Lo studio di un caso: rilevamento di impianti fotovoltaici tramite immagini multispettrali Sentinel-2

Ciao Meridians!

Oggi ci immergiamo in una sfida cruciale del Machine Learning Operations (MLOps): il data drift (la deriva dei dati) nei dati di osservazione della Terra (EO). Esploreremo cos’è il data drift, perché si verifica e perché comprendere a fondo i propri dati è l’arma definitiva per contrastarlo.

Per dare vita a questo concetto, analizzeremo un’applicazione pratica nel settore energetico: un modello progettato per rilevare e monitorare impianti solari su larga scala utilizzando le immagini multispettrali del sensore ESA Sentinel-2 MSI, fornite direttamente sul vostro laptop dal Copernicus Data Space Ecosystem (CDSE).

Buona lettura!

Lo scenario: dati abbondanti, nuove sfide

Oggi i dati satellitari di osservazione della Terra sono una commodity. Il CDSE opera come una piattaforma cloud Data-as-a-Service (DaaS), integrata con funzionalità di Processing-as-a-Service (PaaS) e Infrastructure-as-a-Service (IaaS). Questo ecosistema consente di sfruttare i dati satellitari su una scala inimmaginabile fino a pochi anni fa. Lunghe serie temporali provenienti da molteplici sensori sono ora a portata di mano: basta registrarsi a un portale e connettersi tramite un’API o un’interfaccia grafica web.

Questo enorme afflusso di dati può essere analizzato efficacemente grazie alla crescita esponenziale della potenza di calcolo e ai progressi nel machine learning, nel deep learning e nell’intelligenza artificiale. Di conseguenza, gli investimenti nel settore downstream della space economy (come il programma ESA BASS) sono in forte crescita, stimolando un mercato commerciale di geo-intelligence al servizio di settori che vanno ben oltre l’aerospazio, inclusi l’agricoltura, la finanza, l’energia e la logistica marittima.

In questo nuovo contesto, la disponibilità dei dati non è più il collo di bottiglia. L’attenzione si è spostata sull’automazione delle pipeline e sul deployment dei modelli di ML in ambienti di produzione reali. Ed è esattamente qui che si nasconde lo spettro del data drift.

MLOps e il dilemma del Data Drift

Il Machine Learning Operations (MLOps) è il framework moderno utilizzato per gestire e automatizzare l’intero ciclo di vita dei modelli di intelligenza artificiale (si veda ML-Ops.org). Questo framework si basa su tre pilastri fondamentali:

• Automazione: ridurre al minimo l’intervento manuale automatizzando le pipeline di dati, l’addestramento e i test.
• Tracciabilità e riproducibilità: tracciare tutte le versioni dei modelli e dei dataset per riprodurre accuratamente le analisi passate.
• Monitoraggio continuo: verificare le prestazioni del modello live in produzione.

Questo post si concentra sul terzo pilastro: il Monitoraggio continuo.

I modelli di ML sono oggetti matematici addestrati su uno specifico dataset per approssimare una relazione input-output. Una volta implementato, il modello esegue previsioni su dati mai visti prima (ad esempio, classificando un pixel o predicendo una serie temporale). Tuttavia, questo approccio presenta una vulnerabilità intrinseca: i dati di input live possono degradare in qualità o fluttuare a causa della variabilità naturale. Questo è il data drift. Quando la distribuzione statistica dei nuovi dati di input si allontana dal dataset di addestramento originale, le prestazioni del modello crollano.

La soluzione standard del settore è il monitoraggio continuo abbinato a un riaddestramento automatico non appena le prestazioni scendono sotto una certa soglia. Sebbene efficace, applicare questo ciclo alla cieca come una “scatola nera” è altamente inefficiente. Il riaddestramento di modelli complessi di deep learning richiede un’enorme potenza computazionale, tempo e l’oneroso sforzo manuale di etichettare nuovi dataset.

Ma cosa succederebbe se la deriva non fosse del tutto imprevedibile? Se il data drift segue una dinamica prevedibile, possiamo compensarlo prima che i dati raggiungano il modello, preservando le prestazioni senza bruciare risorse in continui riaddestramenti. Per fare questo, dobbiamo uscire dalla “scatola nera” e guardare direttamente alla fisica dei nostri dati.

