Applicare tecniche di intelligenza artificiale alle immagini e ai dati satellitari è uno dei filoni più interessanti e di valore per aziende ed enti governativi di tutto il mondo. Negli ultimi anni, il numero di satelliti operativi è cresciuto in modo esponenziale, moltiplicando le fonti informative sullo stato del nostro pianeta. Riportando i dati di Statista, si stima che al momento siano circa 7.000 i satelliti attivi, la maggior parte dei quali dedicata proprio all’osservazione della Terra.
La proliferazione di satelliti porta a una generazione massiccia di dati. Si stima che un singolo satellite possa produrre tra 30 e 40 terabyte di dati al giorno, portando la produzione complessiva nell’ordine delle migliaia di petabyte all’anno. Ed è precisamente in questo contesto, tipicamente inserito nella cosiddetta Space Economy, che si posiziona l’applicazione di tecniche di AI all’imaging satellitare, con il fine di potenziare le capacità di analisi delle organizzazioni pubbliche e private a prescindere dallo scopo e dallo use case specifico.
Dalla difesa all’agrifood: alcune applicazioni di valore
In piena era data-driven, le organizzazioni hanno compreso il valore dell’interpretazione delle immagini e dei dati satellitari. La crescente disponibilità di informazioni e la riduzione dei costi hanno portato ad un aumento esponenziale del numero di provider che offrono servizi e strumenti di analisi ad hoc.
Nel frattempo, aumentano i casi d’uso e i settori che possono beneficiare dell’analisi avanzata dell’imaging e dei dati satellitari, tra cui tutto l’ambito governativo e della difesa, ma anche l’agrifood, il settore finanziario, le costruzioni, l’aviazione civile e molti altri.
Nell’ambito dell’agricoltura di precisione, per esempio, l’adozione di algoritmi di AI e ML su immagini multispettrali ad alta risoluzione permette agli operatori di:
- monitorare la salute delle colture;
- ottimizzare l’uso delle risorse idriche;
- effettuare previsioni sui raccolti;
- gestire al meglio la produzione conoscendo lo stato di stress delle colture, il ristagno idrico e le risorse disponibili.
Nel settore immobiliare e delle costruzioni, la capacità di monitorare i siti in tempo reale porta a una migliore gestione del rischio, alla prevenzione di incidenti e a un’ottimale programmazione delle manutenzioni, mentre in ambito finance l’analisi delle immagini satellitari può fornire informazioni sulle prestazioni delle aziende (si pensi, come caso concreto, al monitoraggio nel tempo dell’occupazione dei parcheggi di una catena retail), così da indirizzare decisioni di finanziamento e investimento. I satelliti osservano tutta la terra, e diviene così possibile monitorare ed effettuare previsioni sul cambiamento climatico e ambientale con eccellenti livelli di precisione.
L’imaging satellitare: dalla cattura ottica alle onde radar
Nel contesto della Space Economy, l’offerta di immagini e di dati satellitari è vasta. Quando si parla di “immagine satellitare” ci si riferisce di solito all’esito del processo di cattura ottica con differenti livelli di frequenza e risoluzione, personalizzabili in base alle specifiche esigenze. Tuttavia, i sistemi di cattura ottica hanno delle limitazioni: in primis, non attraversano le nuvole e subiscono limitazioni per quanto concerne la cattura notturna.
Il tema delle nuvole, in particolare, deve essere gestito in modo efficace. Negli scenari statici (monitoraggio degli edifici, delle infrastrutture…) è possibile adottare tecniche di AI proprio per ricostruire, con un livello di attendibilità adeguato, l’area coperta partendo da uno storico di rilevazioni.
Negli scenari dinamici, per superare le limitazioni della cattura ottica si può adottare un metodo come il Synthetic Aperture Radar (SAR), che si basa sull’utilizzo di onde radar per ottenere una ricostruzione realistica delle immagini indipendentemente dai fattori ambientali. I dati SAR vengono utilizzati per estrarre informazioni rilevanti attraverso l’applicazione di algoritmi e modelli di machine learning.
Per questo, non necessariamente SAR si traduce in un’immagine intelligibile come quella ottica e, in ogni caso, è sempre in bianco e nero. Numerosi fornitori di servizi SAR offrono ai propri clienti direttamente gli insight richiesti, come ad esempio la probabilità che si verifichi un incidente, la criticità di un difetto infrastrutturale, l’andamento della produzione agricola, le probabilità di desertificazione e via dicendo.
Dato il suo valore, il mercato dei servizi SAR è previsto in crescita con un tasso medio annuo dell’11% dal 2023 al 2028. La domanda è dominata (70%) dal settore militare e della difesa, ma si sta registrando un significativo aumento di interesse anche da parte dei settori finanziario e assicurativo, con un tasso di crescita annuo del 14%.
Comprendere l’immagine ed effettuare previsioni attendibili
A prescindere dallo use case e dalla industry, le tecniche di AI vengono applicate ai dati satellitari per due fini principali.
Interpretazione dell’immagine
Nel settore agrifood, ad esempio, è possibile utilizzare l’intelligenza artificiale (computer vision) per classificare il tipo di prodotto agricolo e valutarne la quantità. Questo permette di confrontare tali informazioni con le dichiarazioni delle aziende (es, quando vengono richiesti fondi pubblici) garantendo maggiore trasparenza e verificabilità dei dati. Questo tipo di impiego, che va ben oltre il settore agricolo, ha un impatto importante anche in termini di efficienza, poiché di fatto automatizza attività ripetitive e a basso valore aggiunto che finora erano eseguite manualmente.
In quest’ambito, le tecniche di apprendimento automatico più impiegate si basano sulle reti neurali convoluzionali, in cui il pattern di connettività è ispirato all’organizzazione biologica della corteccia visiva. Gli esiti sono significativi soprattutto in ambito di riconoscimento e classificazione degli oggetti, laddove la sfida è sempre quella di ottenere livelli di successo soddisfacenti in condizioni sub-ottimali, ovvero di fronte a immagini inclinate, mosse o sfocate.
Analisi avanzate e previsioni attendibili
L’adozione di tecniche di machine learning sul dato satellitare abilita una vasta gamma di applicazioni pratiche e di opportunità per enti e imprese. Qui dipende molto dallo use case e dall’obiettivo dell’indagine, che va dalla previsione degli effetti della deforestazione alla probabilità che si verifichi un incidente, fino alla sostenibilità economica di un’operazione finanziaria.
Sotto questo profilo, in molte occasioni l’imaging satellitare può essere coordinato con altre fonti di dati, che creano un patrimonio informativo più vasto a beneficio dei modelli di AI. Ci si riferisce, in particolare, a tutto l’universo IoT, che soprattutto in scenari relativamente statici, come il monitoraggio infrastrutturale, può offrire ulteriori informazioni quantitative su cui basare analisi approfondite ed esiti convincenti.
