La cartografia, il processo di rappresentazione schematica delle caratteristiche fisiche della terra e delle reazioni tra tali caratteristiche, si è evoluta in modo esponenziale nel corso dei secoli. Dai primi approcci per la documentazione di ciò che ci circonda alla creazione di mappe cartacee dettagliate, alla costruzione di sistemi informativi geografici digitali completi (GIS) e dei modelli informativi degli edifici (BIM), i metodi che utilizziamo per tracciare il mondo che ci circonda sono avanzati rapidamente.
Cos’è la GEO-AI
Gli strumenti moderni hanno consentito alla cartografia di passare dai disegni fisici su superfici piane a modelli digitali 3D interattivi e ricchi di informazioni del nostro ambiente. Con strumenti intelligenti e tecnologie come l’intelligenza artificiale geospaziale (GeoAI), possiamo quindi analizzare i dati spaziali e fornire mappe e simulazioni per prevedere i risultati futuri in vari scenari.
La GeoAI è la fusione dei dati geospaziali, soprattutto utilizzati tramite i GIS, e tecnologie intelligenti come l’IA, con i suoi algoritmi di apprendimento automatico (machine learning) e apprendimento profondo (deep learning).
Si può pertanto utilizzare la GeoAI per creare proiezioni relative a vari aspetti di un’area o di un territorio, inclusi modelli di trasporto, definizione e studio di condizioni economiche, utilizzo delle risorse naturali, livelli di inquinamento e molto altro. Queste intuizioni aiutano a elaborare varie strategie di conoscenza, sviluppo e pianificazione basate su serie di dati reali che collegano in modo complesso i luoghi in cui trascorriamo il nostro tempo a numerosi fattori ambientali, sociali, urbani, metereologici e quant’altro. Scenari, strategie e rappresentazioni risultano ancora più incisivi e completi mediante la moderna tecnologia 3D che consente di creare un’accurata rappresentazione digitale di qualsiasi forma fisica, inclusi paesaggi, siti, regioni geografiche e infrastrutture.
L’integrazione dell’intelligenza artificiale nella geomatica consente quindi la combinazione di dati georeferenziati, analisi e metodi spaziali con i più evoluti algoritmi, per una profonda comprensione dei fenomeni naturali e sociali nello spazio geografico, correttamente localizzati sul territorio.
L’intelligenza artificiale cerca di imitare il funzionamento del cervello umano e, sulla base delle conoscenze acquisite, cercare soluzioni e automatizzare i nostri problemi quotidiani in cui la geomatica è largamente presente (per es. la localizzazione in tempo reale con i moderni smartphone, le mappe di Google Earth, robot per la pulizia della casa, etc.).
Negli ultimi anni, gli algoritmi di apprendimento automatico (Machine Learning, ML) sono stati sviluppati con l’obiettivo di apprendere astrazioni rilevanti dai dati; tuttavia, dopo essere entrati nell’era dei big data, gli approcci di ML sono stati sostituiti da quelli di apprendimento profondo (Deep Learning, DL), più efficienti e potenti per gestire le enormi quantità di dati, anche geospaziali, generati dalle attuali tecnologie. In questo contesto, la geomatica è una fonte fondamentale di dati geospaziali sia 2D che 3D.
Pochi decenni fa, la tecnologia e l’ingegneria topografica riguardavano solo la misurazione di distanze e angoli e la loro riduzione a reti geodetiche per applicazioni di cartografia catastale e topografica. Il rilievo, oggi, svolge ancora un ruolo tecnologico di primo piano, ma si è evoluto in nuove forme. La mappatura topografica, un tempo condotta con strumenti ingombranti che richiedevano calcoli complessi da parte degli operatori, è ora diventata un mero passaggio per l’elaborazione di dati geospaziali più complessi. Le immagini digitali, ottenute con diversi sensori (dalle immagini satellitari agli smartphone), possono essere utilizzate per svolgere sia compiti di classificazione dell’ambiente o riconoscimento di oggetti che di ricostruzioni virtuali. Le reti di rilevamento e i calcoli fotogrammetrici sono stati in gran parte sostituiti da elaborazioni digitali più sofisticate con progetti e implementazioni adattive o strumenti più semplici nel loro utilizzo, come i scanner laser terrestri (TLS) o i mobile mapping systems (MMS).
