Declouding per Immagini Satellitari: Un approccio 2D-2.5D-3D

Questa tesi ha per obiettivo la rimozione delle nubi (declouding) da immagini satellitari ottiche e si propone di analizzare comparativamente architetture di deep learning 2D, 2.5D e 3D per questo compito. Il contesto è quello del monitoraggio continuo del territorio, in cui la copertura nuvolosa interrompe le serie temporali e degrada le metriche di analisi. L’assenza di coppie perfettamente allineate “nuvoloso/pulito” rende l’addestramento supervisionato non banale: per questo prevediamo di impiegare dati sintetici con nubi generate algoritmicamente per indurre nei modelli capacità di ricostruzione coerenti sia strutturalmente sia fotometricamente. In via previsionale, ipotizziamo che le diverse capacità spaziotemporali portino a compromessi distinti: i modelli 3D dovrebbero massimizzare la fedeltà ricostruttiva grazie alla modellazione temporale; i modelli 2.5D rappresenterebbero il miglior compromesso tra qualità e costo computazionale sfruttando brevi sequenze temporali; i modelli 2D fungerebbero da baseline leggera e robusta. Ci aspettiamo che una componente specifica per il controllo degli artefatti (es. penalizzazione degli aloni ai bordi) contribuisca a preservare le transizioni nuvolasuolo. Il piano di valutazione prevede metriche oggettive (PSNR/SSIM) e analisi qualitative su aree di interesse per verificare coerenza radiometrica e leggibilità delle ricostruzioni. L’obiettivo applicativo è selezionare l’architettura più adatta all’impiego operativo: verosimilmente 2.5D per il monitoraggio ordinario e 3D per scenari critici che richiedono la massima fedeltà, al fine di garantire maggiore continuità temporale e affidabilità nelle mappe di frana.