio 2020
  • Dicembre 2019
  • Novembre 2019
  • Ottobre 2019
  • Settembre 2019
  • Agosto 2019
  • Luglio 2019
  • Giugno 2019
  • Maggio 2019
  • Aprile 2019
  • Marzo 2019
  • Febbraio 2019
  • Gennaio 2019
  • Dicembre 2018
  • Novembre 2018
  • Ottobre 2018
  • Settembre 2018
  • Agosto 2018
  • Luglio 2018
  • Giugno 2018
  • Maggio 2018
  • Aprile 2018
  • Marzo 2018
  • Febbraio 2018
  • Maggio 2017
  • Marzo 2017
  • Ottobre 2016
  • Settembre 2016
  • Agosto 2016

Footer

Contatti

Indirizzo
Via Duccio Galimberti, 7
12051 - Alba (CN)

Telefono
+39.0173.440242

Email
[email protected]

P.IVA: 02762210041

Copyright

I contenuti presenti sul sito oikosweb.com, dei quali Oikos Engineering S.r.l. è autore, non possono essere copiati, riprodotti, pubblicati o redistribuiti perché appartenenti all’autore stesso. È vietata la copia e la riproduzione dei contenuti in qualsiasi modo o forma. È vietata la pubblicazione e la redistribuzione dei contenuti non autorizzata espressamente dall’autore.

Disclaimer

Questo blog non rappresenta una testata giornalistica in quanto viene aggiornato senza alcuna periodicità. Non può pertanto considerarsi un prodotto editoriale ai sensi della legge n. 62 del 07/03/2001.

Seguici sui Social

  • Privacy
  • Glossario
  • Autovalutazione per il Cloud della PA
  • Documentazione tecnica
  • Reversibilità dei servizi SaaS
  • Qualificazione SAAS rilasciata da AGID

Copyright © 2023 Oikos Engineering · All Rights Reserved · Webmaster Ing. Flavio Albano