IA nel progetto Savager, collaborazione tra Arpa Lombardia e Politecnico di Milano

La sperimentazione di un algoritmo per l'identificazione automatica di siti critici ha l'obiettivo di incrementare le potenzialità del progetto di Sorveglianza Avanzata Gestione Rifiuti, sviluppato dall’Agenzia e finanziato da Regione Lombardia

629

Arpa Lombardia ha recentemente avviato una collaborazione con il Dipartimento di Elettronica, Informazione e Bioingegneria (Deib) del Politecnico di Milano per sperimentare le tecnologie di Intelligenza Artificiale nella identificazione automatica, su immagini satellitari e aeree ad altissima risoluzione, di situazioni di potenziale non conformità alle normative ambientali sui rifiuti.

La collaborazione andrà ad incrementare le potenzialità del progetto Savager (Sorveglianza Avanzata Gestione Rifiuti), sviluppato dall’Agenzia e finanziato da Regione Lombardia con l’obiettivo di introdurre le tecnologie della Geospatial Intelligence e dell’osservazione della Terra da satellite, aereo e drone per il presidio ambientale sul territorio regionale.

La Geospatial Intelligence è il processo di acquisizione di conoscenza delle attività umane che si ottiene dall’analisi delle informazioni georeferenziate e, in particolare, delle informazioni derivate dall’osservazione della Terra dall’alto (satellite, aereo, drone).

Questa tecnologia, nata e fortemente sviluppatasi nei settori della difesa e della sicurezza, è stata recentemente introdotta dalla Commissione Europea anche nel contesto della tutela ambientale. Nel Piano d’Azione Ue (COM (2018) 10 Final, Bruxelles 18.1.2018) la Geospatial Intelligence è considerata come una nuova forma di controllo della conformità ambientale, oltre che uno strumento per indirizzare in maniera più mirata le ispezioni ai siti di interesse.

Attraverso all’applicazione della Geospatial Intelligence in Savager si acquisiscono indizi di violazione delle normative ambientali negli impianti di trattamento rifiuti autorizzati e si individuano anche situazioni totalmente illegali, come depositi incontrollati di rifiuti o discariche abusive.

Savager utilizza una strategia di controlli a due livelli, superando la logica tradizionale che aveva come bersaglio essenzialmente gli operatori del settore già noti.

Con il primo livello, di sorveglianza, si effettua una mappatura periodica “a tappeto” di aree vaste del territorio regionale per mezzo dell’osservazione della Terra da satellite e aereo, della Geospatial Intelligence e dell’Intelligenza Artificiale.

Il risultato di questo step è costituito da elenchi di siti potenzialmente critici che vengono valutati, in base ad un criterio “risk based”, dai Nuclei Ambiente delle Prefetture costituiti da rappresentanze di Arpa Lombardia, delle Forze dell’Ordine, delle Polizie locali, delle Province e di altre istituzioni, per selezionare i siti maggiormente critici che devono essere sottoposti a controllo.
Durante i controlli, i droni forniscono un contributo insostituibile nella mappatura delle tipologie dei rifiuti e nella quantificazione accurata dei quantitativi.  



La metodologia del progetto Savager si basa su due livelli: 1) sorveglianza “a tappeto” su aree vaste del territorio regionale con la Geospatial Intelligence per la identificazione dei siti critici; 2) controlli mirati con supporto di droni sui siti critici caratterizzati da rischio ambientale elevato

Dato che i fenomeni di gestione illegale dei rifiuti hanno delle dinamiche molto rapide, per riuscire a individuarli tempestivamente è necessario rendere più efficiente il processo di Geospatial Intelligence intervenendo sui due principali fattori limitanti: lo stato obsoleto delle immagini disponibili sui geo-portali e i tempi lunghi necessari agli esperti per fotointerpretarle.

Per superare questi ostacoli, Arpa ha innanzitutto attivato un servizio di acquisizione “on-demand” che consente di ottenere immagini satellitari delle zone di interesse ad altissima risoluzione (30 cm) nell’arco di una settimana.

Inoltre, per ovviare alle tempistiche della fotointerpretazione umana, l’Agenzia ha stipulato un accordo di collaborazione non oneroso con il Dipartimento di Elettronica, Informazione e Bioingegneria (Deib) del Politecnico di Milano allo scopo di sperimentare le tecnologie di Intelligenza Artificiale nella identificazione automatica, sulle immagini satellitari e aeree ad altissima risoluzione, di situazioni di potenziale non conformità alle normative ambientali sui rifiuti.

Per la sperimentazione, i ricercatori del Deib, coordinati dal prof. Piero Fraternali, hanno individuato il modello di classificazione ResNet-50 (ResNet: Residual Neural Network), uno dei più consolidati algoritmi di deep learning, con l’obiettivo di predire se in un’immagine telerilevata esistono siti potenzialmente critici.

Il Deib ha sottoposto ResNet-50 a un processo di apprendimento basato su circa un migliaio di casi positivi e un numero quasi doppio di casi negativi.

L’approccio sviluppato dai ricercatori del PoliMi nell’addestramento di ResNet-50 è di tipo olistico: il modello di classificazione è stato cioè addestrato a non focalizzarsi solamente sui singoli dettagli di interesse presenti in un’immagine (ad esempio: mucchi di rifiuti, cassonetti, cisternette) ma ad analizzarla nella sua interezza, comportandosi quindi in maniera molto simile a un fotointerprete umano.

In questo modo è possibile riuscire a individuare, con un elevato livello di successo, situazioni critiche anche molto complesse, anche se non si erano mai presentate prima al modello di classificazione.

ResNet-50 è in grado di rilevare siti potenzialmente pericolosi nelle immagini telerilevate con una precisione che si avvicina al 90%. Le ricerche in corso puntano anche a indicare la presenza di tipologie specifiche di rifiuti e a stimare il livello di rischio ambientale dei siti identificati.

Esempi di identificazione automatica di discariche abusive mediante l’Intelligenza Artificiale, tramite modello di classificazione di Deep Learning RestNet-50

Esempi di identificazione automatica di discariche abusive mediante l’Intelligenza Artificiale, tramite modello di classificazione di Deep Learning RestNet-50. A sx le immagini telerilevate originali. A dx le “Class Activation Maps”: rappresentano le aree su cui l’algoritmo focalizza la ricerca dei siti critici

a cura di Enrico Zini – Arpa Lombardia

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.