Satelliti e AI: migliorano la mappatura degli edifici?

Hai mai pensato a quanto sia complesso mappare gli edifici usando le immagini satellitari? Gli scienziati lo hanno fatto diventare più preciso grazie all’AI. Un team ha usato U-Net, un tipo di rete neurale, per riconoscere gli edifici in foto satellitari WorldView-3. Ma non è tutto: hanno migliorato i risultati in due modi. Prima, hanno scoperto che correggere l’atmosfera prima di affinare le immagini dà un boost del 9,4% all’accuratezza. Poi, hanno creato una rete self-supervised learning (SSL) per addestrare il modello senza etichette. Questo ha portato a un miglioramento del 15,3%! Il metodo funziona anche su un normale PC, risparmiando risorse. Un passo avanti per urbanistica e ambiente.

La segmentazione degli edifici tramite immagini satellitari è cruciale per discipline come l’urbanistica, il clima urbano e la valutazione ambientale. Questo studio utilizza U-Net, un’architettura basata su convoluzioni, per identificare gli edifici in immagini WorldView-3. Due innovazioni principali: 1) l’ordine ottimale tra correzione atmosferica (AC) e panchromatic sharpening (pan-sharpening), con AC prima per aumentare l’IoU media del 9,4%; 2) una rete SSL multi-task per pre-addestrare VGG19 su 21 immagini non etichettate. Le due pretext tasks sfruttano caratteristiche architettoniche (grandezza, distribuzione, spettri multipli). Risultati: +15,3% di accuratezza rispetto a VGG19 addestrato da zero. Il metodo è competitivo rispetto ad altri SSL, con guadagni del 3,5–13,7%, e ottimizza i costi computazionali, funzionando anche su PC consumer.