I ricercatori dell'Università di Aberdeen hanno sviluppato SAGRNet, un modello di IA avanzato progettato per migliorare significativamente l'accuratezza della mappatura della copertura del suolo, in particolare per la vegetazione. Questo modello innovativo utilizza l'apprendimento profondo per analizzare interi oggetti del paesaggio, migliorando l'efficienza e la precisione rispetto ai metodi tradizionali pixel per pixel. Lo studio che descrive lo sviluppo di SAGRNet è stato pubblicato sull'ISPRS Journal of Photogrammetry and Remote Sensing.
SAGRNet è stato addestrato utilizzando immagini satellitari di diversi paesaggi nel nord-est della Scozia e successivamente testato in cinque aree periferiche urbane distribuite a livello globale. Queste aree, tra cui Guangzhou, Durban, Sydney, New York City e Porto Alegre, sono state selezionate per rappresentare diversi contesti ecologici. Questo approccio garantisce la robustezza e la trasferibilità del modello in vari ambienti.
La disponibilità aperta del modello consente ai responsabili delle decisioni di valutare rapidamente l'impatto di eventi come inondazioni e siccità su vaste aree di terreno. SAGRNet può anche monitorare la crescita delle colture, aiutando nelle previsioni dei raccolti e nelle decisioni sull'uso sostenibile del suolo. Questa tecnologia si allinea con i continui progressi nell'IA e nel telerilevamento, come evidenziato dal prossimo simposio IEEE IGARSS 2025 e dal recente aggiornamento della mappa della copertura del suolo di Esri.
La capacità di SAGRNet di valutare rapidamente e con precisione i cambiamenti del paesaggio è fondamentale per comprendere gli impatti dei cambiamenti climatici. La versatilità del modello lo rende adatto ad applicazioni su larga scala come indagini sulle risorse del suolo e monitoraggio ecologico. Lo sviluppo di SAGRNet rappresenta un significativo passo avanti nel monitoraggio ambientale e nella gestione sostenibile del territorio, offrendo strumenti preziosi a ricercatori e responsabili politici a livello globale.