Guadagni:
- Capacità di interpretare layer GIS, NDVI e concetti di banda/risoluzione di telerilevamento
- Interpretazione dell'indice, analisi del cambiamento e stesura della narrativa della mappa con l'intelligenza artificiale
- Capacità di verificare l'interpretazione del satellite/della mappa dell'intelligenza artificiale con verità a terra e metadati
Sei un ingegnere ambientale che lavora a un progetto di conservazione delle zone umide. Il comune vuole che tu indaghi sulle denunce secondo cui il canneto in riva al lago si è ridotto negli ultimi cinque anni. Prima di scendere sul campo, devi fare una valutazione preliminare alla tua scrivania: hai immagini satellitari di due anni diversi, un progetto GIS (Geographic Information System) e un modello linguistico. Puoi chiedere a LLM di interpretare il riepilogo NDVI delle immagini e scrivere una bozza della narrativa del cambiamento. Tuttavia, un pixel satellitare rappresenta un quadrato di 10 metri e puoi capire se c'è un'ombra di nuvole, una canna secca o il livello dell'acqua stagionale in quel quadrato solo con la verità del suolo. In questa unità tratteremo i concetti di telerilevamento e GIS, interpretazione di indicizzazione/modifica con l'intelligenza artificiale e, soprattutto, i limiti di questa interpretazione.
Logica del livello GIS e fondamenti del telerilevamento
Il GIS organizza i dati geografici in strati sovrapposti: ogni strato porta un tema (uso del territorio, corpi idrici, altitudine, strade) ed è allineato in un sistema di coordinate comune. Un'analisi inizia con la sovrapposizione degli strati corretti nella proiezione corretta; il sistema di coordinate sbagliato distorce sistematicamente aree e distanze.
Quando si interpreta un'immagine telerilevata è necessario distinguere tre tipi di risoluzione:
Tipo di risoluzione
Cosa racconta?
esempio
limitazione
spaziale
Dimensione di un pixel sul terreno
10m, 30m
Gli oggetti piccoli rimangono sub-pixel
spettrale
Quante e quali bande di lunghezza d'onda?
Rosso, NIR, SWIR
Meno banda = meno potere discriminante
temporale
Quanto spesso viene visualizzato lo stesso luogo
5 giorni, 16 giorni
Perdita di dati nelle giornate nuvolose
Radiometrico
Sensibilità alla luminanza (profondità di bit)
8 bit, 12 bit
Bassa profondità = scarsa discriminazione
NDVI: formula e interpretazione
L’indice più comune che misura la vitalità della vegetazione è l’NDVI (Normalized Difference Vegetation Index). Una pianta sana riflette fortemente il vicino infrarosso (NIR) e assorbe il rosso (RED):
NDVI = (NIR − RED) / (NIR + RED)Intervallo di valori: −1 ... +1 < 0 : acqua, neve, nuvole 0,0 - 0,2 : terreno nudo, roccia, area edificata 0,2 - 0,5 : vegetazione rada/erbacea, copertura stressata 0,5 - 0,9 : copertura verde densa e sana
# NDVI di un piccolo blocco campione di pixel importa numpy come npnir = np.array([[0.42, 0.38], [0.11, 0.45]]) # riflettanza nel vicino infrarosso = np.array([[0.06, 0.09], [0.10, 0.05]]) # riflettanza rossandvi = (nir - rosso) / (nir + red)print(np.round(ndvi, 2))# [[0.75 0.62]# [0.05 0.80]]# Pixel in basso a sinistra (0.05): non una pianta - potrebbe essere terreno nudo o acqua/ombra
Suggerimento: l'NDVI non è una misura assoluta della "salute", ma un indicatore dipendente dalla condizione. Quando si confrontano due NDVI datati della stessa area, assicurarsi che le immagini siano state scattate in stagioni simili, angoli solari simili e condizioni prive di nuvole. Confrontando l’aspetto della fine estate con la primavera si ottiene un’irreale “perdita di piante”.
Analisi delle modifiche (rilevamento delle modifiche)
Il modo più semplice per trovare la differenza tra due date è prendere la differenza NDVI, ma questa differenza è significativa solo se le immagini possono essere confrontate.
ΔNDVI = NDVI_2025 − NDVI_2020 ΔNDVI << 0: perdita di copertura possibile (essiccazione, taglio, costruzione) ΔNDVI ≈ 0: nessun cambiamento ΔNDVI >> 0: aumento di copertura possibile (inverdimento, ripristino) ATTENZIONE: La differenza può riflettere il cambiamento effettivo così come le differenze di stagione/nuvolosità/angolo del sole/calibrazione. Differenza = cambiamento reale + rumore.
Attenzione: nuvole, ombre nuvolose e stagionalità sono i maggiori detrattori dell'analisi dei cambiamenti. L'area sotto l'ombra delle nuvole dà un NDVI basso e sembra una "perdita di vegetazione". Quando LLM esegue l'interpretazione delle immagini, il modello potrebbe confondere questi artefatti con l'evento reale. Assicurati di controllare i metadati dell'immagine (data, percentuale di nuvole, angolo del sole).
Interpretazione dell'indice e narrazione della mappa con l'intelligenza artificiale
LLM è utile per tradurre i riepiloghi degli indici numerici in una narrazione semplice e produrre bozze di rapporti. Forniscigli le statistiche e i metadati NDVI grezzi e chiedigli di generare il commento da verificare.
