Settant’anni di cambiamenti dell'uso del suolo al Parco Nazionale del Gran Paradiso: analisi diacronica con l'ausilio di fotografie aeree storiche e classificatori IA

L’utilizzo di modelli basati sull’intelligenza artificiale è oramai largamente diffuso in ecologia forestale. Tali strumenti sono stati sviluppati al fine di analizzare grandi quantitativi di dati, come nel caso della classificazione delle immagini, in modo rapido, accurato, standardizzato e ripetibile. Attualmente la richiesta di accuratezza e flessibilità sempre maggiori, nell’ambito dell’analisi delle immagini, trova risposta nell’uso di metodi di deep learning (DL), basati su convolutional neural networks (CNN). I precedenti modelli, in uso da alcuni decenni, si basavano sulle reti neurali superficiali (NN); invece, il deep learning è caratterizzato dalla presenza di un numero molto elevato di strati neurali collegati tra loro in modo da rendere l’elaborazione delle informazioni sempre più completa e approfondita. Gli alti livelli di complessità di tali modelli richiedono una quantità elevata di dati di addestramento ed una potenza di calcolo adeguata. Grazie a tecniche di elaborazione sempre più efficienti, schede grafiche ad alte prestazioni, piattaforme di cloud computing e open data è possibile effettuare il calcolo di molteplici trasformazioni non lineari dei dati di input. Quest’ultimo aspetto, ossia l’apprendimento end to end, rappresenta il cuore del metodo del deep learning: la rete stessa può apprendere le trasformazioni di dati più adatte a risolvere i diversi problemi. Il deep learning come classificatore di immagini è stato utilizzato nella presente tesi di laurea che ha come obiettivo principale la quantificazione dei cambiamenti dell’uso del suolo avvenuti negli ultimi settant’anni nell’area del Parco Nazionale del Gran Paradiso. Come in altre zone dell’arco alpino, le dinamiche osservate sono legate in gran parte all’attività antropica ed in particolare all’abbandono del territorio e delle pratiche agricole tradizionali. Tale processo socioeconomico ha contribuito principalmente all’espansione della copertura forestale e va ad interagire con i cambiamenti climatici che facilitano anch’essi la colonizzazione della vegetazione, ad esempio rendendo disponibili aree che un tempo erano coperte da ghiacciai e nevi perenni. Un ulteriore obiettivo della tesi è stato quello di valutare come è cambiata nel corso degli anni la popolazione residente nei comuni del Parco. A questo scopo, è stata effettuata un’indagine demografica, utilizzando i dati dell’Istituto Nazionale di Statistica (ISTAT), in cui sono stati analizzati i dati disponibili dall’Unità d’Italia fino ai giorni nostri. Nell’ambito di questa ricerca sono stati utilizzati due modelli di classificazione semantica basati su algoritmi di deep learning al fine di ottenere delle carte di copertura del suolo che comprendevano sei classi: il bosco rado (10-80% di copertura delle chiome), il bosco denso (80 – 100% di copertura delle chiome), le superfici a copertura erbacea, le superfici con suolo nudo, le superfici antropiche e le ombre. In particolare, sono stati analizzati gli ortomosaici ottenuti dalla digitalizzazione dei fotogrammi del Volo GAI del 1954 e dalle immagini satellitari ad alta risoluzione acquisite nel 2022 e rese disponibili dal servizio Google Satellite. È stato necessario utilizzare un vasto dataset di immagini provenienti da diversi paesaggi delle Alpi precedentemente classificati con un approccio di tipo semiautomatico al fine di addestrare il modello in maniera adeguata.