Deep learning basato su immagini da drone per la super risoluzione di scene multispettrali acquisite da satellite = Deep learning based on UAV data for Super Resolution of multispectral satellites scenes

La tecnologia legata all’utilizzo dei droni ha subito nell’ultimo decennio un forte sviluppo migliorando la stabilità del mezzo, alleggerendo la struttura, perfezionando precisione e accuratezza dell’acquisizione e ottimizzando i software per l’elaborazione dei dati. Questa tecnologia trova applicazione in svariati ambiti tra cui quello del monitoraggio ambientale, permettendo di congiungere l’acquisizione di dati su una area vasta con una risoluzione elevata e con informazioni multispettrali. Tuttavia, è necessario effettuare un’analisi dei costi in funzione della scala di applicazione e delle specifiche condizioni dello studio di interesse per valutare quando il rilevamento con UAV (Unmanned Aerial Vehicle) risulti più conveniente rispetto all’utilizzo di altre strumentazioni di Remote Sensing come le acquisizioni satellitari. In questo contesto si inserisce l’utilizzo del machine learning, e in particolare della Super-Risoluzione, che può trovare un’interessante applicazione nei casi in cui non prevalga, in termini di convenienza, una specifica tipologia di acquisizione da remoto. L’obiettivo di questo lavoro è lo studio dell’applicabilità della rete neurale VDSR (Very Deep Super Resolution) nel contesto del telerilevamento, utilizzando le immagini da drone come dati di base per allenare la rete e le immagini satellitari come immagini di input su cui migliorare la risoluzione. La valutazione del risultato si concentra su applicazioni di monitoraggio ambientale, in particolare sulla possibilità di identificare porzioni di territori agricoli con diversa attività vegetativa sulla base di indici multispettrali, dunque in riferimento al comportamento spettrale. Per effettuare queste analisi i dati utilizzati contengono infatti informazioni nel campo delle lunghezze d’onda del visibile e dell’infrarosso vicino. Nel primo capitolo si presentano le diverse tecnologie di Remote Sensing, ciascuna con i relativi vantaggi e svantaggi. Successivamente si esaminano nel dettaglio alcune camere multispettrali e iperspettrali utilizzabili per le acquisizioni con drone e si relazionano con il payload della missione satellitare selezionata come più adatta per questo studio, la missione Copernicus Sentinel-2. Dopo questa prima parte sulle generalità delle due tecnologie utilizzate, si definisce l’algoritmo utilizzato per l’elaborazione dei dati, ossia la rete neurale convoluzionale VDSR. Si giunge dunque al centro dell’analisi, in cui si determinano i dati da utilizzare, i processamenti da effettuare per renderli idonei all’utilizzo, si definiscono le scelte per effettuare i test e gli strumenti con cui analizzare i risultati e valutarne l’accuratezza. Nel capitolo successivo sono riportati i risultati ottenuti. I test sono organizzati in due fasi: nella prima fase si eseguono le analisi su immagini RGB a colori reali al fine di consolidare il metodo; nella seconda fase si introducono le immagini multispettrali da cui sviluppare le specifiche analisi. Nella parte finale si commentano i risultati ottenuti, traendo le conclusioni relative all’utilizzo della rete VDSR per l’applicazione di monitoraggio ambientale studiata. Infine, nel capitolo degli allegati, si riportano le schede tecniche dei sensori, il codice per definire e utilizzare l’algoritmo della rete VDSR e gli elaborati grafici dei risultati ottenuti.