Artificial Intelligence approaches for spatial data processing

Researchers have explored the benefits and applications of artificial intelligence (AI) algorithms in different scenario. For the processing of spatial data, AI offers overwhelming opportunities. Fundamental questions include how AI can be specifically applied to or must be specifically created for spatial data. This change is also having a significant impact on spatial data. Machine learning (ML) has been an important component for spatial analysis for classification, clustering, and prediction. In addition, deep learning (DL) is being integrated to automatically extract useful information for classification, object detection, semantic and instance segmentation, etc. The integration of AI, ML, and DL in geomatics has lead the concept of Geospatial Artificial Intelligence (GeoAI), which is a new paradigm for geo-information knowledge discovery and beyond. Starting from such a premise, this thesis addresses the topic of developing AI-based techniques for analysing and interpreting complex spatial data. The analysis has covered several gaps, for instance defining relationships between AI-based approaches and spatial data. Considering the multidisciplinary nature of spatial data, major efforts have been undertaken in regard to social media data, infrared thermographic (IRT) images, orthophotos, and point clouds. Initially, a literature review was conducted to understand the main data acquisition technologies and if and how AI methods and techniques could help in this field. More in deep, specific attention is given to the state of the art in AI with the selected data type mentioned above, which is important to deal with four different problem: tourism destination management using sentiment analysis and geo-location information; automatic faults detection on photovoltaic farms; mosaic segmentation based on deep cascading learning; face landmarks detection for head 3D modelling for medical applications. The proposed AI applications open up a wealth of novel and important opportunities for both geomatics and computer science community. The newly collected datasets, as well as the complexity of data taken into exam, make the research challenging. In fact, it is crucial to evaluate the performance of state of the art methods to demonstrate their strength and weakness and help identifying future research for designing more robust AI algorithms. For comprehensive performance evaluation, it is of great importance developing a library and benchmarks to gauge the state of the art, because the design methods tuned to a specific problem do not work properly on other problems. Intensive attention has been drawn to the exploration of tailored learning models and algorithms. The tailored AI methods, adopted for the development of the proposed applications, have shown to be capable of extracting complex statistical features and efficiently learning their representations, allowing it to generalize well across a wide variety of AI tasks, including image classification, text recognition and so on. Limitations point towards unexplored areas for future investigations, serving as useful guidelines for future research directions.

I ricercatori hanno esplorato i benefici e le applicazioni degli algoritmi di intelligenza artificiale (IA) in diversi scenari. Per l'elaborazione dei dati spaziali, l'IA offre enormi opportunità. Le domande fondamentali, la ricerca si inclina a capire come l'IA può essere applicata o deve essere creata specificamente per i dati spaziali. Questo cambiamento sta avendo un impatto significativo sui dati spaziali. Il Machine Learning (ML) è stato un componente importante per l'analisi dei dati spaziali e per la loro classificazione, clustering e previsione. Inoltre, il deep learning (DL) viene integrato per estrarre automaticamente informazioni utili per la classificazione, il rilevamento di oggetti, la segmentazione semantica, ecc. L'integrazione di AI, ML e DL in geomatica ha introdotto il concetto di Geospatial Artificial Intelligence (GeoAI), che è un nuovo paradigma per la scoperta della conoscenza geospaziale e oltre. Partendo da tale premessa, questa tesi affronta il tema dello sviluppo di tecniche basate sull'IA per l'analisi e l'interpretazione di dati spaziali complessi. L'analisi ha coperto diverse lacune, per esempio la definizione delle relazioni tra gli approcci basati sull'IA e i dati spaziali. Considerando la natura multidisciplinare dei dati spaziali, gli sforzi maggiori sono stati fatti per quanto riguarda i dati dei social media, le immagini termografiche a infrarossi (IRT), le ortofoto e le nuvole di punti. Inizialmente, è stata condotta una revisione della letteratura per capire le principali tecnologie di acquisizione dei dati e se e come i metodi e le tecniche di IA potrebbero aiutare in questo campo. Un'attenzione specifica è data allo stato dell'arte dell'IA, che è stata importante per affrontare quattro diversi problemi: la gestione delle destinazioni turistiche utilizzando la sentiment analysis e le informazioni di geo-localizzazione; il rilevamento automatico delle anomalie negli impianti fotovoltaici; la segmentazione dei mosaici basata sul deep learning; il rilevamento di punti del viso per la modellazione 3D della testa in ambito medico. Le applicazioni IA proposte aprono nuove e importanti opportunità per la comunità geomatica. I nuovi dataset raccolti, così come i dati complessi presi in esame, rendono la ricerca sfidante. Infatti, è fondamentale valutare le prestazioni dei metodi allo stato dell'arte per dimostrare la loro forza e debolezza e aiutare a identificare la ricerca futura per la progettazione di algoritmi IA più robusti. Per una valutazione completa delle prestazioni, è di grande importanza sviluppare una libreria di benchmark per valutare lo stato dell'arte, perché i metodi di progettazione che sono sintonizzati su un problema specifico non funzionano correttamente su altri problemi. Un'intensa attenzione è stata dedicata all'esplorazione di modelli e algoritmi specifici. I metodi di IA adottati per lo sviluppo delle applicazioni proposte, hanno dimostrato di essere in grado di estrarre caratteristiche statistiche complesse e di apprendere in modo efficiente le loro rappresentazioni, permettendo di generalizzare bene su un'ampia varietà di compiti di IA, tra cui la classificazione delle immagini, il riconoscimento del testo e così via. Le limitazioni puntano verso aree inesplorate per indagini future, servendo come utili linee guida per le future direzioni di ricerca.