Classificazione di immagini multispettrali e termiche ad alta risoluzione per agricoltura di precisione = High resolution multispectral and thermal image classification for precision agriculture

La necessità di attività umane ambientalmente sostenibili ha introdotto evoluzioni e rivoluzioni tecnologiche anche in campo agricolo. Tale progresso in agricoltura si chiama Agricoltura di Precisione, un metodo di gestione dell’attività agraria che, attraverso il supporto di strumenti di monitoraggio tecnologicamente avanzati, consente di acquisire informazioni sullo stato delle colture per ottimizzare il processo produttivo. Uno degli strumenti più potenti e popolari a disposizione dell’Agricoltura di Precisione è il telerilevamento. In particolare, le immagini telerilevate da piattaforme UAV rappresentano lo strumento ideale per applicazioni di tipo locale, grazie alla possibilità di ottenere rilievi con risoluzioni geometriche e temporali elevate. Uno dei problemi principali nello studio delle immagini telerilevate è la classificazione, che negli ultimi anni è stata migliorata grazie all’integrazione con metodi di apprendimento automatico (Machine Learning). Questo studio si propone di verificare l’efficacia di due dei più famosi algoritmi di Machine Learning: le Macchine a Vettori di Supporto (Support Vector Machine) e la Foresta Casuale (Random Forest). Le immagini sono state acquisite su un vigneto del Monferrato, in Piemonte, grazie all’utilizzo di due diversi droni: un Phantom 4 Multispectral dji con sensore multispettrale a 6 bande ed un Matrice 210 dji con termocamera. Il metodo adottato si propone di sfruttare al meglio le informazioni raccolte dalle immagini telerilevate, utilizzando non solo la riflettanza rilevata nelle diverse bande, ma anche la geometria del terreno di studio ed alcuni tra i più noti indici vegetazionali.