Progettazione e Sviluppo di algoritmi basati su deep learning per l'analisi di traiettorie temporali spettrali tele-rilevate della vegetazione

Il processo di costruzione e installazione dei gasdotti causa "bruschi" cambiamenti nella vegetazione al di sopra del percorso stabilito in fase di pianificazione. Al termine dei lavori è spesso obbligatorio il ripristino della suddetta vegetazione, soprattutto nel caso di zone in territorio pubblico. Questo grazie alle vigenti regole e politiche di conservazione degli habitat come l'Allegato I della Dir. 92/43/CEE. Tuttavia, la verifica del corretto ripristino delle comunità vegetali è un processo spesso complesso e tedioso. Infatti si richiede un intervento \textit{on-site} o una foto-interpretazione da parte di esperti in fitosociologia e scienze della vegetazione. Negli ultimi anni la qualità dei dati tele-rilevati è nettamente migliorata, oltre che ad essere più facilmente reperibili. Infatti sono stati introdotti recentemente nuove costellazioni di satelliti come Sentinel-2 e PlanetScope, che forniscono dati multispettrali ad elevata risoluzione spaziale e temporale.\\ Lo scopo di questa tesi è quello di verificare la possibilità di utilizzare i profili vegetazionali ottenuti dai dati tele-rilevati per identificare automaticamente bruschi e lievi cambiamenti nella vegetazione, e predire di conseguenza il tempo necessario affinché vi sia una rinaturalizzazione degli habitat. Sono state dunque ottenute le \textit{Time Series} NDVI di diverse aree di studio tramite le API di SentinelHub e Planet. Sono stati messi a punto algoritmi di \textit{changepoint detection} per time series basati sulla sogliatura, da cui sono stati ottenuti risultati promettenti. Sono successivamente stati testati diversi modelli di time series forecasting per predire l'andamento futuro dei profili. Alcuni tradizionali come Prophet, altri basati sul Deep Learning come la rete LSTM e N-BEATS. Infine, sono stati progettati dei potenziali algoritmi per la valutazione dello stato di ripristino delle aree soggette a cambiamento, utilizzando metriche di confronto di segnali e la FPCA.