DOTTORATO NAZIONALE IN OSSERVAZIONE DELLA TERRA

Titolo della tesi: Artificial intelligence for human settlement characterization using Earth Observation

Gli ambienti urbani sono tra i paesaggi più dinamici e complessi del pianeta, in continua evoluzione sotto l'influenza dell'attività umana, della crescita demografica e delle pressioni ambientali. Monitorare questi cambiamenti è essenziale per un'efficace pianificazione urbana, la gestione delle catastrofi e lo sviluppo sostenibile. Una componente fondamentale dell'analisi urbana risiede nell'estrazione accurata delle impronte degli edifici e nella stima delle loro altezze, che insieme forniscono la base geometrica per la modellazione della struttura e della crescita urbana. In questo contesto, la crescente disponibilità di dati radar ad apertura sintetica (SAR) ad altissima risoluzione (VHR) ha aperto nuove opportunità per derivare metriche urbane sia bidimensionali che tridimensionali (2D/3D), offrendo vantaggi unici in termini di capacità di imaging in tutte le condizioni atmosferiche e diurne e notturne, nonché di sensibilità alla geometria e alla rugosità della superficie. Questa ricerca presenta un framework integrato per l'estrazione delle impronte degli edifici in 2D e la stima delle altezze degli edifici in 3D utilizzando immagini SAR VHR ad acquisizione singola. Il lavoro si sviluppa attraverso due fasi complementari. Nella prima fase, viene proposta una rete convoluzionale basata su U-Net per la segmentazione dell'impronta utilizzando immagini COSMO-SkyMed (CSK). Nella seconda fase, vengono introdotte due metodologie di deep learning basate su oggetti per stimare l'altezza degli edifici utilizzando la stessa sorgente SAR VHR. L'obiettivo generale è progettare un sistema scalabile ed efficiente dal punto di vista computazionale in grado di apprendere rappresentazioni robuste delle strutture urbane da una singola acquisizione SAR, riducendo al minimo la dipendenza da set di dati multitemporali o multimodali, pur mantenendo un'accuratezza competitiva. La prima fase dello studio è stata implementata utilizzando dati CSK HIMAGE (HI) in modalità StripMap (SM), che fornisce una risoluzione spaziale di circa 2,5 m. La città di Milano e la Piana del Sele sono state selezionate come aree di studio, comprendendo regioni centrali e suburbane caratterizzate da tipologie architettoniche sia storiche che moderne. La combinazione di geometria complessa, densi agglomerati edilizi e dispersione eterogenea ha reso questi siti ideali per la valutazione dell'estrazione dell'impronta basata su SAR. La seconda parte della ricerca affronta la stima delle altezze degli edifici utilizzando due diversi approcci di deep learning basati su oggetti, ResNet-101 e Masked Autoencoder. A differenza dei metodi di regressione basati su pixel o di altezza dall'ombra, i framework proposti trattano ciascun edificio come un'entità indipendente, integrando le caratteristiche di backscattering SAR e gli attributi geometrici derivati dall'impronta. Questo studio dimostra la fattibilità dell'utilizzo di singole immagini SAR VHR sia per la segmentazione dell'impronta 2D che per la stima dell'altezza degli edifici 3D in ambienti urbani complessi. Il framework di segmentazione U-Net identifica efficacemente l'estensione degli edifici dalle immagini COSMO-SkyMed, mentre i modelli basati su ResNet e Masked Autoencoder deducono con successo l'altezza utilizzando indizi geometrici e radiometrici integrati.