Nuovo metodo stima l'altezza degli edifici usando dati satellitari

Misurare con precisione l'altezza degli edifici è importante per la pianificazione delle città, la gestione delle infrastrutture e lo studio dell'ambiente. Questo articolo parla di un nuovo metodo che usa immagini satellitari da Sentinel-1 e Sentinel-2 per stimare l'altezza degli edifici nelle città.

#Perché Conta l'Altezza degli Edifici

Oltre la metà della popolazione mondiale vive ora nelle città, e entro il 2050, si prevede che il 70% delle persone vivrà in aree urbane. Le città generano oltre l’80% dell'economia globale, ma consumano anche grandi quantità di energia e producono significative emissioni di carbonio. Per gestire la crescita urbana e i suoi effetti sull'ambiente, è essenziale monitorare come cambiano le città, e conoscere l'altezza degli edifici gioca un ruolo chiave nel comprendere questi cambiamenti.

Quando sappiamo quanto sono alti gli edifici, possiamo capire meglio questioni come il calore nelle città, quante persone vivono in un'area, l'uso dell'energia e il clima complessivo delle aree urbane. La tecnologia di Osservazione della Terra, che consiste nell'utilizzare satelliti per raccogliere dati, è diventata uno strumento utile per mappare le città su larga scala.

#Il Gap nei Metodi Attuali

Esistono diverse tecniche per estrarre contorni 2D degli edifici dai dati satellitari. Tuttavia, la maggior parte di questi metodi fornisce solo immagini piatte e bidimensionali senza alcuna informazione sull'altezza. Recentemente sono stati fatti sforzi per stimare l'altezza degli edifici utilizzando immagini satellitari.

Ad esempio, alcuni ricercatori hanno utilizzato un metodo chiamato Random Forest per stimare l'altezza degli edifici su grandi aree, ma i loro risultati avevano solo una risoluzione di 1 chilometro. Altri hanno usato tecniche diverse, come le Macchine a Vettori di Supporto, per ottenere stime migliori ma avevano comunque limitazioni.

La sfida più grande è stata quella di fare stime accurate dell'altezza dalle immagini satellitari garantendo l'accuratezza dei dati.

#Il Nuovo Metodo: MBHR-Net

Il nuovo metodo introdotto qui si chiama Rete di Regressione dell'Altezza degli Edifici Multimodale o MBHR-Net. Questo modello utilizza dati dal Radar a Apertura Sintetica (SAR) di Sentinel-1 e dalle immagini multispettrali di Sentinel-2 nel tempo per stimare l'altezza degli edifici con una risoluzione di 10 metri.

L'idea è semplice: trattiamo il compito di stimare l'altezza degli edifici come un problema di regressione pixel-wise. In questo metodo, se un pixel è impostato su zero, significa che non c'è nessun edificio lì, mentre qualsiasi valore sopra uno corrisponde all'altezza di un edificio.

#Come Viene Raccolto il Dato

I dati per questo studio provengono da immagini satellitari di dieci grandi città nei Paesi Bassi, tra cui Amsterdam e Rotterdam. I ricercatori hanno utilizzato dati gratuiti dai satelliti Sentinel, che sono stati progettati per raccogliere informazioni utili sulla Terra.

Per creare i dati di riferimento per l'altezza degli edifici, hanno usato un database 3D che contiene informazioni dai registri del governo locale riguardo i contorni e le altezze degli edifici. Questi dati di riferimento sono essenziali per confrontare e convalidare le previsioni del modello.

#La Struttura del Modello

MBHR-Net ha due parti principali: una analizza i dati multispettrali di Sentinel-2, e l'altra elabora i dati radar di Sentinel-1. Entrambi i rami della rete lavorano insieme per catturare diverse caratteristiche dalle immagini satellitari.

Il modello è costruito su una struttura popolare chiamata U-Net, che è comunemente usata nei compiti di segmentazione delle immagini. Questa architettura consiste in un encoder che comprime le informazioni dalle immagini di input e un decoder che aiuta a fare previsioni sull'altezza degli edifici.

In questo modello, il processo inizia con due encoder separati che imparano diverse caratteristiche da entrambe le fonti satellitari. Dopo aver elaborato i dati, il modello combina le caratteristiche usando una tecnica chiamata concatenazione elemento-wise. Questo processo aiuta a mantenere dettagli importanti, portando a previsioni migliori.

#Addestramento del Modello

Per addestrare il modello, i ricercatori hanno usato una tecnica chiamata data augmentation. Questo significa che trattano le 12 immagini raccolte in un anno come campioni di addestramento aggiuntivi, aumentando la dimensione del dataset.

Durante l'addestramento, il modello impara a minimizzare le differenze tra le sue altezze previste e le effettive altezze di riferimento. È stato addestrato per 100 cicli utilizzando una dimensione del batch di 4. Il processo di apprendimento è stato regolato nel tempo per migliorare l'accuratezza, permettendo al modello di riconoscere meglio i modelli nei dati.

#Valutazione delle Prestazioni del Modello

Dopo l'addestramento, le previsioni del modello sono state valutate rispetto alle altezze di riferimento. Le principali metriche usate per misurare l'accuratezza erano l'Errore Quadratico Medio (RMSE), l'Intersection over Union (IoU) e l'R-quadrato.

I risultati hanno mostrato che il MBHR-Net ha raggiunto un RMSE di 3,73 metri, il che è significativo, poiché suggerisce che l'errore medio è vicino all'altezza di un piano in un edificio. Il punteggio IoU era 0.95, il che significa che il modello ha identificato accuratamente le aree in cui si trovavano gli edifici. L'R-quadrato ha registrato 0.61, indicando che, anche se il modello ha fatto un buon lavoro nel spiegare le variazioni nelle altezze degli edifici, c'è ancora margine di miglioramento.

#Risultati Visivi e Analisi

L'efficacia del modello può essere vista anche in grafici a dispersione che confrontano le altezze previste con le altezze di riferimento effettive. Questi grafici hanno mostrato una correlazione decente, ma c'era una tendenza notevole a sottostimare alcune altezze degli edifici.

Per la valutazione visiva, i ricercatori hanno fornito diversi esempi di altezze previste accanto alle immagini satellitari originali. Nella maggior parte dei casi, le previsioni corrispondevano strettamente alle altezze reali, dimostrando una buona allineamento generale tra le uscite del modello e i dati del mondo reale.

#Direzioni Future

In conclusione, l'uso del modello MBHR-Net mostra grandi promesse per prevedere con accuratezza l'altezza degli edifici utilizzando dati satellitari disponibili gratuitamente. I risultati indicano un potenziale significativo per la pianificazione urbana e le valutazioni ambientali.

Andando avanti, i ricercatori puntano ad espandere il loro dataset oltre i Paesi Bassi per includere regioni e tipi di edifici diversi. Hanno anche in programma di integrare ulteriori tipi di dati, il che potrebbe consentire un approccio ancora più sofisticato per comprendere gli ambienti urbani.

Con la continua crescita e cambiamento delle città, avere dati accurati sulle altezze degli edifici diventerà sempre più importante, aiutando le società a prendere decisioni informate per uno sviluppo sostenibile.