When Does Feature Engineering Matter? A Multi-Algorithm Comparison of Sentinel-2 Classifiers for Coastal and Mangrove Mapping in the Persian Gulf

La costa è un luogo di costante negoziazione. È dove la terra incontra il mare, un confine mutevole che sostiene alcuni degli ecosistemi più vitali della Terra, dalle foreste di mangrovie che proteggono le linee costiere alle piane intertidali che nutrono innumerevoli specie marine. Eppure, queste aree sono anche sotto pressione a causa dello sviluppo umano, dell'innalzamento dei mari e dell'attività industriale. Per proteggerle, gli scienziati devono sapere esattamente cosa sta accadendo sul campo: dove si trovano gli alberi, dove l'acqua è bassa e dove la terra è nuda. Per decenni, lo strumento principale per osservare questi vasti luoghi difficili da raggiungere dall'alto è stato l'immagine satellitare. Questi satelliti catturano la luce riflessa dalla superficie terrestre, creando un'immagine che i computer possono analizzare per classificare il paesaggio in diverse categorie, come foresta, acqua o città. Tuttavia, trasformare quelle immagini grezze in mappe accurate non è un compito semplice. La luce che rimbalza su una mangrovia appare diversa dalla luce che rimbalza su una piana fangosa, ma la differenza può essere sottile, e i programmi informatici utilizzati per distinguerle devono essere scelti con cura. Se viene utilizzato il programma sbagliato, o se i dati inseriti in esso non sono preparati correttamente, la mappa risultante potrebbe essere fuorviante, portando potenzialmente a decisioni errate su come gestire questi fragili ambienti.

Nel Golfo Persico, una regione in cui le foreste di mangrovie affrontano una forte pressione dalle infrastrutture petrolifere e del gas, un ricercatore di nome Keivan Kabiri si è posto l'obiettivo di trovare il modo più affidabile per mappare questi paesaggi costieri. Si è concentrato su cinque siti specifici lungo la costa meridionale dell'Iran, che variano da zone di mangrovie relativamente incontaminate ad aree fortemente influenzate dalle strutture industriali. Per testare il miglior approccio, ha raccolto immagini satellitari ad alta risoluzione dalla missione Sentinel-2 dell'Agenzia Spaziale Europea. Queste immagini offrono una visione chiara della Terra con una risoluzione di dieci metri, il che significa che ogni pixel nell'immagine rappresenta un quadrato di dieci per dieci metri sul terreno. La sfida era determinare quale algoritmo informatico potesse classificare meglio questi pixel in otto categorie distinte: mangrovia, piana fangosa, suolo, acqua bassa, acqua profonda, terreno brullo, aree edificate e vegetazione generale. Per farlo, Kabiri ha confrontato quattro metodi diversi. Due di questi erano strumenti di apprendimento automatico moderni e potenti, noti come Random Forest ed Extreme Gradient Boosting, che imparano dagli esempi per prendere decisioni complesse. Un terzo era la Support Vector Machine, un altro algoritmo sofisticato spesso utilizzato nel telerilevamento. Il quarto era il Maximum Likelihood Classification, un metodo molto più vecchio e tradizionale che si basa su assunzioni statistiche su come si comporta la luce.

Lo studio ha testato questi algoritmi in due diverse condizioni per vedere quanto importasse la preparazione dei dati. Nel primo scenario, ai computer venivano forniti solo i sei canali (bande) di luce grezzi catturati dal satellite, che corrispondono a diverse tonalità di luce dallo spettro visibile all'infrarosso. Nel secondo scenario, i ricercatori hanno aggiunto quattro ulteriori livelli di informazione ai dati. Questi non erano nuove immagini, ma piuttosto combinazioni matematiche dei canali di luce esistenti progettate per evidenziare caratteristiche specifiche, come la salute della vegetazione o la chiarezza dell'acqua. Questo processo, noto come ingegneria delle caratteristiche (feature engineering), è spesso considerato un passo necessario per migliorare l'accuratezza. I ricercatori hanno poi eseguito la classificazione su tutti i cinque siti e hanno verificato il loro lavoro rispetto a un riferimento ad altissima risoluzione. In precedenza, avevano fatto volare droni sopra queste stesse località per creare mappe aeree dettagliate, che fungevano da verità a terra (ground truth) per vedere quali mappe basate sui satelliti fossero effettivamente corrette.

I risultati hanno rivelato una distinzione chiara e sorprendente tra i metodi vecchi e quelli nuovi. I tre algoritmi moderni — Random Forest, Support Vector Machine ed Extreme Gradient Boosting — si sono comportati eccezionalmente bene in quasi tutti i casi. Hanno raggiunto un'accuratezza complessiva di circa il 95-97%, identificando correttamente il tipo di copertura del suolo per quasi ogni pixel. Sorprendentemente, questi strumenti ad alte prestazioni non avevano bisogno delle informazioni aggiuntive ingegnerizzate per svolgere il proprio compito. Sia che ricevessero solo le bande satellitari grezze, sia che ricevessero le bande grezze più gli indici aggiuntivi, la loro accuratezza rimaneva costantemente alta. L'aggiunta dei dati extra ha cambiato le loro prestazioni di meno di un punto percentuale in entrambe le direzioni, suggerendo che questi strumenti moderni sono abbastanza robusti da trovare i modelli di cui hanno bisogno direttamente dalle immagini grezze.