I dati geospaziali multirisoluzione (e metadati) si riferiscono alle osservazioni e/o misurazioni a più risoluzioni scalari, spettrali e temporali, come le immagini digitali a varie dimensioni di pixel e bande spettrali, derivate da satellite o da drone, che possono fornire diverse coperture stagionali. Le conseguenti attività di analisi possono quindi essere eseguite a livello regionale, ma anche locale e puntuale.
Inoltre, visto che la geomatica e la geodesia si basano su modelli stocastici che utilizzano variabili e parametri per la modellazione, proprio come l’intelligenza artificiale, la loro integrazione e combinazione per molte applicazioni risulta naturale.
I dati geospaziali
Le possibilità offerte dai nuovi strumenti di acquisizione per trattare oggetti complessi anche a scala architettonica sono numerose. Attrezzature a basso costo (camere 360°, droni, sensori di profondità e così via) sono in grado di svolgere compiti di ricostruzione 3D. Naturalmente, anche la precisione deve essere considerata. Infatti, i modelli complessi di georeferenziazione richiedono fonti di dati più sofisticate e accurate come un ricevitore GNSS (Global Navigation Satellite System) o TLS. Nel caso di piccoli oggetti o artefatti, immagini terrestri e dati a distanza ravvicinata sono le migliori soluzioni per ottenere informazioni dettagliate.
L’uso delle informazioni geografiche e spaziali all’interno della società, così come nel mondo accademico, è aumentato rapidamente negli ultimi decenni, facendo crescere l’importanza della geomatica e dei dati da essa acquisiti e prodotti.
Gli ambiti di appliczione della GEO-AI
Da alcune analisi dello stato dell’arte (Piericca e Paolanti, 2022) i principali ambiti di applicazione della Geo-AI si possono raggruppare in: studio e analisi dell’ambiente naturale e antropico; qualità della vita negli ambienti rurali e urbani; previsione, monitoraggio e supporto per i disastri naturali e umani; documentazione e conservazione del patrimonio costruito e storico-culturale.
Ad esempio, le analisi spaziali attraverso i sistemi informativi territoriali, quali i GIS, si possono ritrovare nelle discipline umanistiche (archeologia, ecologia umana, studi linguistici, etc.), nelle scienze sociali (geografia umana ed economica, economia, storia economica, etc.), e medicina (medicina sociale e del lavoro, epidemiologia, etc.). Pertanto, i dati geospaziali fanno parte della ricerca e del lavoro quotidiano di molti settori, rendendo così cruciale il supporto dell’IA.
La Figura 1 mostra un grafico basato sul numero di pubblicazioni scientifiche relative alla Geomatica e al tema dell’Intelligenza Artificiale aggiornata al 2021. I contributi sono disponibili su Google Scholar e hanno parole chiave nei titoli che includono sia la componente AI che l’area di applicazione specifica. Per la prima sono state incluse nella ricerca “Artificial Intelligence”, “Machine Learning”, “Deep learning” e “Artificial Neural Networks”, per la seconda sono state incluse tutte le categorie presenti nel grafico, accorpate per somiglianza in alcuni casi. Ne sono risultati complessivamente 7933 articoli, suddivisi in 19 aree.
Figura 1. Numero di pubblicazioni scientifiche riguardo l’IA, il ML e DL nel campo della geomatica, raggruppate da piccolo a grande scala (Matrone, 2021).
I principali metodi analitici
I principali metodi della IA applicati a dati geospaziali 2D e 3D sono (Figura 2):
- clustering (Shi and Pun-Cheng, 2019). È un processo di raggruppamento di elementi omogenei, sulla base di alcune caratteristiche, in un set di dati (Boongoen e Iam-On, 2018).
- classificazione (Jiang, 2018). Nell’ambito delle immagini, ad esempio, permette di ottenere la classe o l’etichetta dell’intera immagine considerata.
- riconoscimento di oggetti (object detection) (K. Li et al., 2020). Questo task entra un po’ più nel dettaglio e consiste nell’identificazione di oggetti, tramite riquadri di ritaglio, all’interno di un’immagine, associandoli a una determinata classe (ad esempio esseri umani, animali o automobili). L’obiettivo è sviluppare tecniche e modelli computazionali che forniscano uno degli elementi di base necessari per le applicazioni di visione artificiale (computer vision), in particolare sapere quali oggetti sono presenti in un’immagine. Il riconoscimento degli oggetti è la base di molte applicazioni per la visione artificiale, come l’individuazione dei sottotitoli delle immagini o il tracciamento degli oggetti.
