Nuovi metodi di apprendimento statistici per analizzare meglio i dati satellitari di osservazione della Terra
«Gli attuali approcci non riescono a gestire in maniera efficiente le specifiche caratteristiche dei dati di telerilevamento», spiega Gustau Camps-Valls, coordinatore del progetto SEDAL finanziato dall’UE e professore di ingegneria elettronica presso l’Università di Valencia. «Questo problema diventa sempre più grande con i servizi operativi Sentinel di Copernicus e ora dobbiamo far fronte a un’urgente esigenza di elaborazione e comprensione di grossi quantitativi di dati complessi, eterogenei, multisorgente, strutturati, per monitorare i repentini cambiamenti che già si verificano sulla Terra».
Algoritmi e metodi per migliorare la modellizzazione e la comprensione dei sistemi Terra
In generale SEDAL cerca di introdurre la prossima generazione di metodi di inferenza automatici nel campo dell’analisi dei dati di OT. Svilupperà avanzati metodi di regressione per migliorare l’efficienza e la precisione delle previsioni, quantificare correttamente le incertezze, codificare la conoscenza fisica sul problema e ottenere modelli autoesplicativi appresi dai dati empirici. «Tuttavia, migliori modelli predittivi non sono sufficienti, vogliamo apprendere i rapporti causali dai dati OT in modo da poter confrontare gli attuali modelli alle osservazioni o alle ipotesi di test», spiega Camps-Valls. «Si tratta di un campo entusiasmante ancora agli albori, ma con i nuovi metodi e subordinatamente ad alcuni lievi assunti, possiamo rigettare false correlazioni e apprendere come il sistema sta attualmente funzionando e infine mutando». Ad oggi, il team SEDAL ha sviluppato molti nuovi algoritmi che integrano la precedente conoscenza e sono coerenti con le principali leggi della fisica. Questi modelli migliorano le previsioni della resa delle colture, monitorano lo stato della vegetazione, dell’atmosfera e dei corpi idrici, e rilevano e caratterizzano meglio i cambiamenti e le anomalie, ad esempio dovute a perturbazioni come ondate di calore e siccità. I modelli ora possono fondere informazioni provenienti da vari sensori e diffonderli agli attuali scenari dei megadati. «Scoprire una causalità da puri dati OT è un obiettivo più impegnativo e ambizioso per il quale abbiamo sviluppato algoritmi che potrebbero permetterci di individuare rapporti di causa-effetto», continua Camps-Valls.
Prodotti osservazionali per tutti
Diverse organizzazioni, aziende e utenti hanno mostrato interesse negli strumenti sviluppati da SEDAL. L’Università di Valencia ha stretto forti legami con l’Agenzia spaziale europea e l’Organizzazione europea per l’esercizio dei satelliti meteorologici, per sfruttare al massimo le idee e gli strumenti di SEDAL nel migliorare il monitoraggio della Terra. L’università ha inoltre implementato diversi metodi nella piattaforma cloud di Google per ampliare i modelli in maniera efficace. «Dalle agenzie geografiche e meteorologiche alle organizzazioni non governative, una comunità ancora più vasta potrà godere di questi sviluppi», aggiunge Camps-Valls. «Una precisione maggiore nella stima delle variabili climatiche essenziali come la temperatura, il contenuto di clorofilla o l’umidità del suolo, stime ed errori di incertezza più credibili e modelli di apprendimento automatico più esplicativi sono utilizzati e adottati da questa comunità». «La visione a lungo termine di SEDAL è legata all’apertura di nuove frontiere e al rafforzamento della ricerca verso algoritmi in grado di scoprire la conoscenza da dati OT, un passaggio fondamentale prima di arrivare all’obiettivo più ambizioso e a lungo termine, ovvero il ragionamento automatizzato dei cambiamenti climatici antropogenici», conclude Camps-Valls.
Parole chiave
SEDAL, OT, clima, dati OT, algoritmi, osservazione della Terra, modelli di apprendimento automatico, telerilevamento
