Le tecniche utilizzate per l’analisi delle immagini satellitari sono basate in gran parte su reti neurali convoluzionali. Tali architetture, che si ispirano ai modelli biologici della corteccia visuale degli esseri umani, consentono un’analisi gerarchica delle immagini e sono in grado di simulare alcune capacità umane come il riconoscimento di oggetti, l’identificazione di pattern, la segmentazione e la localizzazione. Attraverso tecniche particolari possono poi essere rese invarianti (almeno in parte) rispetto a rotazioni ed equivarianti rispetto alle traslazioni, il che significa che sono in grado di operare anche se l’immagine è ruotata o spostata. Questa proprietà è fondamentale per l’analisi delle immagini, perché una particolarità degli esseri umani è proprio quella di riuscire ad analizzare le immagini anche in condizioni non standard, come ad esempio riconoscere che in una foto è presente un gatto anche se la foto è capovolta, ossia la capacità di astrarre l’identificazione rispetto alla condizione abituale.
Oltre alle tecniche basate su reti neurali, soprattutto nelle fasi di post-processamento del dato, spesso sono utili le tecniche di machine learning “classico” come le random forest, il gradient boosting e le regressioni, soprattutto quando si utilizzano dati proxy per determinare variabili non direttamente osservabili. Spesso, quindi, si possono utilizzare i due approcci congiuntamente, in cui i modelli di rete neurale si occupano della parte sensoriale (riconoscimento di specifiche proprietà presenti nell’immagine) permettendo di strutturare il dato, mentre i modelli di machine learning classico elaborano il dato strutturato. Ad esempio, è possibile utilizzare le reti neurali convoluzionali per determinare la quantità di verde pubblico nelle aree urbanizzate per generare uno storico di dati da cui stimare, applicando un algoritmo di machine learning alla serie storica, l’evoluzione futura.
In tal senso le applicazioni sono tantissime: è possibile fare delle previsioni sulla produzione di colture, oppure individuare i migliori spot in mare dove posizionare sistemi per acquacoltura in base a particolari parametri o ancora individuare future zone di espansione urbana attraverso l’analisi delle dinamiche urbane presenti e passate.
Un ambito molto interessante e relativamente nuovo di applicazione è quello relativo agli hedge-fund che utilizzano le informazioni fornite dai satelliti per effettuare delle analisi finanziarie attraverso variabili proxy, riuscendo ad ottenere informazioni di grande valore. Un esempio è quello della USB investment research che usando i dati satellitari ha monitorato l’utilizzo dei parcheggi del gigante della grande distribuzione organizzata statunitense Wall-Mart ricostruendo da questi dati la possibile variazione futura sul trimestrale delle vendite, un’informazione di grande valore per una banca di investimento, che ha permesso un migliore decision making. Agritech, fintech, analisi dei grandi rischi e monitoraggio del territorio sono solo alcuni esempi di settori in cui il binomio intelligenza artificiale e dati satellitari si è rivelato vincente, consentendo di trasformare i dati in conoscenza.
La possibilità di elevare, grazie alle tecniche di intelligenza artificiale, il grado di informazione presente nei dati satellitari, creando un’informazione a più alto valore aggiunto, ha un elevato potenziale che al momento non è sfruttato nella sua interezza e si prevedono grandi margini di crescita. Le possibili applicazioni sono tantissime, spesso si tratta solo di trovare l’idea giusta.