- segmentazione semantica (Minaee et al., 2021, Yuan et al., 2021). Ancora più nello specifico, in questo caso, gli oggetti presenti all’interno di un’immagine o una nuvola di punti, vengono individuati tramite bordi più precisi e ad ogni pixel o punto è associata una categoria differente.
- segmentazione di parti (Adegun et al., 2018).
Figura 2. Esempio dei differenti task applicati alle immagini. Immagine modificata a partire da Detection and Segmentation through ConvNets | by Ravindra Parmar | Towards Data Science
Applicazioni comuni per i modelli di GEO-AI
I luoghi in cui viviamo, lavoriamo e trascorriamo il tempo possono influenzare direttamente il nostro stato di salute.
Salute pubblica e ambiente
In questo contesto si possono comprendere gli impatti ambientali sulla salute pubblica mediante l’integrazione dei metodi di intelligenza artificiale con vari tipi di dati georeferenziati (ad es. dati sui punti di interesse, posizioni GNSS/GPS, sensori ambientali, immagini acquisite da piattaforma aerea e satellitare). Questi nuovi approcci permettono di migliorare la nostra comprensione dei luoghi che hanno un impatto positivo sulla salute (ad es. parchi e aree verdi, viali urbani, boschi, etc.) e quelli che possono avere impatti negativi (ad esempio, industrie, strade ad elevato traffico, etc.), proponendo risposte più complete alle domande relative alla salute basate su una prospettiva spaziale.
Anche i dati testuali non strutturati possono essere sfruttati per analisi geospaziali. Ne è un esempio la definizione delle aree soggette a varie tipologie di crimine nelle città a partire dai report delle stazioni di polizia (Figura 3).
Figura 3. Estrazione e mappatura dati da testo non strutturato.
https://www.esri.com/arcgis-blog/products/api-python/analytics/dev-summit-2020-extract-and-map-data-from-unstructured-text-2/
Risposta ai disastri e resilienza della comunità
I metodi di GeoAI e i dati geospaziali permettono di acquisire conoscenze che possono aiutare le comunità a diventare più resilienti di fronte ai disastri naturali. Ne sono un esempio la comprensione e l’estrazione delle descrizioni dei luoghi utilizzate dagli operatori di settore e dalla popolazione durante i disastri naturali, l’analisi degli impatti dei disastri sulle comunità vulnerabili e la comprensione delle percezioni delle persone nei confronti dei loro ambienti di vita.
Numerosi sono gli esempi di utilizzo delle tecniche di GeoAI in applicazioni di early impact legate a disastri naturali come inondazioni, incendi o sismi, effettuando, in modo rapido e accurato, il riconoscimento dei danni presenti sul territorio come l’individuazione degli edifici danneggiati (Figura 4) o la verifica dello stato della viabilità.
Figura 4. Individuazione automatica di edifici danneggiati. Damage assessment using deep learning in ArcGIS (esri.com)
Modellazione costiera e analisi marine
I porti e le aree costiere sono importanti snodi commerciali e di trasporto che collegano una regione con il resto del mondo. Lo sviluppo efficiente di una regione costiera può essere piuttosto impegnativo, ma la modellazione GeoAI 3D considera le possibili sfide, nonché gli inevitabili impatti economici e ambientali della costruzione di porti e dell’industria della pesca, oltre ad aiutare nel riconoscimento della tipologia delle coste o di specie marine (Figura 5).
Figura 5. Individuazione del pesce gatto in un video in video full motion acquisito da drone. Fonte: Dev Summit 2020: Use deep learning tools with full motion video (esri.com)
Modellazione digitale delle informazioni urbane, edilizie e del patrimonio culturale
Nel settore dell’ingegneria, delle costruzioni e dell’architettura sono molteplici gli studi e gli ambiti di applicazione degli algoritmi di IA. In particolare, uno dei primi esempi di reti neurali artificiali, nel campo dell’ingegneria civile, sfruttava il pattern recognition per la localizzazione del carico delle travi, dimostrando l’efficacia di questa soluzione rispetto alla codifica in un programma convenzionale (Vanluchene e Sun, 1990). Da questi primi anni di sperimentazione, l’ingegneria edile e l’architettura hanno fortemente sviluppato e integrato l’IA nei sistemi edilizi e nel patrimonio culturale. Ne sono un esempio il monitoraggio strutturale e la manutenzione predittiva che, tramite le serie di dati derivanti dalla sensoristica installata o dai rilievi in situ, possono prevedere gli interventi e il comportamento del sistema nel suo complesso.
