Lo sviluppo di applicazioni che utilizzano tecniche di intelligenza artificiale per l’analisi di immagini satellitari ha subito un incremento significativo negli ultimi anni ed è in continuo aumento. Grazie a machine learning e deep learning è possibile gestire dati non strutturati (immagini, testi, suoni) e far eseguire alcune operazioni di analisi tipicamente umane alle macchine, come ad esempio riconoscere una nave o un campo coltivato presenti in un’immagine satellitare. In questo modo è possibile aumentare esponenzialmente le capacità di analisi di un’organizzazione, trasferendo tali compiti (in genere di basso valore aggiunto) dagli esseri umani alle macchine, automatizzandoli e rendendoli facilmente scalabili e gestibili. Grazie a queste tecniche è possibile lavorare con una grande mole di dati (per volume, varietà e velocità), come le immagini e i dati satellitari, in maniera efficace ed efficiente generando valore.
Utilizzare i dati che provengono dai satelliti
La disponibilità di dati e immagini satellitari per l’osservazione del pianeta Terra è in grande crescita e i costi di questi dati sono in forte diminuzione. Nel settore dell’economia dello spazio troviamo diverse tipologie di offerte: in base alla risoluzione, alla frequenza della scansione ed alla tipologia di dato fornito che può variare dalla semplice immagine fotografica con una specifica risoluzione a una ricostruzione attraverso l’uso di onde radar (SAR – Synthetic Aperture Radar) o più in generale immagini multispettrali che permettono di ottenere dati post-processati specifici come ad esempio le aree di vegetazione attraverso l’indice NDVI (Normalized Difference of Vegetation Index). In tal senso è opportuno citare il programma Copernicus sviluppato dalla Commissione Europea in partnership con l’Agenzia Spaziale Europea (ESA). Lo scopo del programma è di aggregare i dati provenienti dai satelliti e da sensori e stazioni marine e terrestri (misurazioni in situ) per fornire dati e servizi di qualità e garantire un accesso indipendente alle informazioni nei settori dell’ambiente e della sicurezza sia a livello globale che locale in modo da supportare i fornitori di servizi, le istituzioni pubbliche e altre organizzazioni internazionali a migliorare la qualità della vita per i cittadini europei. Attraverso le missioni Sentinel facenti parte del programma Copernicus, è possibile ottenere dati e immagini satellitari a costo zero e quindi rappresenta una risorsa molto utile per attività di ricerca e sviluppo e nelle fasi di de-risking di progetti innovativi, permettendo di abbassare il budget necessario.
Reti neurali convoluzionali e machine learning
Le tecniche utilizzate per l’analisi delle immagini satellitari sono basate in gran parte su reti neurali convoluzionali. Tali architetture, che si ispirano ai modelli biologici della corteccia visuale degli esseri umani, consentono un’analisi gerarchica delle immagini e sono in grado di simulare alcune capacità umane come il riconoscimento di oggetti, l’identificazione di pattern, la segmentazione e la localizzazione. Attraverso tecniche particolari possono poi essere rese invarianti (almeno in parte) rispetto a rotazioni ed equivarianti rispetto alle traslazioni, il che significa che sono in grado di operare anche se l’immagine è ruotata o spostata. Questa proprietà è fondamentale per l’analisi delle immagini, perché una particolarità degli esseri umani è proprio quella di riuscire ad analizzare le immagini anche in condizioni non standard, come ad esempio riconoscere che in una foto è presente un gatto anche se la foto è capovolta, ossia la capacità di astrarre l’identificazione rispetto alla condizione abituale.
Oltre alle tecniche basate su reti neurali, soprattutto nelle fasi di post-processamento del dato, spesso sono utili le tecniche di machine learning “classico” come le random forest, il gradient boosting e le regressioni, soprattutto quando si utilizzano dati proxy per determinare variabili non direttamente osservabili. Spesso, quindi, si possono utilizzare i due approcci congiuntamente, in cui i modelli di rete neurale si occupano della parte sensoriale (riconoscimento di specifiche proprietà presenti nell’immagine) permettendo di strutturare il dato, mentre i modelli di machine learning classico elaborano il dato strutturato. Ad esempio, è possibile utilizzare le reti neurali convoluzionali per determinare la quantità di verde pubblico nelle aree urbanizzate per generare uno storico di dati da cui stimare, applicando un algoritmo di machine learning alla serie storica, l’evoluzione futura.
