Modelli neurali per la segmentazione semantica di immagini satellitari

Abstract

La tesi proposta tratta il tema della segmentazione semantica di immagini satellitari mediante modelli neurali. L’introduzione contiene fondamenti di Computer Vision, reti neurali convoluzionali. In particolare, verrà analizzata la rete neurale U-Net ed il relativo algoritmo. Il lavoro, infine, si concentra su un caso di studio applicativo riguardante il rilevamento e la mappatura di fenomeni franosi. Sono stati utilizzati dati multisorgente e multitemporali provenienti dai satelliti Sentinel-1 (SAR) e Sentinel-2 (ottici) e indici morfologici, quali DEM e SLOPE. Il preprocessing ha incluso despeckling, normalizzazione e partizionamento dei dataset in training, validation e test. La fase sperimentale ha previsto la configurazione di diverse architetture U-Net, valutate tramite metriche quali precision, recall e F1-score. I risultati mostrano che una maggiore quantità di dati radar ed indici morfologici incrementa significativamente la capacità di rilevare aree franose, pur evidenziando limiti legati all’overfitting ed alla generalizzazione. Le conclusioni sottolineano il potenziale dei modelli neurali per il telerilevamento ambientale, proponendo come sviluppi futuri l’impiego di architetture avanzate, dataset più bilanciati o metriche alternative per migliorare la robustezza delle predizioni.

The proposed thesis addresses the topic of semantic segmentation of satellite images through neural models. The introduction briefly explains the fundamentals of Computer Vision and convolutional neural networks. In particular, the U-Net neural network and its algorithm are going to be analysed. Finally, the work focuses on an application case study concerning the detection and mapping of landslides. Multisource and multitemporal data from Sentinel-1 (SAR) and Sentinel-2 (optical) satellites, as well as morphological indices such as DEM and SLOPE, were used to compute this type of research. The preprocessing phase of the dataset included despeckling, normalization, and the partitioning of datasets into training, validation, and test sets. The experimental phase involved configuring different U-Net architectures, which were evaluated using metrics such as precision, recall, and F1-score. The results show that a greater amount of radar data and morphological indices significantly increases the ability to detect landslide areas, while also highlighting limitations related to overfitting and generalization. The conclusions emphasize the potential of neural models for environmental remote sensing, suggesting as future developments the adoption of advanced architectures, more balanced datasets, or alternative metrics to improve the robustness of predictions.