Mentre i cosiddetti metodi di “deep learning“, ovvero tecniche di apprendimento automatico che utilizzano reti neurali artificiali a strati, per eseguire l’apprendimento di dati non strutturati, hanno guadagnato una grande popolarità negli ultimi anni, la loro integrazione all’interno di GIS non è sempre facile senza conoscenze specialistiche. Sono stati sviluppati , tuttavia, nuovi strumenti che consentono di sfruttare meglio l’apprendimento automatico e l’apprendimento profondo in particolare. Finora sono emersi due leader chiari.
Apprendimento profondo con ArcGIS
ArcGIS ha speso significativamente negli ultimi anni per sviluppare strumenti migliori per il deep learning. Una varietà di piattaforme sono state sviluppate per l’analisi delle immagini, come Keras e Tensorflow, e integrate con gli strumenti ArcGIS Pro, come ArcGIS Image Server. Gran parte del lavoro si è concentrato sulla classificazione delle immagini. ArcGIS ha creato alcuni moduli pronti per l’applicazione, come Regularize Footprints, che consentono di mappare rapidamente gli edifici. Gli strumenti consentono capacità di classificazione automatizzate e basate sull’apprendimento profondo per la mappatura delle funzioni nell’ambiente costruito.
Alcune applicazioni interessanti hanno incluso il rilevamento e il conteggio automatici delle piscine in determinati ambienti urbani. Le piscine potrebbero essere un terreno fertile per gli insetti portatori di malattie se l’abitazione viene abbandonata. Il monitoraggio delle piscine potrebbe essere utilizzato per stimare il potenziale di malattia in una determinata area. Anche la segmentazione semantica, che classifica i pixel in immagini, fa parte del pacchetto. Tuttavia, la maggior parte degli sforzi si è concentrata sulle tecniche di visione artificiale che consentono l’analisi e la classificazione delle immagini, in particolare per le immagini aeree.
Integrare strumenti di deep learning open source con QGIS
Uno strumento open source popolare è Orfeo, che analizza immagini ottiche, multispettrali e radar ad alta risoluzione fino a scale di terabyte. Il progetto è stato inizialmente sviluppato dall’agenzia spaziale francese CNES, ma da allora ha incorporato molti sviluppatori in un formato open source. Lo strumento può essere utilizzato e richiamato da applicazioni GIS popolari come QGIS. Ancora una volta, l’attenzione è rivolta alle immagini. Il tool è inoltre strettamente associato a Monteverdi, che applica i metodi di deep learning di Orfeo nella visualizzazione. Monteverdi può essere utilizzato per visualizzare l’output di apprendimento profondo come la classificazione delle funzionalità nei dati di telerilevamento. Lo strumento ha anche un’interfaccia QGIS.
Strumenti di apprendimento profondo per GIS
Altri strumenti includono GRASS e il pacchetto statistico R. L’ architettura scalabile implementata consente loro di sfruttare anche il cloud computing nella gestione di dati di immagini di grandi dimensioni.
Mentre Esri e gli strumenti open source come Orfeo rendono sempre più tangibile l’apprendimento profondo per gli utenti, le aree di applicazione rimangono ancora relativamente limitate. In particolare, l’integrazione dei dati di testo non è stata applicata in larga misura. Inoltre, ci si rende anche conto che l’Internet of Things significherà che i dati multi-sensore dovranno essere sempre più integrati in piattaforme analitiche come ArcGIS Pro. Questa sarà forse la prossima grande sfida, sia per i GIS proprietari che per gli strumenti open source.
Se vuoi potresti anche approfondire con questo altro nostro articolo.
L’analisi del movimento degli occhi per una migliore progettazione delle mappe