Artificial Intelligence for Spatiotemporal Data and Remote Sensing Applications in Monitoring Systems

I moderni sistemi di monitoraggio si basano su vaste e ubiquitarie reti di sensori che registrano dati provenienti da processi fisici, con applicazioni nei settori marittimo, agricolo, dell’ispezione delle infrastrutture pubbliche e in molti altri ambiti di gestione. Questi sistemi generano grandi quantità di dati temporali, spaziotemporali e visivi, che vengono analizzati per ridurre il carico di lavoro e i ritardi operativi causati dalle attività manuali. I sistemi di monitoraggio supportano enti regolatori e autorità nella conservazione delle risorse, nella valutazione della conformità, nell’analisi dei rischi e nel supporto decisionale di routine. Tuttavia, la loro efficacia è soggetta a fattori operativi, ad esempio limitazioni dovute a guasti dei sensori, connettività instabile in ambienti difficili, interferenze meteorologiche e disattivazione intenzionale dei dispositivi di trasmissione, tra gli altri, che generano lacune in informazioni critiche. Questa tesi affronta sfide di monitoraggio e gestione in tre domini applicativi e mira a rispondere ai seguenti quesiti di ricerca: (i) come ottenere o ricostruire dati spaziotemporali quando la sensorizzazione è incompleta, (ii) come rilevare e caratterizzare oggetti piccoli o visivamente poco distintivi in presenza di dati e risorse limitati, e (iii) come associare modalità eterogenee di dati in contesti in cui copertura e qualità variano. Il primo dominio è il monitoraggio marittimo, in cui il lavoro esamina come ricostruire con sufficiente accuratezza segmenti mancanti nelle traiettorie delle imbarcazioni al fine di supportare decisioni operative. Viene introdotto un modello ricorrente BF-BiLSTM che combina dati spaziotemporali forward e backward in una rappresentazione condivisa, migliorando le prestazioni di ricostruzione sia su lacune brevi sia su intervalli estesi generati da malfunzionamenti nei sistemi di segnalazione o da disattivazioni deliberate dei trasponder AIS. Questo studio esamina inoltre come rilevare piccole imbarcazioni in presenza di dati annotati limitati e risorse computazionali vincolate in ambienti marittimi complessi. A tal fine vengono analizzati diversi rilevatori convoluzionali con architetture e dimensioni differenti e vengono applicate ottimizzazioni che migliorano il rilevamento di bersagli di piccole dimensioni nelle immagini satellitari e, inoltre, la classificazione di pescatori ricreativi a partire dalle immagini. Inoltre, viene proposta una pipeline multimodale che allinea dati spaziotemporali AIS con rilevamenti provenienti da sensori di imaging satellitare multipli al fine di identificare comportamenti cooperativi e non cooperativi delle piccole imbarcazioni. Il secondo dominio è la telemetria agricola e ambientale, in cui la tesi studia come migliorare registrazioni di posizione GNSS frammentate quando la disponibilità di rete diminuisce e mostra come una configurazione dedicata di raccolta e ingestione dei dati riduca le incoerenze di posizione e fornisca traiettorie stabili per analisi successive quali la conservazione delle risorse minimizzando le aree sovrapposte nelle operazioni. Oltre ai dati di posizionamento, il lavoro si estende alle serie temporali ambientali multivariate attraverso uno studio sul monitoraggio delle acque sotterranee, nel quale modelli previsionali classici e neurali vengono confrontati per valutarne la capacità di rappresentare la dinamica stagionale della ricarica. Questo studio mostra che le dinamiche di breve periodo delle acque sotterranee possono essere previste in modo affidabile anche con osservazioni limitate quando variabili ambientali multivariate vengono incorporate come regressori esterni e quando viene adottata una strategia appropriata di validazione incrociata per stabilizzare l’addestramento del modello in condizioni di scarsità di dati. Il terzo dominio è l’ispezione delle infrastrutture pubbliche, in cui il lavoro si concentra sulle attività di monitoraggio legate al problema della scarsità di immagini di difetti. Viene proposto un framework di inpainting controllabile COIGAN che genera classi di difetti valutate empiricamente e migliora le applicazioni successive, testate tramite modelli di segmentazione, dimostrando miglioramenti quando addestrati su immagini generate. Nel complesso, i contributi dimostrano che anche quando la sensorizzazione è irregolare o incompleta è possibile supportare decisioni operative robuste attraverso la progettazione di metodi espliciti. Questi risultati mostrano come sia comunque possibile costruire modelli robusti basati sui dati in condizioni operative reali.