a cura di Matteo Picchiani*
Il monitoraggio dei consumi del suolo e di altri cambiamenti paesaggistici è un aspetto cruciale per comprendere le cause e i cambiamenti in atto, gli effetti immediati e ritardati, nonché per pianificare gli interventi. In questo contesto, è fondamentale disporre di dati e prodotti costantemente aggiornati sull’analisi del territorio, insieme a metodi utili, e ottenere la massima quantità di informazioni nel modo più automatizzato per essere indipendenti dalle competenze e dall’esperienza dei singoli operatori.
Per questo motivo, GMATICS ha esplorato una metodologia basata sull’intelligenza artificiale con l’obiettivo di produrre prodotti ad alta risoluzione: prodotti di classificazione del territorio con una risoluzione spaziale di 3 m e con una frequenza temporale più elevata. La scelta di un prodotto satellitare con una risoluzione spaziale di 3 m ha permesso di ottenere risultati con un livello di dettaglio più elevato; questo è un grande vantaggio perché il paesaggio è spesso caratterizzato da piccole aree eterogenee, che andrebbero perse se si utilizzasse una risoluzione spaziale inferiore. L’approccio seguito ha richiesto l’uso di immagini satellitari ottiche multispettrali ad alta risoluzione PlanetScope e, inoltre, uno strato di copertura del suolo all’interno della fase di addestramento dell’algoritmo di classificazione. La procedura, infatti, non prevede l’estrazione manuale della Regione di Interesse (ROI), ma è stata sviluppata per utilizzare il raster di copertura del suolo (carta nazionale di copertura del suolo 2017) al fine di ridurre l’errore introdotto dalla foto -interpretazione per poi passare ad un processo automatico e veloce.
L’utilizzo di immagini satellitari con una risoluzione spaziale di 3 m consente di avere un prodotto finale in cui sono rilevabili più informazioni; ad esempio, nella figura sottostante è possibile vedere il massimo livello di dettaglio di “superficie artificiale e costruzioni” (rosso) nell’output del test (a sinistra) rispetto al raster di riferimento (a destra). Maggiori dettagli sono rilevabili anche per altre categorie, come “alberi” (verde) e vegetazione erbacea (erbe e non) (verde chiaro).
Un’elevata potenza di calcolo e una piattaforma come DYDAS pronta a gestire diverse fonti di osservazione della terra e dati geospaziali sono necessari per ottenere l’elevata risoluzione spaziale dei risultati su scala da Paese a Continentale.
*Matteo Picchiani, Engineer, Chief Technical Officer at GMATICS
Monitoring of soil consumption: an automatic methodology for products with a higher spatial resolution and temporal frequency.
by Matteo Picchiani*
The monitoring of land consumption and other landscape changes is a crucial aspect in order to understand the in-progress causes and changes, and the immediate and delayed effects, as well as to plan interventions. In this context, it is fundamental to have continuously updated data and products on land analysis, along with useful methods, and to get the highest amount of information in the most automated way in order to be independent on the skills and experience of individual operators.
For this reason, GMATICS has explore an artificial intelligence based methodology with the aim of producing high resolution products: land classification products with a spatial resolution of 3 m and with a higher temporal frequency. The choice of a satellite product with a spatial resolution of 3 m has allowed to obtain results with a higher level of detail; this is a great advantage because the landscape is often characterized by small heterogeneous areas, which would be lost if a smaller spatial resolution was used. The approach that has been followed required the use of PlanetScope high-resolution multispectral optical satellite images and, also, a land cover layer within the training stage of the classification algorithm. In fact, the procedure does not provide for the manual extraction of the Region Of Interest (ROI), but it was developed to use the land cover raster (carta nazionale di copertura del suolo 2017) in order to reduce the error introduced by the photo-interpretation and then move towards an automatic and faster process.
The use of satellite images with a spatial resolution of 3 m allows to have a final product in which more information are detectable; for example, in the figure below you can see the greatest level of detail of “artificial surface and constructions” (red) in the test output (left) compared to reference raster (right). Greater detail is also detectable for other categories, such as “trees” (green) and herbaceous vegetation (grasses and non-grasses) (light green).
High computing power and a platform like DYDAS ready to manage different sources of earth observation and geospatial data, is required to achieve the high spatial resolution of the results over Country to Continental scale.
*Matteo Picchiani, Engineer, Chief Technical Officer at GMATICS
