Manna, Milena (2025) Intelligenza artificiale per la modellazione degli ecosistemi mediterranei: machine learning e computer vision per la predizione dei VOC e l’analisi multispettrale della vegetazione. [Tesi di dottorato]

Documento PDF MilenaManna-38Ciclo-COMPLETA.pdf Visibile a [TBR] Amministratori dell'archivio Download (5MB) | Richiedi una copia

Abstract

La crescente complessità dei sistemi ambientali mediterranei richiede approcci di modellazione capaci di integrare fonti eterogenee di informazione e di affrontare in modo robusto l’incompletezza dei dati sperimentali. In tale contesto, la presente tesi propone un framework basato sull’intelligenza artificiale per la modellazione e il monitoraggio degli ecosistemi mediterranei, combinando Machine Learning e Computer Vision per l’analisi di due domini complementari: la predizione dei composti organici volatili (VOC) atmosferici e la caratterizzazione della copertura vegetale mediante immagini multispettrali da drone. Nel primo studio di caso, condotto sul sito di Montseny (Catalogna, Spagna), è stato sviluppato l’Hybrid Missing-Simulation Model for Atmospheric VOCs (HMSMA), un framework ibrido concepito per la ricostruzione predittiva di serie temporali con dati mancanti. L’HMSMA affronta simultaneamente due criticità tipiche dei dataset ambientali: la presenza di input meteorologici incompleti e l’assenza di misure dirette del target in specifici intervalli temporali (in particolare il 2020, anno che coincide con il COVID 19). Il modello integra tre sorgenti informative: dati reali, repliche simulate con input degradati e pseudo-target ricostruiti, al fine di indurre nei modelli una robustezza operativa verso l’incompletezza informativa. Le tre fasi di sviluppo del framework (addestramento su dati reali, apprendimento semi-supervisionato e integrazione multi-sorgente) sono state progressivamente validate su diversi VOC rappresentativi: Isoprene (m/z 69), Stirene (m/z 105) e Clorobenzene (m/z 113), fino alla ricostruzione del composto modello α-pinene (m/z 137), principale monoterpene di origine biogenica (BVOC). I risultati mostrano un’evoluzione coerente delle prestazioni (R² da 0.39 a 0.82; RMSE da 0.19 a 0.05) e una buona capacità di generalizzazione anche in presenza di dati meteorologici degradati. Il confronto con il modello di emissione MEGAN-light ha evidenziato una coincidenza stagionale convincente, confermando la validità del metodo per la stima di concentrazioni atmosferiche in condizioni di scarsa osservabilità diretta. Il secondo studio di caso, condotto presso il sito di Monte Fava (Alentejo, Portogallo), ha riguardato l’applicazione di tecniche di visione artificiale a ortofoto multispettrali acquisite con drone per la segmentazione automatica delle chiome di Quercus suber e la stima di indici di vegetazione. È stata implementata una rete U-Net lightweight in grado di garantire buoni livelli di accuratezza e tempi di inferenza ridotti anche su configurazioni hardware non specializzate (confronto tra utilizzo di GPU-CPU). L’analisi è stata condotta su combinazioni tribanda e monobanda, valutando metriche di accuratezza Intersection over Union (IoU) e prestazioni computazionali (rapporto CPU/GPU ≈ 9×). La banda del vicino infrarosso ha mostrato il contributo più significativo nella delineazione dei contorni delle chiome, mentre la combinazione RGB ha offerto una segmentazione più equilibrata in presenza di ombre e suolo nudo. Le maschere risultanti sono state integrate in ambiente GIS per la derivazione di parametri morfometrici e la correlazione con indici spettrali (NDVI, SAVI, MSAVI), consentendo un’analisi spaziale e fisiologica della vegetazione a scala di pianta. Complessivamente, la tesi dimostra come l’integrazione tra modelli di Machine Learning per dati incompleti e reti di segmentazione per immagini multispettrali possa costituire una strategia efficace per la comprensione e la modellazione predittiva degli ecosistemi mediterranei. Le metodologie sviluppate, basate su dataset reali e su procedure riproducibili in Python e Quantum Geographic Information System (QGIS), forniscono strumenti applicabili sia alla ricostruzione di variabili atmosferiche mancanti, sia al monitoraggio strutturale e fisiologico delle foreste, contribuendo al progresso verso un’osservazione ambientale automatizzata, integrata e scalabile.

Downloads

Actions (login required)

Modifica documento