Se si fa, invece, riferimento ai metodi sopracitati, ossia la classificazione e la segmentazione semantica, così come il rilevamento di oggetti, gli algoritmi di IA consentono di individuare automaticamente gli elementi intorno a noi dalle immagini o dalle nuvole di punti, facilitando così analisi e ricostruzioni tridimensionali.
A scala territoriale e urbana, si possono tracciare automaticamente sulla mappa reti stradali, impronte di edifici, infrastrutture e altre classi, a partire da immagini satellitari, aeree o UAV (Figura ) e dati LiDAR (Park e Guldmann, 2019).
Figura 6. Esempio di estrazione di dati automatica da immagini satellitari. https://www.esri.com/about/newsroom/arcuser/deep-learning/
Ora è un flusso di lavoro comune e semplice generare anche modelli 3D da dati aerei, ma l’ispezione umana e la digitalizzazione manuale sono comunque necessarie e richiedono tempo. Con le nuove applicazioni provenienti dal DL sta diventando sempre più facile anche rilevare automaticamente i singoli elementi e costruire i modelli 3D (Figura 7), rendendo l’intero processo più efficiente.
Figura 7. Ricostruzione di edifici 3D utilizzando dati aerei LiDAR attraverso tecniche di DL (He et al., 2017; “Reconstructing 3D buildings from Aerial LiDAR with Deep Learning,” https://developers.arcgis.com/python/sample-notebooks/building-reconstruction-using-mask-rcnn/).
In questo contesto, abbiamo quindi da un lato l’utilizzo di dati 3D per il riconoscimento e la ricostruzione automatica di modelli 3D urbani e regionali, dall’altro, il crescente sfruttamento dei dati acquisiti da droni, LiDAR o MMS, per favorire la navigazione autonoma di macchine o robot, il posizionamento indoor e lo studio del patrimonio architettonico e dei beni culturali. Questi ultimi necessitano di un livello di approfondimento superiore, che può essere fornito proprio dalla segmentazione semantica di nuvole di punti con un alto livello di dettaglio, facilitandone così la ricostruzione 3D digitale (Pierdicca et al. 2020; Matrone et al., 2020).
Figura 8. Dalla segmentazione semantica della nuvola di punti al modello HBIM (Historic BIM). Le classi utilizzate per segmentare la nuvola hanno un livello di dettaglio adatto alla modellazione parametrica del patrimonio architettonico (colonne, archi, volte, modanature, finestre e porte, etc.)
Questo insieme complesso di informazioni e semantica diviene la base fondamentale della pianificazione urbana, ancorché integrata con altre serie di dati storici, sociali, economici e ambientali. È possibile, pertanto, generare una visione chiara e multi dimensionale della città con modelli di scenari di sviluppo che permettono di operare scelte e decisioni consapevoli anche pianificando correttamente l’allocazione delle risorse.
Sviluppo del settore industriale, energetico e minerario
La rappresentazione di dati e modelli 3D, anche in modo interattivo, può supportare la pianificazione e la gestione efficace delle reti energetiche per quanto riguarda la progettazione degli interventi, la manutenzione programmata e predittiva (previsione dei guasti), l’individuazione delle perdite (calore, fluidi, acqua, etc.) e, più in generale, lo sviluppo di scenari evolutivi socio-economici.
I metodi della GeoAI possono anche intervenire nell’ingegneria del petrolio e delle risorse naturali, nell’analisi delle proprietà dei terreni, nelle operazioni di perforazione e nella pianificazione, progettazione e gestione dell’intera struttura industriale (raffinerie, teleriscaldamento, etc.), fornendo visualizzazioni e proiezioni accurate di ausilio alle decisioni basate su dati reali.
I fornitori di servizi di telecomunicazione dipendono da dati geospaziali aggiornati per progettare, pianificare e localizzare strategicamente la loro infrastruttura. Ciò include il posizionamento di terminali, router e torri, nonché le richieste sempre crescenti sui loro sistemi, attraverso una modellazione 3D dettagliata che accelera la risposta alle interruzioni e dirige la manutenzione delle risorse.
Anche il successo delle operazioni minerarie dipende dalla scoperta e dall’identificazione di giacimenti minerari precisi e piani minerari accuratamente realizzati. Queste attività si basano su dati geospaziali dettagliati e precisi. La moderna tecnologia spaziale digitale aiuta a localizzare i depositi di minerali, dirige la progettazione di attrezzature minerarie autonome e fornisce preziose informazioni per promuovere operazioni efficienti.
Pro e contro
Esaminiamo ora i pro e i contro.
