Tecnologie geomatiche per il monitoraggio delle dinamiche della superficie terrestre e degli impatti correlati

The present work aims to investigate the potentiality of different innovative approaches to the monitoring of different environmental phenomena, based on the combination of Remote Sensing (RS) data and Artificial Intelligence (AI) techniques for data analysis. The research aimed to give an answer to the need of smart and precise instruments for environmental monitoring, testing, for each area of research, the potentiality of a monitoring based on geomatic technologies and outlining future improvements. Considering in particular the effects of hantropic pressure over natural ecosystems and the effects of climate changes, environmental monitoring techniques based on RS data and AI data analysis can play a crucial role, toward a sustainable management of natural resources and to measure the magnitude of environmental impacts. The research activity was developed through five main topics, that included the classification of laser scanner points cloud, the study of satellite derived bathymetry, the classification of geomorphic units on the river Isonzo, the detection of seaweeds presence along the entire West coast of Ireland and the analysis of correlation between Sentinel-5 NOx data and ground station measurement. For all the mentioned topics an AI based approach was successfully designed and applied, with extremely positive results. The research led to experience the importance of acquiring an in-depth knowledge of the phenomena of interest, in order to optimize the pre-processing, the feature engineering and the model calibration phases. However, the high precisions obtained confirmed the reliability of Artificial Intelligence as a data analysis technique for Remote Sensing based environmental monitoring. Future improvements can be connected to the building of fully automated tools for environmental phenomena monitoring and to the application of the most advanced techniques for data analysis, for example Graph Convolutional Networks.

Il presente lavoro ha lo scopo di investigare le potenzialità di differenti approcci innovativi al monitoraggio di diversi fenomeni ambientali, sulla base dell’utilizzo di tecniche di telerilevamento e di intelligenza artificiale per l’analisi dei dati. La ricerca mirava a dare una risposta alla necessità di strumenti pratici e funzionali per il monitoraggio ambientale, testando, per ciascuna delle aree di ricerca, le potenzialità del monitoraggio basato sulle tecnologie geomatiche e delineando futuri possibili sviluppo. Considerando in particolare gli effetti della pressione antropica sugli ecosistemi naturali e gli effetti dei cambiamenti climatici, le tecniche di monitoraggio ambientale basate sul telerilevamento e sull’intelligenza artificiale possono svolgere un ruolo cruciale verso una gestione sostenibile delle risorse naturali e per il monitoraggio degli impatti ambientali. L’attività di ricerca si è sviluppata su cinque temi principali, che hanno incluso la classificazione di nuvole di punti non strutturate, lo studio della batimetria da satellite, la classificazione delle unità morfologiche sul fiume Isonzo, l'individuazione della presenza di alghe lungo l’intera costa Ovest dell’Irlanda e l’analisi della correlazione tra i dati Sentinel-5 su NOx e le misure dalle stazioni fisse. Per tutti i temi menzionati è stata sviluppata un’applicazione con l’utilizzo di tecniche di intelligenza artificiale, con risultati estremamente positivi. La ricerca ha condotto ad acquisire esperienza sull’importanza della conoscenza approfondita del fenomeno oggetto di studio, al fine di ottimizzare le fasi di analisi preliminari, la fase di creazione del dataset e la fase di calibrazione dei modelli. Comunque, le elevate accuratezze ottenute hanno confermato l’affidabilità delle tecniche di intelligenza artificiale, applicate al telerilevamento per il monitoraggio ambientale. Futuri sviluppi possono essere connessi allo sviluppo di sistemi completamente automatizzati per il monitoraggio di fenomeni ambientali o all’applicazione delle tecniche di analisi dei dati più avanzate, per esempio le Graph Convolution Networks.