Visione artificiale in geologia: ridefinire le scienze della Terra

Individuare i primi segnali di cambiamento nel paesaggio, che si tratti di spostamenti delle formazioni rocciose, lievi movimenti della superficie o variazioni del terreno, è una parte fondamentale della ricerca geologica. Tradizionalmente, i geologi si sono affidati al lavoro sul campo e all’analisi manuale per osservare e interpretare questi cambiamenti.

Sebbene efficaci, questi metodi possono richiedere molto tempo e avere limiti nel rilevare schemi poco evidenti su vaste aree. Per supportare e potenziare queste attività, i geologi si affidano sempre più a tecnologie basate sull’AI, come la visione artificiale.

La visione artificiale, o AI visiva, consente alle macchine di interpretare e comprendere le informazioni visive del mondo reale. Uno dei motivi principali per cui l’AI visiva viene usata in geologia è la rapida crescita e la maggiore complessità dei dati visivi.

Ogni giorno i satelliti inviano migliaia di immagini, i droni acquisiscono vedute dettagliate di vaste aree e i ricercatori nei laboratori producono immagini microscopiche ad alta risoluzione di minuscoli campioni di roccia. Nel complesso, tutto questo genera un’enorme quantità di dati visivi. La visione artificiale facilita l’analisi di tutte queste informazioni e l’individuazione di schemi utili e significativi.

Per esempio, i modelli di visione artificiale come Ultralytics YOLO11 possono essere usati per analizzare immagini satellitari, riprese da droni e immagini di laboratorio in ambito geologico. Le informazioni ricavate da questo tipo di analisi supportano attività come l’identificazione dei tipi di roccia, la mappatura delle forme del terreno e il monitoraggio delle variazioni del suolo nel tempo.

In questo articolo vedremo più da vicino come la visione artificiale in geologia aiuta i ricercatori ad approfondire la conoscenza del nostro pianeta.

Il ruolo dell’AI e della visione artificiale in geologia#

Prima di approfondire le varie applicazioni della visione artificiale in geologia, facciamo un passo indietro per capire come si inserisce l’AI visiva in questo settore e dove è più necessaria.

I dati visivi raccolti dai geologi spesso devono essere analizzati in modo rapido e accurato per supportare la ricerca e il processo decisionale. Questi dati possono rivelare importanti schemi geologici. Anche cambiamenti minimi nel paesaggio o nelle strutture rocciose possono fornire segnali precoci di trasformazioni più ampie.

Per esempio, sottili crepe sulla superficie di una collina possono segnalare una precoce instabilità del versante e il rischio di frane. Sebbene siano difficili da individuare manualmente, i modelli di visione artificiale possono rilevare rapidamente e con affidabilità questi cambiamenti poco evidenti.

Fig. 1. Esempi di crepe superficiali su un pendio.

Ecco altri modi in cui l’AI e la visione artificiale vengono attualmente usate in geologia:

• Rilevamento delle caratteristiche geologiche: i sistemi di AI basati sulla visione possono identificare automaticamente specifiche caratteristiche geologiche nelle immagini, come crateri, cicatrici di frana e diversi tipi di roccia. Questo accelera notevolmente processi come la mappatura geologica e la valutazione dei rischi.
• Classificazione delle immagini: i modelli di visione artificiale come Ultralytics YOLO11 possono analizzare immagini aeree e classificare le aree in base alla copertura vegetale, alle strutture del sottosuolo o ai tipi di suolo, aiutando i geologi a comprendere meglio la composizione e l’uso del territorio.
• Monitoraggio dei cambiamenti: confrontando immagini scattate in momenti diversi, i sistemi di AI possono rilevare cambiamenti sulla superficie terrestre, come lo spostamento dei ghiacciai, l’erosione costiera o le trasformazioni delle formazioni vulcaniche, offrendo informazioni preziose sui cambiamenti ambientali.
• Previsione dei pericoli: la visione artificiale, combinata con il deep learning, supporta l’analisi di immagini satellitari e altri dati visivi per rilevare i primi segnali di pericoli naturali, migliorando l’accuratezza delle previsioni di eventi come frane ed eruzioni vulcaniche.

