Mapping of Land Use and Land Cover (LULC) using EuroSAT and Transfer Learning
Questo articolo dimostra che l'applicazione del transfer learning e del fine-tuning alle bande RGB del dataset EuroSAT consente una mappatura dell'uso e della copertura del suolo altamente accurata (99,19%), fornendo uno strumento prezioso per il monitoraggio ambientale, la pianificazione urbana e la mitigazione del cambiamento climatico.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
La Terra è in costante mutamento, rimodellata dal lento avanzare delle foreste, dalla rapida espansione delle città e dai mutevoli modelli dell'agricoltura. Per gestire questi cambiamenti e proteggere le nostre risorse naturali, gli scienziati hanno bisogno di un'immagine chiara e accurata di ciò che il suolo appare dall'alto. Per decenni, ciò ha significato inviare persone sul campo o studiare manualmente le fotografie, un processo lento e spesso incompleto. Oggi, i satelliti orbitano attorno al pianeta, catturando enormi quantità di immagini digitali ogni giorno. Queste immagini fungono da un massiccio archivio globale della nostra superficie, ma sono troppo numerose perché gli esseri umani possano esaminarle una per una. È qui che interviene l'intelligenza artificiale, specificamente un ramo noto come visione artificiale, che insegna alle macchine a riconoscere modelli e identificare oggetti nelle immagini proprio come farebbe l'occhio umano. La sfida consiste nell'addestrare queste macchine a distinguere tra un fiume, una foresta o un quartiere residenziale con alta precisione, specialmente quando i dati provengono da complessi sensori satellitari.
In uno studio recente, i ricercatori Suman Kunwar e Jannatul Ferdush hanno affrontato questa sfida testando quanto fosse efficace un tipo moderno di intelligenza artificiale nel classificare l'uso del suolo e la copertura del territorio. Si sono concentrati su una specifica collezione di immagini satellitari chiamata EuroSAT, che contiene 27.000 foto etichettate della superficie terrestre scattate dal satellite Sentinel-2. Queste immagini sono divise in dieci categorie distinte, che vanno dalle colture annuali alle foreste, passando per autostrade e zone industriali. I ricercatori volevano vedere se avessero potuto utilizzare un potente modello pre-addestrato noto come Vision Transformer, o ViT, per imparare a classificare queste immagini. Questo modello era già stato istruito per riconoscere oggetti in fotografie generiche, e il team mirava a vedere se potesse essere adattato per comprendere le specifiche texture e i colori delle immagini satellitari. Hanno testato se fornire al modello versioni extra e leggermente alterate delle stesse immagini — come copie capovolte o ritagliate — avrebbe aiutato l'apprendimento, una tecnica nota come aumento dei dati (data augmentation).
Il team ha addestrato il proprio sistema utilizzando un set specifico di istruzioni e strumenti, eseguendo gli esperimenti su potenti processori per computer disponibili tramite una piattaforma online. Hanno confrontato le prestazioni del Vision Transformer con altri due modelli di intelligenza artificiale molto noti, VGG16 e ResNet-50, utilizzando gli stessi dati satellitari. I risultati hanno mostrato che il Vision Transformer era il più accurato dei tre. Quando i ricercatori hanno utilizzato le immagini standard senza alcuna alterazione extra, il modello ha identificato correttamente il tipo di terreno nel 98,61 percento dei casi di test. Tuttavia, quando hanno introdotto la tecnica di aumento dei dati, le prestazioni del modello sono migliorate ulteriormente, raggiungendo un'accuratezza del 98,72 percento. In un test più dettagliato in cui hanno addestrato il modello per un periodo più lungo, la versione con l'aumento dei dati ha raggiunto un'accuratezza straordinaria del 99,19 percento, mentre la versione senza aumento ha visto la sua accuratezza diminuire leggermente con il proseguire dell'addestramento, scendendo dal 98,67% a 10 epoche al 98,41% a 20 epoche. Ciò suggerisce che l'esporre il modello a una più ampia varietà di angolazioni e ritagli lo abbia aiutato a generalizzare meglio su nuovi dati non visti.
Per dimostrare che questo alto livello di accuratezza potesse essere applicato nel mondo reale, i ricercatori hanno preso il loro modello con le migliori prestazioni e lo hanno applicato a una regione specifica nota come Kreis Borken, in Germania. Hanno raccolto immagini satellitari di quest'area dal 2018 al 2020 e le hanno suddivise in piccoli quadrati gestibili. Il modello ha poi esaminato ogni quadrato e gli ha assegnato un'etichetta, come foresta, pascolo o zona residenziale. L'output finale è stata una mappa colorata che rappresentava visivamente la distribuzione dei diversi tipi di terreno attraverso la regione. L'analisi della mappa ha rivelato che il modello era particolarmente bravo a identificare le foreste e i corpi idrici, mentre ha trovato la categoria "pascolo" leggermente più difficile da distinguere, registrando l'accuratezza più bassa tra tutte le classi, sebbene le restanti categorie avessero raggiunto quasi il 99% di accuratezza.
Lo studio conclude che l'uso del transfer learning, ovvero un modello addestrato su un compito che viene adattato per un altro, è un modo altamente efficace per mappare l'uso del suolo. I ricercatori hanno scoperto che l'aggiunta dell'aumento dei dati non solo ha migliorato l'accuratezza della classificazione, ma ha anche aiutato il modello a evitare l'overfitting, un problema comune in cui un computer memorizza troppo strettamente i dati di addestramento e non riesce a riconoscere nuovi schemi. Combinando queste tecniche, il team ha dimostrato che è possibile creare mappe dettagliate e automatizzate della superficie terrestre con una precisione quasi perfetta. Questi risultati suggeriscono che tali strumenti possono essere preziosi per gli urbanisti e gli ambientalisti che devono monitorare i cambiamenti nell'uso del suolo, pianificare la crescita futura e proteggere gli habitat naturali senza fare affidamento esclusivamente sull'osservazione manuale.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.