Lo studio di un caso: individuare impianti fotovoltaici dallo spazio

In un post precedente, abbiamo dimostrato come monitorare la costruzione di impianti solari utilizzando immagini radar ad apertura sintetica (SAR) e una pipeline di computer vision per tracciare l’estensione degli asset nel tempo. Oggi passiamo a un approccio passivo utilizzando i dati multispettrali di Sentinel-2 MSI.

Il sensore MSI acquisisce dati su 13 canali spettrali che coprono il visibile, il vicino infrarosso (NIR) e l’infrarosso a onde corte (SWIR). Il prodotto Level-2A del CDSE fornisce la riflettanza corretta per gli effetti atmosferici su 12 di questi canali (escluso il canale 10, riservato alla correzione dei cirri) georeferenziati su una griglia ad alta risoluzione.

Per isolare i pannelli solari (la nostra classe positiva) dal complesso paesaggio circostante (la nostra classe negativa), abbiamo implementato un classificatore one-class basato sull’Analisi delle Componenti Principali (PCA). L’input è un vettore di riflettanza a 12 dimensioni per ogni pixel. La PCA ci consente di comprimere questa dimensionalità, catturando le informazioni spettrali minime necessarie per discriminare un pannello solare dallo sfondo.

Addestrando il classificatore esclusivamente su campioni positivi (i poligoni bianchi nella Figura 1), evitiamo completamente l’estenuante compito di etichettare ogni singolo elemento dello sfondo (strade, campi, acqua). Valutiamo poi precision e recall (see Evaluation of binary classifiers – Wikipedia) utilizzando un dataset di test separato di campioni della classe positiva (i poligoni rossi nella Figura 1) ed un data set di campioni non etichettati della classe negativa.

I risultati di base sulla nostra immagine di riferimento (acquisita il 01-01-2020) sono eccellenti: il 99% della varianza totale del dataset di addestramento è spiegato dalle prime due componenti principali. La classificazione viene eseguita facilmente in questo spazio ridotto a due dimensioni applicando una soglia di distanza dal cluster positivo.

Figura 1. Immagine di riferimento Sentinel-2 MSI L2A (Canale B8A, risoluzione 60m, acquisita il 01-01-2020). Poligoni bianchi: campioni di addestramento della classe positiva. Poligoni rossi: campioni di test della classe positiva.

L’effetto delle stagioni: come cambia la riflettanza nel tempo

Con un modello di base perfettamente funzionante, abbiamo monitorato un impianto solare stabile dal 2020 al 2026. Tuttavia, quando abbiamo applicato lo stesso identico classificatore a un’immagine acquisita appena sei mesi dopo la data di addestramento, i risultati sono crollati drasticamente (Figura 2). Una parte massiccia dell’impianto solare è stata improvvisamente classificata in modo errato.

Figura 2. A sinistra: mappa di classificazione dell’immagine di riferimento. A destra: fallimento della classificazione su un’immagine acquisita sei mesi dopo.

Per capire il motivo, abbiamo guardato all’interno dello spazio delle feature della PCA (Figura 3). Graficando i campioni di addestramento originali (in rosso) contro quelli di sei mesi dopo (in ciano), è emerso un enorme spostamento statistico. Nonostante i dati fossero stati centrati e scalati utilizzando i parametri di addestramento, la classe positiva aveva subito una deriva fisica.

Figura 3. Campioni di pannelli solari proiettati nello spazio delle feature della PCA. La classe positiva subisce un massiccio spostamento dopo sei mesi.

Tracciando questo fenomeno su una serie temporale priva di nuvole dal 2020 al 2026, abbiamo scoperto un pattern sorprendente: i parametri di precision, recall e F1-score (see Evaluation of binary classifiers – Wikipedia) del classificatore degradano periodicamente ogni sei mesi, seguendo un rigido andamento stagionale (Figura 4).

Figura 4. Metriche di prestazione del classificatore one-class su un periodo di 6 anni, che rivelano un netto e ciclico degrado stagionale.

