Deep learning e rilevamento ambientale: come individuare i rifiuti galleggianti in mare

Un algoritmo di deep learning, sviluppato dall'Università di Barcellona, consente di rilevare e quantificare le plastiche nel mare, con un'affidabilità superiore all'80%. La possibilità di un monitoraggio automatizzato dei rifiuti apre a numerose sfide nell’ambito della sostenibilità ambientale.

TAKEAWAY

  • All’Università di Barcellona è stato ideato un sistema di intelligenza artificiale in grado di individuare i rifiuti galleggianti in mare, a partire da immagini riprese dall’alto.
  • L’algoritmo si basa su reti neurali che attingono a grandi quantità di dati ed è stato addestrato con oltre 3700 foto effettuate da droni e aerei.
  • Al sistema di deep learning è collegata un’applicazione web con la quale è possibile quantificare le plastiche negli oceani.

Deep learning e rilevamento ambientale sono due sfere rese sempre più vicine dal crescente sviluppo delle nuove tecnologie.In particolare, il deep learning – o “apprendimento profondo” – è quel campo di ricerca del machine learning (o apprendimento automatico) e dell’intelligenza artificiale basato su diversi livelli di rappresentazione, dove l’aggettivo “deep” – dall’inglese “profondo” – sta proprio a indicare un grado di apprendimento più avanzato, più vicino ai meccanismi del cervello umano.

Sono tante le potenzialità di questa branca dell’intelligenza artificiale. I ricercatori dell’Università di Barcellona, servendosi di essa, hanno sviluppato un algoritmo in grado di rilevare e quantificare i macro-rifiuti marini galleggianti, citati spesso con la sigla inglese FMML (Floating Marine Macro-Litter).

Il sistema si fonda sulle reti neurali convoluzionali, modelli computazionali ispirati a processi biologici e in particolare alla corteccia visiva animale. Vediamo come si legano insieme deep learning e rilevamento ambientale nello studio dall’Ateneo catalano.

Deep learning e rilevamento ambientale: l’acquisizione dei dati

Le reti neurali convoluzionali, al centro dello studio su deep learning e rilevamento ambientale, sono capaci di apprendere informazioni dai cosiddetti dati non strutturati, cioè quei dataset archiviati senza aggiunta di schemi o etichette con cui sarebbe possibile distinguere immediatamente le singole informazioni.

Nel corso delle sperimentazioni sono state utilizzate 3723 immagini scattate da droni e aerei che hanno sorvolato le acque della zona nordoccidentale del Mar Mediterraneo. La successiva classificazione è stata portata a termine con una specifica applicazione a cui è stato dato il nome di MARLIT, basata su un algoritmo di intelligenza artificiale.

Le attività sono state condotte in stretta collaborazione con un gruppo di esperti specializzati sui temi della bioinformatica, disciplina che risolve le questioni biologiche e molecolari con l’ausilio dei sistemi AI.

Le operazioni di elaborazione e calcolo, necessarie allo svolgimento del progetto, hanno richiesto prestazioni di alto livello da parte dei processori e delle schede grafiche, le componenti che convertono il linguaggio dei computer in schermate visibili dall’utente.

L’articolo che riporta i risultati raggiunti si intitola “Automatic detection and quantification of floating marine macro-litter in aerial images. Introducing a novel deep learning approach connected to a web application” ed è stato pubblicato sulla rivista specialistica Environmental Pollution.

Un’app basata su algoritmi AI in grado di studiare i rifiuti galleggianti

Il contatto tra deep learning e rilevamento ambientale si è concentrato sull’accumulo di plastica galleggiante in mare, servendosi della fotografia aerea e di strumentazioni Web. In particolare, MARLIT è un’applicazione strutturata in modalità open access, vale a dire che è funzionante su pc e che può essere messa a disposizione degli utenti per caricarvi del materiale girato all’esterno. Si tratta di un supporto che permette di indagare sulla comparsa di determinati fenomeni ambientali.

L’algoritmo che ne garantisce il funzionamento raggiunge l’80% di precisione nel telerilevamento dei macro-rifiuti marini galleggianti e offre l’occasione per un netto miglioramento, con due importanti novità, ovvero la misurazione della densità e della distribuzione dei rifiuti in mare.

L’esperienza, partita dal Mediterraneo, potrà trovare presto largo impiego negli oceani di tutto il mondo. A tale scopo, una possibile implementazione consiste nell’aggiunta di un sensore remoto, che sarà contenuto ad esempio in un drone per rendere ancora più autonomo l’intero processo.

