Una tecnica di apprendimento incrementale per la stima della temperatura superficiale del mare da immagini telerilevate

Abstract

In questo elaborato ci si propone di analizzare un indicatore biofisico della salute delle nostre acque marine: la temperatura. Tramite l’analisi di questo variabile possiamo comprendere le problematiche degli ecosistemi che stanno soffrendo le conseguenze del suo innalzamento e possiamo cercare di limitare gli ulteriori danni che potrebbero insorgere in futuro monitorandone costantemente il valore. I dati analizzati considerati sono stati forniti da immagini telerilevate da un sensore ottico multispettrale e sono state analizzate grazie all’uso di un albero di decisione chiamato “Hoeffding Tree Regressor”. Per poter ottenere il miglior risultato possibile sono state implementate utilizzate due diverse versioni di tale algoritmo: una sfruttando la libreria “River”, reperibile online e che fornisce le funzioni necessarie alla creazione dell’albero e alla valutazione delle sue prestazioni, mentre l’altra è stata creata ex novo per ricalcare al meglio quanto previsto dalla relativa teoria. Vengono usate diverse metriche (MSE, RMSE, R^2 e scatter plot) di paragone per confrontare i risultati ottenuti dalle due distinte implementazioni. Infine, si propone anche il confronto fra le prestazioni dell’albero decisionale scelto e di altre possibili scelte.

This paper aims to analyze a biophysical indicator of the health of our marine waters: temperature. By examining this variable, we can understand the issues affecting ecosystems that are suffering from the consequences of rising temperatures and work to mitigate further damage that may arise in the future by continuously monitoring its values. The data analyzed were obtained from remotely sensed images collected by an optical multispectral sensor and were processed using a decision tree algorithm called 'Hoeffding Tree Regressor'. To achieve the best possible results, two different versions of this algorithm were implemented: one using the 'River' library, available online, which provides the necessary functions for building the tree and evaluating its performance; the other developed from scratch to better reflect the theoretical framework. Various metrics (MSE, RMSE, R², and scatter plots) are used to compare the results obtained from the two different implementations. Finally, a comparison is also made between the performance of the chosen decision tree and other possible alternatives.