Perché succede questo?

Ipotizzando che i pannelli solari fisici non siano cambiati, la risposta doveva risiedere nell’ambiente. Graficare la riflettanza del canale B8A su 6 anni ha confermato un evidente andamento stagionale ondulatorio su tutti i 12 canali (Figura 5).

I valori di riflettanza rappresentano la percentuale di radiazione solare totale retrodiffusa verso il satellite. Pertanto, la riflettanza superficiale non è una proprietà ottica inerente, ma una proprietà apparente: essa varia in base alla geometria di osservazione del satellite e al cambiamento dell’angolo del sole durante l’anno. Il data drift che causava il fallimento del nostro modello era semplicemente l’effetto non compensato della geometria di illuminazione.

Figura 5. In alto: riflettanza dei pannelli solari nel canale B8A rispetto al tempo. I campioni (in grigio) sono estratti da ciascuna immagine di una serie temporali che copre un periodo di 6 anni, dal 2020 al 2026. Le posizioni dei campioni si trovano all’interno dei poligoni rossi della Figura 1. La curva di regressione in blu evidenzia l’andamento dinamico della riflettanza dei pannelli. In basso: profilo di riflettanza medio per tutti i canali MSI disponibili.

La soluzione: calibrare i dati, non riaddestrare i modelli

Invece di ricorrere a un pesante riaddestramento computazionale, la soluzione più elegante consiste nel normalizzare i dati di riflettanza in base alla geometria dell’incidenza solare.

Sfruttando le serie temporali a lungo termine facilmente accessibili sul CDSE, abbiamo costruito un coefficiente di calibrazione della riflettanza guidato dai dati per questo sito specifico, mappato per ogni giorno dell’anno e per ciascun canale MSI (Figure 6). Prima di dare in pasto una nuova immagine al nostro classificatore, dividiamo semplicemente i valori di riflettanza dei pixel per il coefficiente di calibrazione di quel giorno specifico.

Figura 6. Curve di calibrazione basate su dati storici, stimate utilizzando i primi due anni della serie temporale dei dati MSI multicanale. In alto: dettaglio della curva di regressione per il canale B8A. In basso: curve di calibrazione stimate per tutti i canali MSI.

L’impatto di questa fase di calibrazione “physics-aware” (consapevole della fisica) cambia completamente le carte in tavola. Come mostrato in Figura 7, i dati di test calibrati (in ciano) si allineano perfettamente con il cluster di addestramento originale, neutralizzando lo spostamento stagionale.

Figura 7. L’effetto della calibrazione sulle feature PCA: i dati derivati vengono riportati con successo in allineamento statistico con il dataset di addestramento.

Il confronto tra le prestazioni non calibrate (Figura 4) e la timeline calibrata (Figure 8 e 9) mostra un recupero massiccio e costante della Recall e una stabilizzazione complessiva dell’F1-Score nel tempo.

Figura 8. Precision, recall e F1-score del classificatore one-class dopo l’applicazione della curva di calibrazione. Il miglioramento dell’F1-score in alcuni casi è superiore di oltre 7 volte rispetto alle prestazioni senza l’applicazione della calibrazione (si veda la Figura 4).

Figura 9. Riga in alto: dettaglio di precision, recall e F1-score del classificatore one-class applicato senza calibrazione dei dati. Riga in basso: dettaglio delle prestazioni del classificatore dopo l’applicazione della curva di calibrazione. Intervallo temporale colonna a sinistra: gennaio 2020 – gennaio 2021. Intervallo temporale colonna a destra: gennaio 2024 – gennaio 2025.

La prova visiva è innegabile (Figura 10): le mappe di classificazione calibrate mantengono l’integrità strutturale attraverso le diverse stagioni, e qualsiasi falso allarme residuo minore può essere facilmente ripulito con filtri di morfologia matematica di base in post-elaborazione.

Figura 10. Confronto tra le mappe di classificazione ottenute senza calibrazione dei dati e con calibrazione rispetto al tempo.