Tipi di dati visivi usati negli studi geologici#

Diversi tipi di dati visivi permettono ai geologi di ottenere un quadro più chiaro di ciò che accade sia in superficie sia nel sottosuolo. Ecco alcune delle principali tipologie di dati visivi usate in geologia e il contributo di ciascuna alla comprensione del pianeta:

• Immagini satellitari: i satelliti in orbita terrestre offrono una visione d’insieme della superficie del pianeta. Analizzando immagini raccolte nel tempo, i geologi possono monitorare la salute della vegetazione e osservare l’evoluzione di catastrofi naturali come le alluvioni.
• Riprese da droni: i droni acquisiscono immagini e video del terreno ad alta risoluzione e, se dotati di strumenti come il LiDAR (rilevamento e misurazione della distanza mediante luce), possono produrre mappe dettagliate della superficie, facilitando l’identificazione dei pericoli locali e il monitoraggio dei cambiamenti causati dall’attività umana.
• Immagini microscopiche: le immagini ingrandite di campioni di roccia e minerali rivelano dettagli minuziosi sulla loro composizione e struttura, consentendo ai geologi di comprendere come le rocce si siano formate e trasformate nel tempo.
• Immagini termiche: acquisite da sensori a infrarossi installati su droni o satelliti, le immagini termiche rilevano le distribuzioni del calore sulla superficie terrestre e possono aiutare a individuare attività geotermiche, punti caldi vulcanici o persino flussi di acque sotterranee.

Fig. 2. Panoramica dei diversi tipi di dati visivi usati negli studi geologici. Immagine dell’autore.

Applicazioni della visione artificiale in geologia#

Ora che abbiamo una comprensione più chiara dei tipi di dati visivi usati dai geologi e di come la visione artificiale possa contribuire alla loro analisi, esaminiamo alcune interessanti applicazioni della visione artificiale in geologia che ne mostrano il potenziale per migliorare la ricerca e le scoperte.

Uso dell’AI per monitorare l’attività vulcanica#

Prima di un’eruzione vulcanica, spesso compaiono segnali di allarme precoci, come variazioni della temperatura superficiale, emissioni di gas o piccoli movimenti del terreno. Questi segnali possono essere difficili da individuare, soprattutto nelle aree remote.

Oggi si usano modelli di visione artificiale per analizzare immagini satellitari e termiche e monitorare l’attività vulcanica in modo più efficiente. Questi sistemi possono misurare l’altezza e la temperatura dei pennacchi di cenere, rilevare il calore sulla superficie del vulcano e notare piccoli cambiamenti nella sua forma: segnali che potrebbero indicare l’avvicinarsi di un’eruzione.

Un esempio interessante è il progetto DeepCube H2020, che usa tecniche di visione artificiale come la classificazione delle immagini e la segmentazione di istanze per analizzare dati SAR (radar ad apertura sintetica). Il SAR è un tipo di acquisizione satellitare che usa il radar anziché la luce e può quindi acquisire immagini dettagliate della superficie terrestre indipendentemente dalle condizioni meteorologiche o dall’ora del giorno.

Confrontando immagini SAR acquisite nel tempo, il sistema può rilevare piccoli movimenti del terreno vicino ai vulcani, che potrebbero segnalare i primi segni di attività. Questa ricerca ha contribuito allo sviluppo di Pluto, un sistema globale di allerta basato sull’AI che monitora i vulcani e invia avvisi precoci quando rileva segnali di attività.

Fig. 3. Uno sguardo alle immagini radar satellitari in cui i motivi cromatici mostrano i movimenti del terreno vicino ai vulcani.

Classificazione delle rocce con il machine learning e l’AI visiva#

Immagina una società mineraria che valuta un nuovo sito per la ricerca di risorse. Prima di iniziare qualsiasi perforazione, in genere i geologi devono identificare i tipi di roccia presenti nell’area per valutarne sia il potenziale minerario sia i rischi per la sicurezza. Tradizionalmente, ciò comporta la raccolta di campioni fisici e la loro analisi manuale: un metodo che richiede molto tempo e dipende fortemente dal giudizio degli esperti.

