Super-Risoluzione di Immagini Satellitari Multispettrali tramite Modelli di Deep Learning

Il numero di frane è in aumento a causa dei cambiamenti climatici e una risposta rapida e mirata a questi eventi è fondamentale per mitigare i danni. Le immagini satellitari offrono una alternativa veloce ed economica alle rilevazioni aeree per l'individuazione degli smottamenti, tuttavia la risoluzione spaziale di queste è spesso insufficiente per una identificazione accurata. In questo lavoro si esplora l'uso di tecniche di super-risoluzione basate su reti neurali per affrontare questo problema. In particolare, questo studio è un lavoro preliminare per un progetto più ampio che mira a sviluppare una pipeline per la rimozione delle nuvole, la super-risoluzione e la segmentazione a partire dai dati forniti dai satelliti della missione Sentinel-2. Vengono confrontati diversi modelli di super-risoluzione, tra cui RCAN, Swin2MoSE e DRCT, per portare le immagini a una risoluzione spaziale di 2 metri per pixel. Inoltre, vengono condotti esperimenti per valutare l'impatto di vari fattori come la durata dell'allenamento, la dimensione del dataset e altri iperparametri. I risultati ottenuti dimostrano l'efficacia nell'utilizzo di queste reti per migliorare la qualità delle immagini satellitari e forniscono indicazioni utili per ulteriori miglioramenti, in preparazione per l'integrazione nella pipeline completa.