Come i satelliti iperspettrali stanno rivoluzionando le nostre città?

Le immagini iperspettrali catturano la luce in centinaia di bande, quasi come un arcobaleno digitale. Questo permette di distinguere materiali urbani che a occhio nudo sembrano uguali, come asfalto e cemento. Storicamente, i ricercatori hanno preferito i voli aerei perché offrono risoluzioni più nitide e dataset di riferimento. Negli ultimi anni, però, i satelliti stanno guadagnando terreno grazie a missioni più potenti e a costi più bassi. Le tecniche più usate includono lo "Spectral Unmixing", che separa i segnali dei diversi materiali, e gli algoritmi di Machine Learning come Support Vector Machines e Random Forests, ideali quando i dati sono pochi. Anche le reti neurali profonde, tipo le Convolutional Neural Networks, stanno entrando in scena, ma richiedono grandi volumi di dati e molta potenza di calcolo. Le applicazioni più comuni sono la classificazione del suolo, il rilevamento di superfici impermeabili, la mappatura della vegetazione urbana e l'analisi delle zone climatiche locali. Le sfide rimangono: mancano set di addestramento completi e la fusione di dati provenienti da sensori diversi è ancora poco sfruttata. Con nuovi satelliti più accessibili, l'iperspettrale potrebbe presto passare da laboratorio a strumento quotidiano per pianificare città più sostenibili e resilienti.

Lo Spectral Unmixing si basa su modelli lineari o non lineari per decomporre un pixel in frazioni pure (endmember). Nei contesti urbani, la complessità architettonica richiede approcci non lineari, come il kernel-based unmixing, che gestiscono riflessioni multiple. I metodi di Machine Learning tradizionali, ad esempio Support Vector Machines, sfruttano kernel RBF per separare classi con margini ottimali, ma dipendono fortemente dalla scelta di parametri C e gamma. Random Forests, invece, combinano alberi decisionali per ridurre l'overfitting, offrendo interpretabilità tramite importanza delle variabili spettrali. Le Deep Learning, in particolare le CNN, trattano le immagini iperspettrali come volumi 3‑D, apprendendo filtri spettrali‑spaziali con convoluzioni 3‑D. Tuttavia, la scarsità di dataset etichettati limita la loro generalizzazione; tecniche di data augmentation e transfer learning da reti pre‑addestrate su immagini multispettrali stanno emergendo come soluzioni. La fusione di dati, ad esempio combinando iperspettrali con LiDAR o SAR, può migliorare la discriminazione di strutture verticali e la stima dell'altezza degli edifici, ma richiede algoritmi di registrazione precisa e modelli di fusione multimodale. Le missioni future, come il satellite EnMAP‑2 e il progetto Copernicus Hyperspectral, promettono risoluzioni spettrali più fini (≤ 5 nm) e copertura globale, riducendo il divario tra dati aerei e spaziali. L'accesso aperto a questi dataset, insieme a piattaforme cloud per l'elaborazione, dovrebbe accelerare il passaggio da studi sperimentali a applicazioni operative per la gestione urbana sostenibile.