Pro
- Supporto ai processi decisionali: la combinazione dei dati geospaziali con algoritmi di intelligenza artificiale può fornire informazioni preziose per il processo decisionale, consentendo alle organizzazioni e ai governi di fare scelte informate, analizzando grandi quantità di informazioni in modo rapido e accurato.
- Miglioramento dell’efficienza: la GeoAI può automatizzare varie attività geospaziali, come l’analisi delle immagini, il rilevamento di oggetti e la classificazione. Sfruttando le capacità dell’IA, riduce lo sforzo umano e accelera i processi, portando a una maggiore efficienza nelle operazioni geospaziali.
- Monitoraggio e analisi in tempo reale: le anali delle GeoAI consentono il rilevamento immediato di modifiche o anomalie, permettendo un processo decisionale proattivo, come i sistemi di allerta precoce e di definizione dell’impatto per i disastri naturali, la sorveglianza delle infrastrutture critiche e il monitoraggio dei cambiamenti climatici.
- Ottimizzazione delle risorse: la GeoAI aiuta a ottimizzare l’allocazione delle risorse. Ad esempio, può identificare aree di elevata domanda di servizi pubblici, come i trasporti o l’assistenza sanitaria, e fornire assistenza per una pianificazione e un’implementazione efficaci.
- Analisi predittiva: sfruttando i dati geospaziali storici e le tecniche di apprendimento automatico per prevedere tendenze e modelli futuri, consente una pianificazione proattiva e una valutazione del rischio, contribuendo così a una migliore resilienza rispetto alle catastrofi e ai cambiamenti climantici, alla pianificazione urbana e alla gestione delle risorse.
- Mapping in tempo reale e navigazione migliorate: la GeoAI migliora i sistemi di mapping e navigazione fornendo dati geospaziali accurati e aggiornati. Aiuta a ottimizzare i percorsi, fornire aggiornamenti sul traffico e offrire esperienze di navigazione personalizzate, anche autonome.
Contro
- Privacy e sicurezza dei dati: l’uso di GeoAI comporta la gestione di grandi quantità di dati, che possono sollevare preoccupazioni in merito alla privacy e alla sicurezza. Devono essere messi in atto protocolli adeguati per proteggere le informazioni sensibili e impedire l’accesso non autorizzato o l’uso improprio.
- Bias e Fairness: gli algoritmi AI utilizzati nella GeoAI possono essere soggetti a bias se non adeguatamente progettati e addestrati. I modelli distorti possono perpetuare le disuguaglianze esistenti e le pratiche discriminatorie. È pertanto essenziale garantire equità, trasparenza e inclusività nello sviluppo e nell’implementazione dei sistemi GeoAI.
- Affidabilità della qualità dei dati: l’accuratezza e l’affidabilità dei risultati dipendono fortemente dalla qualità dei dati in ingresso. Dati geospaziali imprecisi o incompleti possono portare a conclusioni errate o decisioni errate. I processi di raccolta dei dati e di controllo della qualità devono essere solidi e aggiornati regolarmente.
- Complessità tecnica: l’implementazione dei sistemi di GeoAI richiede esperienza nell’analisi dei dati geospaziali, nell’apprendimento automatico e nell’intelligenza artificiale. Le organizzazioni potrebbero avere difficoltà nell’acquisizione delle competenze tecniche necessarie, nell’integrazione di sistemi differenti tra loro e nella gestione delle complessità dell’elaborazione dei dati su larga scala.
- Considerazioni etiche: l’uso dell’IA in generale solleva questioni etiche riguardanti la raccolta, l’archiviazione e l’utilizzo dei dati, geospaziali e non. È fondamentale considerare i quadri etici, la trasparenza e il consenso quando si tratta di informazioni sensibili basate sulla posizione.
- Impatto ambientale: l’infrastruttura necessaria per supportare la GeoAI, come i data center e le risorse informatiche, consuma molta energia. È importante valutare e mitigare l’impatto ambientale di questi sistemi per garantirne la sostenibilità.
Conclusioni
In conclusione, la GeoAI fornisce un grande supporto alla conoscenza dei fenomeni naturali e antropici, aiutando così le comunità a diventare più resilienti ai disastri naturali e raggiungere uno sviluppo più sostenibile. Essa sfrutta attivamente la scienza e i set di dati per creare informazioni geografiche più intelligenti e pertinenti e per affrontare una moltitudine di sfide quotidiane e di lavoro futuro.