PRONTO DEBOLE: "La zona umida è diventata più piccola in questa immagine satellitare?" RICHIESTA FORTE: "Fornisco due statistiche NDVI datate (stessa area, stesso sensore): 2020-07-15 medio NDVI=0,61 nuvole=3% angolo del sole=58°2025-07-12 medio NDVI=0,42 nuvole=22% angolo del sole=55°Area di interesse: canneto in riva al lago, ~40 ettari.Il tuo compito:1) Calcola ΔNDVI e elencare le possibili interpretazioni.2) Elencare a quali ragioni (nuvole, ombra, livello dell'acqua, stagione, calibrazione) potrebbe essere dovuto questo calo (nuvole, ombra, livello dell'acqua, stagione, calibrazione) DIVERSE DALL'EFFETTIVA perdita di copertura.3) Per ogni possibile causa, suggerire un passaggio di VERIFICA per distinguerla (ad es. selezione di immagini senza nuvole, visita sul campo, registrazione del livello dell'acqua).4) Dichiarazione accurata "il canneto si è ridotto del X%" NON IMPOSTARE; la realtà dei fatti lo conferma”.
La forte sollecitazione indirizza il modello non verso un'unica conclusione definitiva ma verso un piano di spiegazioni e verifiche alternative. Il fatto che l’immagine del 2025 contenga il 22% di nuvole rende il calo di per sé sospetto.
Verifica della verità sul terreno
Il gold standard dell'interpretazione del telerilevamento è la verifica dei punti con osservazioni e misurazioni effettuate sul campo. Registrate la copertura effettiva del terreno con il GPS in diversi punti di riferimento e confrontatela con la classificazione delle immagini. Se il campo dice "canne secche" nel pixel in cui l'intelligenza artificiale o l'algoritmo dice "acqua", la classificazione non è affidabile.
mini custodia
Nel monitoraggio dell’impatto ambientale di un sito minerario, il team ha redatto “15 ettari di perdita di foresta dovuta all’attività mineraria” sulla base della riduzione NDVI calcolata dall’immagine satellitare e ha ampliato l’interpretazione in un LLM; il modello ha prodotto una narrazione fluida e persuasiva. Tuttavia, quando il rapporto è stato controllato dal team sul campo, si è visto che parte dell'area con NDVI basso era in realtà un appezzamento agricolo raccolto e parte di essa era un'ombra di nuvole che coincideva con il giorno dello scatto dell'immagine. La perdita effettiva di foresta è stata di circa 4 ettari, non di 15. Se i metadati (maschera nuvolosa) e il livello di utilizzo del suolo fossero stati controllati in anticipo, l'errore sarebbe stato evitato in primo luogo. Le frasi precise di LLM non hanno corretto l'input sbagliato.
Errori comuni
- Confrontando immagini di diverse stagioni/angolazioni del sole e confondendo la differenza stagionale con "cambiamento".
- Interpretazione delle nubi e dell'ombra delle nubi come effettiva perdita di copertura; bypassando la maschera nuvolosa.
- Esprimere giudizi accurati dai dati dei pixel su piccoli oggetti che superano la risoluzione spaziale.
- Calcolo errato di aree e distanze a causa della mancata corrispondenza del sistema di coordinate/proiezione.
- Pensare che l’NDVI sia una misura assoluta di salute e trattare l’acqua e i pixel d’ombra come se fossero piante.
- Inserimento della narrazione della mappa fluida di LLM nel rapporto come risultato finale senza verità fondamentale.
- Reporting dei risultati senza documentazione dei metadati (data, sensore, % nuvola, livello di elaborazione).
In sintesi
- Le analisi GIS sono costruite su layer allineati in un sistema di coordinate comune; L'errore di proiezione distorce il risultato.
- La risoluzione spaziale, spettrale, temporale e radiometrica limita ciò che un'immagine può mostrare.
- NDVI = (NIR−RED)/(NIR+RED) è un indicatore condizionale del vigore delle piante, non una misura assoluta della salute.
- Nell'analisi del cambiamento, differenza = vero cambiamento + rumore; La nuvola, l'ombra e la stagione sono i più grandi ingannatori.
- L'LLM produce l'interpretazione dell'indice e il contorno narrativo della mappa, ma non "vede" l'immagine satellitare; Commenti in base al numero fornito.
- L’interpretazione dell’intelligenza artificiale e la classificazione automatica non possono essere tradotte in risultati ambientali finali senza la verifica con verità sul campo e metadati.
Compito dell'applicazione
Crea o presupponi due riepiloghi NDVI datati per un campo (di tua scelta o un campione); Annotare i metadati (data, percentuale di nuvole, angolo del sole, sensore) per ciascuna data. Calcola ΔNDVI. Scrivi un messaggio forte e chiedi al LLM di chiedere non solo l'effettivo cambio di copertura, ma spiegazioni alternative (nuvole, ombra, stagione, livello dell'acqua, calibrazione) e un passaggio di verifica per ciascuna. Quindi redigere un “piano di verifica della verità sul campo”: almeno tre punti di riferimento, cosa verrà misurato sul campo e come si confronterà con l’interpretazione dell’immagine. Infine, segna quale affermazione nella narrazione prodotta da LLM è "non può essere inclusa nel rapporto senza verifica" e scrivi il motivo.