Grazie al machine learning e alla visione artificiale, questo processo sta diventando più rapido e oggettivo. Immagini ad alta risoluzione dei campioni di roccia vengono acquisite e analizzate da modelli addestrati, in grado di riconoscere schemi di consistenza, colore e struttura granulare usando attività di visione artificiale come la classificazione delle immagini.

Questi modelli apprendono da migliaia di immagini etichettate di rocce e minerali, come quelle contenute nel dataset MineralImage5k, così da poter identificare rapidamente e con precisione nuovi campioni in autonomia. Questo accelera il processo decisionale sul campo e riduce la necessità di un lavoro manuale approfondito, rendendo l’esplorazione più efficiente e coerente.

Rilevamento delle faglie con la visione artificiale#

Tradizionalmente, identificare faglie e fratture nelle formazioni rocciose richiedeva un ampio lavoro sul campo. Oggi, i modelli di visione artificiale possono analizzare immagini satellitari e aeree per rilevare automaticamente queste caratteristiche con grande precisione. Individuando schemi lineari che indicano la presenza di faglie, questi modelli aiutano a creare mappe dettagliate delle aree a rischio geologico.

I modelli di visione artificiale come Ultralytics YOLO11, che supportano attività come la segmentazione di istanze, possono essere usati per rilevare crepe, fratture e faglie nelle immagini della superficie. Questi modelli possono individuare anche piccole crepe nella roccia o nel suolo, migliorando la mappatura geologica e favorendo una pianificazione più sicura delle attività di costruzione o perforazione nelle aree soggette a terremoti.

Fig. 4. Segmentazione delle crepe con Ultralytics YOLO11.

Vantaggi e svantaggi dell’uso della visione artificiale in geologia#

La visione artificiale sta trasformando i flussi di lavoro geologici, dall’identificazione dei minerali alla comprensione più approfondita di ciò che si trova sotto la superficie. Ecco alcuni dei principali vantaggi che offre al settore:

• Integrazione con il telerilevamento: l’AI visiva può lavorare insieme alle immagini satellitari e da drone per valutare il terreno, la geologia strutturale o le condizioni ambientali su vaste aree.
• Analisi non distruttiva: l’analisi basata sulla visione è non invasiva e preserva l’integrità dei campioni preziosi o fragili.
• Scalabilità: una volta addestrati, i modelli di visione artificiale come YOLO11 possono elaborare rapidamente e con coerenza grandi quantità di dati provenienti da siti diversi.

Tuttavia, nonostante i vantaggi, l’applicazione della visione artificiale in geologia comporta anche alcune sfide da considerare:

• Interpretabilità: molti modelli di visione artificiale funzionano come “scatole nere”, rendendo difficile spiegare come vengono prese le decisioni.
• Manutenzione continua: con l’evolversi dei dati geologici, i modelli devono essere aggiornati e riaddestrati regolarmente per restare efficaci e pertinenti.
• Limiti ambientali: le immagini ottiche usate nel telerilevamento possono essere influenzate da fattori come la copertura nuvolosa, le condizioni di illuminazione o gli ostacoli sulla superficie, che possono ridurre le prestazioni del modello.

Punti chiave#

La visione artificiale sta cambiando il modo in cui si svolgono la ricerca e le applicazioni geologiche. Dal monitoraggio dell’attività vulcanica al rilevamento dei primi segnali di frane, gli strumenti basati sull’IA visiva aiutano i geologi a migliorare sia i risultati della ricerca sia le strategie di risposta alle catastrofi.

Guardando al futuro, con la continua evoluzione dell’AI e l’integrazione di una quantità crescente di dati provenienti da diversi sensori, possiamo aspettarci lo sviluppo di sistemi più robusti, progettati per l’impiego sul campo in condizioni reali. È probabile che la visione artificiale diventi una componente fondamentale delle attività geologiche, migliorando efficienza e precisione in un’ampia gamma di applicazioni.

Unisciti alla nostra community ed esplora il nostro repository GitHub per scoprire di più sulla visione artificiale in azione. Se ti interessa sapere come viene applicata l’AI nei diversi settori, visita la nostra pagina delle soluzioni per scoprire casi d’uso concreti: dalla visione artificiale nella produzione all’AI in ambito sanitario. Dai un’occhiata alle nostre opzioni di licenza e fai oggi il primo passo per sviluppare con la visione artificiale.