In netto contrasto, il metodo tradizionale, il Maximum Likelihood Classification, ha faticato significativamente quando gli sono stati forniti solo i canali satellitari grezzi. Senza le informazioni extra, è riuscito a identificare correttamente la copertura del suolo solo circa il 55% delle volte, un livello di accuratezza che sarebbe inutile per la gestione pratica. Tuttavia, quando i ricercatori hanno aggiunto gli indici spettrali extra ai dati, questo vecchio metodo è migliorato drasticamente, passando a un'accuratezza media dell'82%. Sebbene questo sia stato un enorme miglioramento, rimaneva ancora lontano dai metodi moderni, che si attestavano stabilmente sopra il 90%. Lo studio ha confermato che la differenza tra il miglior metodo moderno e il migliorato metodo tradizionale era statisticamente significativa, il che significa che il divario era reale e non un semplice caso. Gli strumenti moderni erano semplicemente più adatti alla realtà complessa e disordinata dell'ambiente costiero.

Anche con gli strumenti migliori, alcune sfide rimanevano. I ricercatori hanno scoperto che tutti e quattro gli algoritmi, indipendentemente dalla loro sofisticatezza, avevano difficoltà a distinguere tra tre tipi specifici di terreno: aree edificate come edifici e strade, terreno brullo e suolo nudo. Queste tre categorie appaiono spesso molto simili nelle immagini satellitari perché sono tutte luminose e asciutte, riflettendo la luce in modo quasi identico. Questa confusione persisteva anche quando i dati extra venivano aggiunti, suggerendo che il limite risiedesse non nel programma informatico, ma nel satellite stesso. La risoluzione di dieci metri delle immagini Sentinel-2 non è semplicemente abbastanza fine per distinguere sempre tra una chiazza di terreno asciutto e una chiazza di cemento da quella distanza. Questo risultato suggerisce che per compiti che richiedono il monitoraggio preciso dell'espansione industriale o di tipi di suolo specifici, i dati satellitari da soli potrebbero non bastare, e potrebbero essere necessarie altre fonti di dati.

Per garantire che i risultati fossero affidabili, lo studio ha impiegato un passaggio di validazione unico. Dopo che i satelliti sono stati classificati, i ricercatori hanno confrontato le mappe risultanti con le foto ad alta risoluzione scattate dai droni. Si trattava di un controllo indipendente, il che significa che i dati del drone non sono stati utilizzati per insegnare ai computer come classificare le immagini; sono stati usati solo per vedere se le mappe finali avessero senso. I risultati di questo controllo sono stati interessanti. Mentre i test di accuratezza standard mostravano chiaramente la superiorità degli algoritmi moderni, il controllo basato sui droni offriva un quadro leggermente diverso. Non separava chiaramente i migliori performer dai peggiori e, in alcuni casi, suggeriva addirittura che il metodo tradizionale stesse ottenendo risultati simili a quelli moderni. Ciò accadeva perché il controllo tramite drone utilizzava regole ampie per giudicare le mappe, come verificare se un pixel di "suolo" apparisse abbastanza luminoso da essere suolo. Poiché il metodo tradizionale spesso confondeva il suolo con edifici o terreno brullo, e tutti e tre appaiono luminosi nelle foto del drone, il controllo ha attribuito credito al metodo tradizionale per aver colto l'aspetto generale, anche se aveva sbagliato l'etichetta specifica. Questo ha evidenziato una lezione cruciale: sebbene i controlli indipendenti siano preziosi per individuare errori evidenti, non possono sostituire i test di accuratezza dettagliati basati sulla verità a terra quando si cerca di classificare quale metodo specifico sia il migliore.

In definitiva, questo studio offre una guida chiara per chiunque cerchi di mappare queste zone costiere. Se l'obiettivo è creare una mappa accurata di mangrovie e piane intertidali, la scelta dell'algoritmo informatico conta meno di quanto si possa pensare, a condizione che venga utilizzato uno strumento moderno di apprendimento automatico. Random Forest, Support Vector Machine ed Extreme Gradient Boosting sono tutti modelli affidabili che funzionano bene senza bisogno di una complessa preparazione di dati extra. Il metodo tradizionale non è obsoleto, ma richiede una mano attenta; necessita delle informazioni spettrali extra per funzionare, e anche allora non può eguagliare l'accuratezza degli strumenti più recenti. Lo studio serve anche da promemoria del fatto che la tecnologia ha dei limiti. Non importa quanto sia intelligente il computer, non potrà sempre distinguere tra un edificio e una chiazza di terra se l'immagine satellitare non è abbastanza nitida. Per gli scienziati e i gestori che lavorano per proteggere il Golfo Persico, la strada da seguire è utilizzare gli strumenti moderni più robusti disponibili, pur restando consapevoli che alcuni dettagli richiederanno sempre un esame più ravvicinato dal terreno o da un drone.