Le immagini satellitari sono diventate essenziali nel monitoraggio agricolo, ma una sfida importante è stata bilanciare la risoluzione spaziale e temporale. Questo studio, pubblicato nel Journal of Remote Sensing, [1] introduce StarFusion, un nuovo metodo che combina apprendimento profondo e tecniche di regressione tradizionali per migliorare la qualità delle immagini per uso agricolo.
Affrontare una sfida chiave in agricoltura
Il monitoraggio agricolo si basa in gran parte sulle immagini satellitari, ma la tecnologia attuale spesso impone un compromesso tra elevata risoluzione spaziale e capacità di acquisire immagini frequentemente. Le immagini ad alta risoluzione sono dettagliate ma meno frequenti, mentre quelle con migliore risoluzione temporale spesso non hanno i dettagli necessari. Queste limitazioni hanno ostacolato un monitoraggio efficace delle colture, soprattutto in ambienti in rapido cambiamento. StarFusion, sviluppato da un team della Beijing Normal University, cerca di colmare questa lacuna fondendo immagini Gaofen-1 ad alta risoluzione con dati Sentinel-2 a media risoluzione. Il risultato è un significativo miglioramento della qualità delle immagini, consentendo un monitoraggio più accurato delle colture e delle condizioni ambientali.
Un metodo di fusione innovativo
StarFusion combina una rete generativa avversaria a super risoluzione (SRGAN) con un modello di regressione dei minimi quadrati parziali (PLSR) per ottenere un’elevata accuratezza di fusione mantenendo al contempo dettagli spaziali fini. Questo duplice approccio è particolarmente efficace nella gestione dell’eterogeneità spaziale e nel superare il problema della limitata disponibilità di immagini senza nuvole. La robustezza del metodo è stata testata in vari siti agricoli, dimostrando la sua superiorità rispetto alle tecniche esistenti, in particolare nelle regioni con frequente copertura nuvolosa.
L’integrazione di queste due tecniche avanzate consente a StarFusion di fornire immagini di alta qualità che sono fondamentali per applicazioni come la previsione della resa e la valutazione dei disastri.
