Pianificare una strategia di Deep Learning e GIS per migliorare la difesa del territorio

I GIS presentano innumerevoli applicazioni, alcune davvero sorprendenti.

Tra questi va messo in evidenza il fatto che è possibile pianificare una strategia di Deep Learning e GIS per migliorare la difesa delterritorio.

Negli Stati Uniti, dove il problema della sicurezza del territorio è all’ordine del giorno, questo tipo di strategia ha già trovato applicazione, riuscendo ad ottenere ottimi risultati. Ciò potrebbe accadere, in generale, in tutti i paesi più sviluppati, dove si potrebbe portare avanti una strategia di difesa territoriale che preveda un canale di comunicazione aperto tra GIS e Deep Learning. Infatti, come dimostra questo webinar, il Dipartimento della Difesa americano ha voluto con una certa urgenza l’adozione dell’intelligenza artificiale, dell’apprendimento automatico e dei big data, riuscendo ad ottenere un risparmio di circa cinque milioni di dollari sulla sicurezza,dimostrando in tal modo che la produzione di massa di algoritmi di deep learning per l’intelligenza geospaziale (GEOINT) è finalmente alla portata di tutti i Paesi più sviluppati.

Anche in Italia sarebbe auspicabile riuscire a portare avanti una strategia di questo tipo da parte del governo in modo da assicurare un maggiore controllo sul territorio e una maggiore sicurezza per i cittadini. Il tutto potrebbe essere potenziato facendo ricorso ai Big Data, ovvero ricorrendo alle tecnologie che permettono di studiare la grande quantità di dati che giungono da diversi settori, argomento che abbiamo trattato nel nostro precedente articolo dal titolo “GIS e Big Data, una strategia nazionale per l’Italia”.

Come riportato sul sito GIS Geography in un recente articolo,l’apprendimento automatico è molto importante per effettuare la ricerca di numerosi dati e per costruire un modello da applicare in nuove situazioni. Ad esempio, Google potrebbe utilizzare la classificazione attuata tramite Machine Learning per filtrare le email di spam, oppure Facebook potrebbe utilizzarlo per il riconoscimento facciale in modo da identificare automaticamente i volti nelle immagini.

Ma come possiamo usare insieme il Deep Learning e i GIS per pianificare una strategia per migliorare la difesa del territorio?

Vediamo di seguito un elenco non esaustivo delle loro varie applicazioni utili a questo scopo.

Tipi di Machine Learning

Esistono due tipi di Machine Learning, cioè due grandi categorie di apprendimento automatico: quello supervisionato e quello non supervisionato. Ambedue sono in grado di garantire la risoluzione ottimale di un problema. Entrambi sono utili e possono essere applicati ai GIS in vari modi con risultati importanti per la difesa del territorio. Inoltre, nell’ambito dei GIS si sta applicando l’intelligenza artificiale in aree come la classificazione, la previsione e la segmentazione. Vediamo quali sono queste due grandi categorie.

L’apprendimento supervisionato

L’apprendimento supervisionato (Supervised Learning) adatta semplicemente i dati forniti a una sua particolare funzione per la predizione. Ad esempio, se si tracciano milioni di punti campione in un grafico, è possibile creare una linea per approssimare una funzione.

L’apprendimento non supervisionato

L’apprendimento non supervisionato (Unsupervised Learning) riconosce quali dati utilizzano i pattern partendo dai dati non etichettati. Ad esempio, prende in considerazione milioni di immagini e le valuta attraverso un algoritmo di allenamento. Dopo trilioni di operazioni di algebra lineare, può prendere una nuova immagine e segmentarla in cluster.

La classificazione delle immagini con Deep Learning (Support Vector Machine)

Grazieal Deep Learning, nello specifico grazie al Support Vector Machine, èpossibile effettuare una classificazione precisa delle immagini, anche quando si è in presenza di un’immagine satellitare e non è sempre facile sapere quale oggetto si sta osservando.

Il Support Vector Machine (SVM) è una tecnica di apprendimento automatico che prende in considerazione i dati forniti relativi ad un determinato ambito e li classifica secondo un sistema di assi cartesiani.

Successivamente, disegna una linea di confine che unisce tutti i dati posti all’estremità degli assi, delimitando così uno spazio, chiamato”iperpiano”, che racchiude tutti i dati più importanti. Quindi in ciascun iperpiano saranno racchiusi tutti i dati che aiutano a classificare un determinato oggetto e quindi la sua immagine.

Tuttaviava detto che i risultati di questa classificazione supervisionata non sono perfetti e gli algoritmi hanno ancora molto da imparare. Occorre ancora lavorare su caratteristiche come strade, zone umide e edifici,per rendere questa tecnica sempre più precisa ai fini della sua applicabilità per la difesa del territorio.

La predizione basata sull’Empirical Bayesian Kriging (EBK)

Per pianificare una strategia finalizzata alla difesa del territorio occorre attuare una predizione quanto più completa,cioè una previsione sui possibili eventi futuri che possono minacciare la sicurezza. Essa può essere basata sull’Empirical Bayesian Kriging, una tecnica che simula almeno un centinaio di modelli locali regolando l’intero set di dati forniti, infine emette ciò che pensa, per così dire, sia la soluzione migliore.

Segmentazione dell’immagine e Clustering con K-means

L’algoritmo K-means è uno dei metodi più usati per il clustering dei dati. Con K-means vengono raggruppati i dati non etichettati nel numero di gruppi rappresentati dalla variabile K. Questo approccio di apprendimento senza supervisione si basa sulla similarità delle funzionalità, ad esempio, la somiglianza di un’immagine ad un determinato oggetto reale può essere basata su caratteristiche legate alla posizione proprio di quel determinato oggetto sulla terra.

In questo tipo di classificazione non supervisionata, l’algoritmok-means dapprima segmenta l’immagine per ulteriori analisi,successivamente viene assegnata a ciascun cluster una classe di copertura del suolo.

GIS può utilizzare il clustering in tantissimi casi. Ad esempio, i punti dati potrebbero rappresentare i reati e si potrebbero raggruppare punti caldi dove avvengono più crimini e punti freddi dove invece non se ne verificano.

Il processo di Deep Learning nella formazione dei Big Data

L’apprendimento automatico è molto importante sia nell’ambito dei GIS che in altri campi poiché consente di ottenere grandi set di dati. Ed è per questo che il processo di Deep Learning gioca un ruolo importante nella formazione dei Big Data.

Inoltre,l’apprendimento automatico, essendo una forma di intelligenza artificiale, consente di applicare i dati a settori nuovi, permettendo di fare valide previsioni.

Nel complesso, dunque, GIS può utilizzare l’apprendimento automatico per la previsione, la classificazione e il raggruppamento.

AI e ML sono settori in crescita, ma visto le loro enormi potenzialità si può ben sperare che insieme ai GIS saranno in grado di garantire risultati ancora maggiori nell’ambito della difesa del territorio.