La previsione dell'indice di vegetazione NDVI tramite le immagini satellitari

Abstract

Questa tesi esamina come le tecnologie di remote sensing possano essere abbinate ad algoritmi di machine learning (ML) al fine di prevedere il Normalized Difference Vegetation Index (NDVI) nella regione Liguria. Lo studio servirà come base per progetti futuri volti a potenziare la cruciale capacità dell'Ufficio Servizi Informativi Territoriali e Ambientali di Regione Liguria (SITAR) di monitorare e tutelare la salute della vegetazione nella regione. Lo studio discute varie sfide significative legate alla previsione del NDVI in un'ampia area geografica. La vastità e la eterogeneità del territorio ligure e la limitata disponibilità di immagini satellitari rilevanti aggravano la difficoltà di ottenere una comprensione completa delle dinamiche della vegetazione. Un problema ulteriore e ancora più arduo riguardante le immagini disponibili è il fatto che spesso diventano inutilizzabili a causa della presenza, imprevedibile, della copertura nuvolosa. In sostanza, la tesi adotta un approccio metodologico che mette a confronto il modello Convolutional Long Short-Term Memory (ConvLSTM) e il modello LSTM tradizionale. I risultati ottenuti indicano che, rispetto al modello tradizionale il ConvLSTM presenta una performance di previsione superiore. Integrando il framework LSTM con operazioni convoluzionali, si potenzia la capacità del modello di catturare dipendenze spaziali all’interno delle immagini satellitari, rendendo così la comprensione delle dinamiche di vegetazione più accurata.

This thesis explores how remote sensing technologies may be combined with machine learning (ML) algorithms in order to predict Normalized Difference Vegetation Index (NDVI) in the Liguria region. The study serves as a foundational framework for future projects aimed at enhancing the crucial ability of the Ufficio Servizi Informativi Territoriali e Ambientali di Regione Liguria (SITAR) to monitor and safeguard vegetation health in the region. The research addresses various significant challenges attending the prediction of NDVI within a large geographical area. The vast expanse and heterogeneous land-forms of the region and the limited availability of relevant satellite images exacerbate the difficulty of obtaining a comprehensive understanding of the vegetation dynamics. A further and still more intractable problem regarding the available images is the fact that they are frequently rendered unusable through the unpredictable phenomenon of cloud coverage. Essentially, the thesis adopts a methodological approach that compares Convolutional Long Short-Term Memory (ConvLSTM) and traditional LSTM models. The results obtained indicate that ConvLSTM exhibits greater predictive performance than its traditional counterpart. Integrating the LSTM framework by means of convolutional operations enhances the model's ability to capture spatial dependencies in satellite imagery, thus providing a more accurate understanding of vegetation patterns.