Conclusioni e punti chiave

Il data drift nel machine learning è inevitabile quando i modelli operano in ambienti reali e dinamici. Tuttavia, trattare MLOps come una “scatola nera” puramente agnostica rispetto ai dati porta a enormi inefficienze operative.

Nel telerilevamento e nell’osservazione della Terra, vincere la battaglia contro la deriva richiede di guardare alla fisica delle misurazioni, comprendendo i tratti radiometrici del sensore, la geometria dell’orbita e l’interazione con la superficie.

Questo caso di studio dimostra che:

• I modelli semplici scalano meglio: una pipeline snella e calibrata sulla fisica è significativamente più facile da addestrare, richiede meno dati etichettati e scala a livello globale per uno screening rapido, lasciando le architetture complesse alla gestione del rilevamento raffinato delle anomalie.
• La riduzione della dimensionalità funziona: tecniche come la PCA sono altamente efficaci nell’isolare le feature fondamentali per la discriminazione del target senza sovraccaricare il sistema.
• La potenza delle serie temporali: piattaforme come il CDSE ci consentono di creare profili di calibrazione guidati dai dati direttamente dagli archivi storici.
• Proprietà inerenti vs. apparenti: normalizzare le proprietà ottiche apparenti è obbligatorio quando si esegue qualsiasi analisi satellitare multi-temporale.
• Pronti per lo Space-Edge AI: progettare pipeline leggere e calibrate sulla fisica non è solo una questione di efficienza dei costi cloud; è un requisito ingegneristico per il futuro dell’osservazione della Terra. Poiché il settore si sta muovendo verso l’Edge AI — elaborando i dati direttamente a bordo dei satelliti per trasmettere a terra informazioni sintetiche piuttosto che immagini grezze —, il futuro appartiene ad algoritmi snelli che rispettino rigidi vincoli hardware e di potenza.

Conoscendo i nostri dati, abbiamo evitato il costoso ciclo di riaddestramento continuo del modello, dimostrando che un pizzico di competenza di dominio spesso vale un oceano di calcolo a forza bruta.

Qual è la vostra opinione sulla gestione del data drift nelle pipeline di osservazione della Terra? Vi affidate al riaddestramento automatizzato o preferite la calibrazione a livello di dati? Discutiamone nei commenti su [linkedin]!

Bibliografia

Anuj Karpatne, Imme Ebert-Uphoff, Sai Ravela, Hassan Ali Babaie, and Vipin Kumar. 2018. Machine learning for the geosciences: Challenges and opportunities. IEEE Transactions on Knowledge and Data Engineering (TKDE) 31, 8(2018), 1544–1554.

Anuj Karpatne, Gowtham Atluri, James H Faghmous, Michael Steinbach, Arindam Banerjee, Auroop Ganguly, Shashi Shekhar, Nagiza Samatova, and Vipin Kumar. 2017. Theory-guided data science: A new paradigm for scientific discovery from data. IEEE Transactions on knowledge and data engineering (TKDE) 29, 10(2017), 2318–2331.

Arka Daw, Anuj Karpatne, William D Watkins, Jordan S Read, and Vipin Kumar. 2022. Physics-guided neural networks (pgnn): An application in lake temperature modeling. In Knowledge Guided Machine Learning. Chapman and Hall/CRC, Boca Raton, FL, 353–372.

G. Schaepman-Strub, M.E. Schaepman, T.H. Painter, S. Dangel, J.V. Martonchik. 2006. Reflectance quantities in optical remote sensing—definitions and case studies,
Remote Sensing of Environment, Volume 103, Issue 1, 2006, Pages 27-42, ISSN 0034-4257, https://doi.org/10.1016/j.rse.2006.03.002.

Disclaimer

Le analisi qui riportate hanno scopo puramente illustrativo e metodologico.

Credits

This page contains modified Copernicus ESA Sentinel data (2026), processed via Copernicus Data Space Ecosystem (CDSE) by MERIDIAN – Data & Geospatial Intelligence.

Vuoi ottimizzare il monitoraggio dei tuoi asset?

Scopri come trasformare l’intelligence geospaziale in un vantaggio competitivo per il tuo business.