L’Intelligenza Artificiale in ArcGIS Pro!

Con l’inizio del 2023 abbiamo assistito all’esplosione dell’Intelligenza Artificiale (AI); tools come ChatGPT, Dall-E e Midjourney rappresentano solo alcuni esempi di tecnologie che promettono di facilitare e velocizzare diversi processi. In numerosi ambiti, l’intelligenza artificiale sta trasformando il panorama tecnologico e il settore dei Sistemi Informativi Geografici non fa eccezione. Anche Esri non è rimasta a guardare e oggi parliamo della toolbox GeoAI, un insieme di tool che contiene strumenti per l’utilizzo dell’AI attraverso tecniche di Deep Learning (DL) e Machine Learning (ML).

L’integrazione dell’AI in ArcGIS Pro rappresenta una sinergia tra dati spaziali e tecnologia geospaziale, arricchita dall’apprendimento automatico (Machine Learning) e dalle reti neurali profonde (Deep Learning), che insieme migliorano la comprensione e la risoluzione di problemi spaziali complessi.

Queste tecniche avanzate permettono di sfruttare funzionalità come la classificazione automatica delle immagini, la segmentazione e il rilevamento di oggetti a partire da dati strutturati e non. Questi strumenti sono ormai essenziali in settori come l’urbanistica, l’agricoltura di precisione e la gestione delle risorse naturali, dove rapidità e accuratezza sono fondamentali.

GeoAI in ArcGIS Pro

La GeoAI è integrata in ArcGIS attraverso una vasta gamma di strumenti di geoprocessing e exploratory analysis, ed è disponibile con la licenza Professional Plus. Altre toolbox come la Image Analyst contengono diversi tool che utilizzano il Machine Learning o il Deep Learning per la classificazione delle immagini o il pattern recognition.

Sia il Machine Learning che il Deep Learning analizzano le informazioni e prevedono i risultati con un coinvolgimento umano limitato, ma differiscono nel modo in cui il computer impara ad analizzare i dati. Con il Machine Learning, un sistema viene istruito su come interpretare le informazioni in base a input specifici, richiedendo interventi umani per gestire e ottimizzare il modello. Il Deep Learning, invece, insegna al sistema cosa cercare nei dati per condurre l’analisi desiderata. Questo compito viene svolto utilizzando reti neurali, che imitano i modi in cui un cervello umano elabora le informazioni. Questo approccio permette di elaborare dati grezzi e di identificare autonomamente quali sono le informazioni rilevanti da analizzare, mentre i modelli di machine learning operano su dati pre-elaborati e seguono schemi predefiniti per le analisi.

ArcGIS offre anche modelli di Deep Learning ready to use che semplificano l’addestramento, spesso complesso e dispendioso in termini di risorse.

Flussi di GeoAI

La GeoAI svolge un ruolo fondamentale nella risoluzione di problemi spaziali, generando dati attraverso l’estrazione, la classificazione e il rilevamento di informazioni da fonti strutturate e non strutturate. L’automatizzazione resa disponibile da questo strumento per la creazione di dati spaziali è vantaggiosa in molti flussi di lavoro e può comportare un significativo risparmio di tempo e risorse. Questi dati spaziali diventano input preziosi per flussi di lavoro successivi, dalla gestione dei dati spaziali all’analisi avanzata delle relazioni e dei modelli.

Un esempio pratico di utilizzo di una tecnica di Machine Learning è la classificazione dell’uso del suolo a partire da un immagine satellitare RGB o multispettrale. Campionando l’immagine in diversi punti tramite la creazione di poligoni caratterizzanti quelle che sono le differenti destinazioni d’uso (come aree edificate, strade, prati etc…), il ML è in grado di riconoscere le combinazioni di valori corrispondenti ad ogni classe, andando così a classificare l’intero raster secondo quelle che sono le classi definite in partenza.

Allo stesso modo, risultato simile si sarebbe potuto ottenere dall’utilizzo del Deep Learning. Riprendendo l’esempio del Machine Learning, utilizzando sempre un’immagine satellitare, immaginiamo di voler ricavare l’impronta al suolo dei tetti degli edifici, ovvero ottenere dei poligoni per gli abitati. Tramite DL questa operazione risulta possibile: dopo aver sagomato un numero sufficiente di edifici tale da aver un campione adeguato per la creazione del nostro modello, possiamo addestrarlo in modo tale da poterlo poi utilizzare in altre aree non campionate, ottenendo così un dato vettoriale dei nostri edifici.

Similmente potremmo ricavare i lineari delle strade, oppure tramite modelli come il SAM (Segment Anything Model) vettorializzare tutto ottenendo feature differenti per i diversi oggetti presenti in un immagine (alberi, prati, strade, edifici, piscine, machine etc..).

Conclusioni

Gli strumenti di GeoAI consentono analisi sofisticate per trasformare i dati in informazioni di valore. La GeoAI è, dunque, l’incontro tra Intelligenza Artificiale e le GIS Science, capace di ampliare la comprensione e la risoluzione di problemi spaziali. Dall’estrazione oggetti dalle immagini, alle analisi di trend, gli strumenti di GeoAI rappresentano un’importante evoluzione per chiunque lavori con dati geografici.

Per maggiori informazioni sul mondo Esri contatta lo staff GIS di One Team via mail scrivendo a gis@oneteam.it o chiamaci allo 0247719331.

Iscriviti al blog per non perderti i prossimi appuntamenti e visita il nostro canale Youtube dove puoi trovare una playlist dedicata al GIS!

Dennis Zammarchi Archeologo preistorico di formazione con un orientamento alla fotogrammetria e alla cartografia, in One Team ricopro il ruolo di GIS Application Engineer. Fra le mie passioni ci sono la lettura, la zoologia, la storia e la cinematografia. Nel tempo libero mi piace molto visitare nuovi luoghi per imparare più cose possibili sul mondo.

Gianluca Sala Geologo di formazione con grande passione per Python e le analisi geospaziali, lavoro in One Team come GIS Application Engineer. Al di fuori dell’ufficio sono sempre alla ricerca di nuove esperienze, amo affrontare nuove sfide e imparare costantemente.