Sono però ancora molte le criticità da studiare e le tematiche di ricerca da sviluppare, sia in ambito accademico che professionale. La spiegazione (explainability) e interpretabilità (interpretability) degli algoritmi sono sicuramente una direzione in tal senso.
*Contributo condotto nell’ambito di FAIR – Future Artificial Intelligence Research finanziato dall’Unione Europea – Next-GenerationEU (PIANO NAZIONALE DI RIPRESA E RESILIENZA (PNRR) – MISSIONE 4 COMPONENTE 2, INVESTIMENTO 1.3 – D.D. 1555 11/10/2022, PE00000013). I punti di vista e le opinioni espresse sono tuttavia solo quelli degli autori e non riflettono necessariamente quelli dell’Unione europea o della Commissione europea. Né l’Unione Europea né la Commissione Europea possono essere ritenute responsabili per essi.
Bibliografia
Adegun, A., Akande, N., Ogundokun, R., and Asani, E.: Image segmentation and classification of large scale satellite imagery for land use: a review of the state of the arts, Int. J. Civ. Eng. Technol, 9, 1534–1541, 2018
Boongoen, T. and Iam-On, N.: Cluster ensembles: A survey of approaches with recent extensions and applications, Computer Science Review, 28, 1–25, 2018
Jiang, Z.: A survey on spatial prediction methods, IEEE T. Knowl. Data En., 31, 1645–1664, 2018
He, K., Gkioxari, G., Dollàr, P., Girshick, R., 2017. Mask R-CNN ar, in: Proceedings of the IEEE International Conference on Computer Vision (ICCV). pp. 2961–2969.
Li, K., Wan, G., Cheng, G., Meng, L., and Han, J.: Object detection in optical remote sensing images: A survey and a new benchmark, ISPRS J. Photogramm., 159, 296–307, 2020.
Matrone, F., 2022. Deep Semantic Segmentation of Cultural Built Heritage Point Clouds: Current Results, Challenges and Trends. In Giordano, A., Russo, M. and Roberta, S., 2022. Representation Challenges: New Frontieres of AR and AI Research for Cultural Heritage and Innovative Design. DISÉGNO-OPEN ACCESS, pp.1-462. PDF view of the file 05_Matrone.pdf (francoangeli.it)
Matrone, F., 2021. Deep semantic segmentation of built heritage point clouds. Tesi si dottorato. Point Cloud Semantic Segmentation Using a Deep Learning Framework for Cultural Heritage (polito.it)
Matrone, F., Grilli, E., Martini, M., Paolanti, M., Pierdicca, R. and Remondino, F., 2020. Comparing machine and deep learning methods for large 3D heritage semantic segmentation. ISPRS International Journal of Geo-Information, 9(9), p.535.
Minaee, S., Boykov, Y. Y., Porikli, F., Plaza, A. J., Kehtarnavaz, N., and Terzopoulos, D.: Image segmentation using deep learning: A survey, IEEE T. Pattern Anal., February 2021, p. 1, https://doi.org/10.1109/TPAMI.2021.3059968, 2021
Park, Y., Guldmann, J.M., 2019. Creating 3D city models with building footprints and LIDAR point cloud classification: machine learning approach. Comput. Environ. Urban Syst. 75, 76–89. https://doi.org/10.1016/j.compenvurbsys.2019.01.004
Pierdicca, R. and Paolanti, M., 2022. GeoAI: a review of artificial intelligence approaches for the interpretation of complex geomatics data. Geoscientific Instrumentation, Methods and Data Systems, 11(1), pp.195-218.
Pierdicca, R., Paolanti, M., Matrone, F., Martini, M., Morbidoni, C., Malinverni, E.S., Frontoni, E. and Lingua, A.M., 2020. Point cloud semantic segmentation using a deep learning framework for cultural heritage. Remote Sensing, 12(6), p.1005.
Shi, Z. and Pun-Cheng, L. S.: Spatiotemporal data clustering: a survey of methods, ISPRS Int. Geo-Inf., 8, 112, https://doi.org/10.3390/ijgi8030112, 2019.
Vanluchene, R.D., Sun, R., 1990. Neural Networks in Structural Engineering. Comput. Civ. Infrastruct. Eng. 5, 207–215. https://doi.org/10.1111/j.1467-8667.1990.tb00377.x
Yuan, X., Shi, J., and Gu, L.: A review of deep learning methods for semantic segmentation of remote sensing imagery, Expert Syst. Appl., 169, 114417, https://doi.org/10.1016/j.eswa.2020.114417, 2021