Iniziando dall’analisi delle acque della Catalogna si è passati ad esaminare, successivamente, altre zone, attraverso l’osservazione diretta, tassello fondamentale per una tecnologia che voglia risolvere problemi ambientali. Il primo autore della pubblicazione è Odei Garcia-Garin, un dottorando dell’Università di Barcellona che, studiando i mammiferi marini, ha trovato nuove connessioni tra deep learning e rilevamento ambientale. A tale proposito ha dichiarato:

Abbiamo combinato tecniche di fotografia aerea automatica con algoritmi analitici ottenendo protocolli per il controllo di particolari tipi di inquinanti. Sono pochi gli studi in questo settore, per cui siamo in una fase di continua scoperta tra varie difficoltà. Bisogna considerare che le onde e il vento rendono, in più occasioni, difficile l’individuazione delle masse

deep learning e rilevamento ambientale
Il sistema di intelligenza artificiale in grado di rilevare i rifiuti galleggianti
in mare è stato allenato per mezzo di oltre 3700 fotografie effettuate
da droni e aerei.

Il ruolo chiave dei droni

Nell’organizzazione del processo di deep learning e rilevamento ambientale, un ruolo decisivo è stato ricoperto dai droni – di quattro tipologie differenti – che hanno fotografato da diverse altitudini. Le telecamere sono state posizionate tra i 20 e 120 metri di altezza.

I nostri risultati – spiegano gli scienziati – si combinano con l’utilizzo di sensori per ispezionare la superficie del mare e rilevare gli FMML. Tali tecniche hanno trovato più spazio soprattutto nell’ultimo decennio e possono sostituire quelle più tradizionali”.

Il monitoraggio tramite droni copre attualmente diversi contesti, dall’agricoltura al controllo delle foreste. Il caso del mar Mediterraneo si aggiunge così a una lunga lista di situazioni in cui le macchine sono adoperate all’insegna della sostenibilità.

Il vantaggio principale dell’algoritmo in questione – aggiungono i ricercatori – è che può identificare in maniera automatica le caratteristiche importanti di un’immagine senza aver bisogno di una supervisione da parte dell’uomo”.

Per rendere i droni ancora più performanti, bisognerà lavorare con maggiore attenzione sul riconoscimento di scenari imprevisti, come plastiche intrappolate tra il legno e la vegetazione, sfide ancora da affrontare.

A rendere difficile una visione complessiva dell’inquinamento contribuiscono diversi fattori, tra cui la presenza di elementi che nel documento sono definiti come “luminosi”, pensiamo ad esempio a tappi di colore bianco o a schiume di vario tipo. Bisogna tener presente che sulla superficie marina le perturbazioni sono più forti rispetto alla terra e dunque si va incontro a rischi maggiori in caso di maltempo.

Salvare gli oceani attraverso deep learning e rilevamento ambientale 

L’innovazione metodologica della ricerca su deep learning e rilevamento ambientale è il pacchetto detto “R Shiny”, una risorsa informatica che facilita lo sviluppo di applicazioni web e con la quale è stato sviluppato l’algoritmo.

La scoperta, nel suo complesso, rappresenta una notevole opportunità per la conservazione degli oceani perché riesce a indicare le plastiche, e il loro impatto, sia singolarmente sia a stimarne l’estensione complessiva. Aggiungono gli autori:

Un’efficiente automatizzazione del processo e, nello specifico, la diffusione applicazioni come MARLIT, faciliterebbero l’adempimento delle direttive europee riguardanti l’ambiente marino. Sono necessari ulteriori ricerche nonché l’incremento del numero di immagini utilizzate per l’addestramento delle macchine impiegate

La diffusione di tali metodologie potrà portare, nei prossimi anni, a identificare con maggiore precisione le aree più inquinate, contribuendo alla costituzione di un archivio costantemente aggiornato. Censire questi fenomeni vuol dire quantificarne con esattezza la portata e, da questa innovazione, potrebbero nascere tante altre soluzioni per salvare gli oceani dell’intero globo terrestre.

Default image
Emanuele La Veglia
Giornalista professionista, collabora con testate online nazionali (tra cui Affari Italiani) dopo aver maturato esperienze in Sky e AdnKronos. Ha già vinto diversi premi giornalistici ed oggi scrive di sostenibilità, women empowerment e innovazione. Scrive di IT anche per il portale https://www.sergentelorusso.it/
Articles: 22

Newsletter Updates

Enter your email address below to subscribe to our newsletter