Da un interessante articolo su GeoConnexion vi riportiamo come Rob Morrison descrive in che modo coloro che hanno già investito molto nella raccolta di immagini e dati telerilevati possono sfruttare la potenza del GIS e del Machine Learning per rilevare tendenze e modelli altrimenti nascosti. La convergenza di intelligenza artificiale, telerilevamento e localizzazione presenta enormi opportunità ai professionisti GIS e insieme possono essere utilizzate per consentire un processo decisionale efficace e tempestivo.
Gli output derivati ottenuti combinando questi tre campi possono fornire informazioni preziose, consentendo di discernere modelli dove nulla era precedentemente ovvio, consentendo a coloro che possono interpretare questi dati di sfruttare questo potenziale. È "La scienza del dove" in azione.
L'uso del telerilevamento è importante perché contiene masse di informazioni preziose se si sa come estrarle. Questo tipo di immagini viene catturato su sensori montati su aerei, droni senza pilota o satelliti. Immagini di questo tipo sono sempre più utilizzate in molte aree come l'industria commerciale, la ricerca scientifica, la gestione delle emergenze e delle risorse, la sicurezza e la ricognizione.
Questo, insieme alla disponibilità quasi onnipresente di droni e al basso punto di ingresso che forniscono per ottenere fotografie aeree di alta qualità, ha portato a molte potenziali applicazioni e usi che tradizionalmente potrebbero essere stati impossibili da ottenere per organizzazioni o agenzie con budget ridotti.
IMMAGINI + MACHINE LEARNING = PRODOTTI RICCHI DI INFORMAZIONI
Facciamo un passo indietro e pensiamo alle immagini. Nella loro forma grezza le immagini sono solo dati grezzi non strutturati. File binari con righe e colonne di pixel con numeri assegnati che significano qualcosa per qualcuno secondo una scala.
Le immagini contengono dati: l'apprendimento automatico ci consente di estrarre informazioni da quei dati. Combinando la potenza del GIS e dell'apprendimento automatico, possiamo trasformare questi dati non strutturati in prodotti di informazioni geospaziali da cui derivare risultati e informazioni fruibili. Applicazioni come l'agricoltura di precisione, il rilevamento delle modifiche, il rilevamento degli obiettivi e la gestione delle risorse sono solo quattro applicazioni che possono trarre vantaggio dal consumo di questi prodotti derivati.
ADOTTARE UN APPROCCIO GEOGRAFICO AL MACHINE LEARNING
Un'altra applicazione di questo tipo è il rilevamento delle impronte degli edifici. Alla fine dell'anno scorso Rob e il suo collega Jonathan Sloan hanno tenuto un webinar su "Taking a Geographic Approach to Machine Learning". In quel webinar sono state utilizzate tecniche di machine learning e ortofotografia per cercare di rilevare le impronte degli edifici.
Il processo che abbiamo utilizzato è stato ottenuto utilizzando ArcGIS Pro 2.4.2 e le installazioni out-of-the-box dei notebook Anaconda e Jupyter che ne derivano.
L'APPROCCIO IN SETTE SEMPLICI PASSI
1. SELEZIONARE UN'IMMAGINE DI ALLENAMENTO
L'obiettivo era di determinare l'efficacia di un approccio automatizzato rispetto a un output noto. L'immagine utilizzata era una piccola area campione di un'ortofotografia a 3 bande con risoluzione di 16 cm che copriva una piccola area a Bangor, nell'Irlanda del Nord, acquisita nel 2016.
2. IDENTIFICARE I DATI DI ALLENAMENTO
Per l'area di input sono stati anche ottenuti i poligoni per le impronte di edifici esistenti dal Catasto (Land and Property Services). Questo è stato il set di dati di base usato per il training e per il confronto con l'output di machine learning.
3. CREARE UN DATASET ETICHETTE
Il primo passo nel flusso di lavoro di classificazione delle immagini è stata la creazione di campioni di addestramento. I campioni di formazione "insegnano" al modello di deep learning quali possono essere le dimensioni, la forma e la firma spettrale dell'impronta di un edificio. Più campioni vengono forniti al modello, più accurato sarà il risultato. Abbiamo usato i poligoni LPS Building Footprint per addestrare il nostro modello e da questo abbiamo creato un semplice set di dati di etichette senza segno a 8 bit o un'immagine raster classificata.
4. FORMAZIONE DEL MODELLO
Questo è il set di dati da utilizzare per addestrare il modello, utilizzandolo come input del raster classificato per lo strumento di geoprocessing. Insieme alla ortofotografia come raster di input, si possono impostare alcuni parametri di base e quindi esportare l'immagine chip che può essere utilizzata per addestrare il modello di deep learning.
L'output del training è un file .emd che è un file Esri Model Definition. Questo file è il ponte tra il GIS e il framework di deep learning.
5. INFERENZA
Avendo un set di dati di addestramento e creato il modello, si può eseguire quel modello su un diverso set di ortofotografia, nell'esempio ai link in calce sono state usate immagini a 16 cm a 3 bande di Belfast catturate nel 2018. Si lancia quindi il comando Classifica i pixel utilizzando Strumento di geoprocessing di Deep Learning che utilizza il raster di Belfast e la definizione del modello di deep learning creata in precedenza come input.
L'output di questo processo è un altro raster classificato, quello in cui il modello di deep learning ha identificato cluster di pixel che rappresentano le impronte dell'edificio.
6. CREARE POLIGONI DI COSTRUZIONE
Utilizzando questo raster classificato, possiamo quindi eseguire lo strumento di geoprocessing "Raster to Polygon" per convertire gli edifici raster in poligoni.
7. REGOLARIZZARE I POLIGONI DI OUTPUT
Questo crea poligoni con molti vertici e di forma irregolare, quindi a questo punto potremmo volerli ripulire un po' eseguendo lo strumento di geoprocessing "Regularize Building Footprints" che rimuoverà quei vertici in eccesso e squadrerà i bordi dell'edificio. L'output di questo strumento sono le impronte verdi come mostrato nelle immagini citate in calce.
In sintesi un processo di questo genere che potrebbe far rabbrividire i cartografi più avanzati, di certo è agli inizi delle sue possibilità e ci dimostra come un qualcosa che era solo una remota possibilità già da tempo auspicata, stia andando verso una plausibile realtà.
RIFERIMENTI
Copia qui lo "short link" a questo articolo
www.geoforall.it/{sh404sef_shurl}