Nuvole e big data
Uno dei maggiori problemi che affligge le immagini fotografiche fornite dai satelliti è la presenza di nuvole, che spesso ricoprono ampie porzioni di superficie e rendono l’immagine non utilizzabile o utilizzabile in parte. Anche in questo caso si utilizzano tecniche di AI per ricreare l’immagine a partire da uno storico e quindi ricostruire la porzione di superficie coperta dalle nuvole con il maggior grado di probabilità. Questo metodo può avere senso nel caso di informazioni statiche (ad esempio individuazione di un immobile, che non cambia la propria posizione da un giorno all’altro). Nel caso in cui si debba operare su informazioni dinamiche (come la posizione di una nave nell’oceano) occorre integrare con altri dati, oltre all’immagine fotografica. Spesso si utilizzano i dati provenienti dal SAR che riescono ad attraversare le nuvole e quindi risentono meno del fenomeno, anche se non forniscono informazioni riguardo il colore, a differenza di un’immagine fotografica.
Un’altra problematica nell’utilizzo delle immagini e dei dati satellitari è rappresentata dalla grande quantità di dati e dalla loro dimensione per cui occorre dotarsi di un’infrastruttura adeguata alla loro gestione e analisi sia in termini di storage che di banda e potenza di calcolo. In tal senso una soluzione in cloud può rappresentare, almeno in una prima fase, l’ambiente ideale per fare ricerca e realizzare prototipi. Andando in produzione invece bisogna fare delle valutazioni più approfondite per riuscire a ottenere il miglior rapporto tra qualità e prezzo.
Casi di utilizzo di AI e immagini satellitari
Il binomio intelligenza artificiale – immagini satellitari permette di spaziare in diversi ambiti con una vasta gamma di possibili applicazioni. I settori classici in cui è possibile operare sono l’agricoltura, l’ambiente, il territorio, la difesa e sicurezza. Utilizzando le immagini satellitari è possibile quantificare ad esempio il verde vegetativo oppure ancora la tendenza alla desertificazione di porzioni di territorio. In genere l’intelligenza artificiale viene usata secondo due direzioni applicative:
- identificazione del dato, la cosiddetta strutturazione del dato (che comprende spesso anche il pre-processamento: pulizia del dato e sua ingegnerizzazione) in modo da ottenere un dato il più possibile strutturato. Ad esempio, utilizzare un sistema di AI per contare quante navi sono presenti in una determinata porzione di oceano.
- L’utilizzo vero e proprio del dato. Riprendendo l’esempio del punto precedente è possibile utilizzare il dato per stimare il traffico commerciale marittimo e quindi fare delle valutazioni di impatto ambientale o previsioni future sul traffico navale in quella zona.
In tal senso le applicazioni sono tantissime: è possibile fare delle previsioni sulla produzione di colture, oppure individuare i migliori spot in mare dove posizionare sistemi per acquacoltura in base a particolari parametri o ancora individuare future zone di espansione urbana attraverso l’analisi delle dinamiche urbane presenti e passate.
Un ambito molto interessante e relativamente nuovo di applicazione è quello relativo agli hedge-fund che utilizzano le informazioni fornite dai satelliti per effettuare delle analisi finanziarie attraverso variabili proxy, riuscendo ad ottenere informazioni di grande valore. Un esempio è quello della USB investment research che usando i dati satellitari ha monitorato l’utilizzo dei parcheggi del gigante della grande distribuzione organizzata statunitense Wall-Mart ricostruendo da questi dati la possibile variazione futura sul trimestrale delle vendite, un’informazione di grande valore per una banca di investimento, che ha permesso un migliore decision making. Agritech, fintech, analisi dei grandi rischi e monitoraggio del territorio sono solo alcuni esempi di settori in cui il binomio intelligenza artificiale e dati satellitari si è rivelato vincente, consentendo di trasformare i dati in conoscenza.
Conclusioni
Dai casi d’uso precedenti è possibile rilevare come le applicazioni coprono ambiti spesso molto diversi tra loro e con obiettivi differenti e applicazioni eterogenee, ma che si basano sempre su due fattori: satelliti e intelligenza artificiale.
La possibilità di elevare, grazie alle tecniche di intelligenza artificiale, il grado di informazione presente nei dati satellitari, creando un’informazione a più alto valore aggiunto, ha un elevato potenziale che al momento non è sfruttato nella sua interezza e si prevedono grandi margini di crescita. Le possibili applicazioni sono tantissime, spesso si tratta solo di trovare l’idea giusta.
