AI e Geomatica: impatti, prospettive e nuove competenze per i professionisti del settore

In occasione del 66° Convegno nazionale SIFET - Società Italiana di Fotogrammetria e Topografia (Brindisi, 18-20 giugno), abbiamo intervistato il prof. Roberto Pierdicca dell’Università Politecnica delle Marche per approfondire l’impatto dell’Intelligenza Artificiale nel settore della Geomatica. Dalle applicazioni più promettenti alle sfide etiche e operative, di seguito vi proponiamo la sua visione su come l’AI sta trasformando strumenti, competenze e prospettive nel settore.

Durante il Convegno SIFET, il prof. Pierdicca sarà moderatore della Sessione 3 intitolata "GeoAI: Intelligenza Artificiale o statistica aumentata".

AI nella Geomatica: l'impatto del cambiamento

In quali settori della geomatica l’intelligenza artificiale sta portando i cambiamenti più radicali oggi?

Difficile a dirsi, proprio per la natura generica del termine Geomatica. Con esso, si intendono dati geografici, dati geospaziali, serie temporali, dati multi e iperspettrali, dati 2d/3D, e potrei continuare. È sicuramente affascinante quanto difficile approcciare con sistemi intelligenti dati così complessi e così eterogenei.

Se volessimo provare a verticalizzare sulle applicazioni, forse oggi il comparto che più sta beneficiando della GeoAI è il GIS, grazie alla grande potenza di fuoco di ESRI. Si possono applicare sistemi di AI senza necessità di sviluppare codice (altro grande collo di bottiglia per le competenze dei “geomatici”, qui qualcuno/a si arrabbierà, ma poi gli passa…).

Il remote sensing¹, dal canto suo, promette di raggiungere ottimi livelli di classificazione e segmentazione per l’estrazione di informazioni quali indici vegetazionali e mappe di uso del suolo.

EfficientNet², Vision Transformer³ e modelli di AI Generativa per la super resolution⁴ stanno entrando nelle più comuni piattaforme di processamento di immagini satellitari, come la Copernicus Hub⁵.

Più indietro, invece, il comparto del processamento di nuvole di punti; sono stati fatti passi da gigante, ma per raggiungere livelli accettabili di usabilità e affidabilità dei sistemi dovremo aspettare ancora qualche anno.

3 motivi per investire nella conoscenza della GeoAI

Può darci esempi concreti di come le tecniche di “statistica aumentata”⁶ migliorano l'analisi e l'interpretazione dei dati di rilievo?

Da docente di statistica, devo dire che questo termine non mi appassiona. Per quanto simile a modelli multivariati, il Machine Learning e la GenAI si basano su metodi differenti, predittivi e di inferenza. Ma possiamo accettare che siano vicini, almeno fa sentire noi geomatici più parte in causa. Battute a parte, i motivi per cui investire nella conoscenza della GeoAI sono innumerevoli, ma ne analizzo soltanto tre:

1. in primis, la mera ma pur sempre utile sostituzione dell’uomo in task noiosi. Basti pensare alla definizione delle maschere per creare oggetti 3D con la fotogrammetria, oppure al nuovo utilizzo del Gaussian Splatting⁷ per avere modelli non ottimali, ma comunque utili alla documentazione.
2. In secondo luogo, per la classificazione di immagini (satellitari e non) la AI ha di fatto sostituito i vecchi seppur robusti classificatori come Maximum Likelihood⁸; l’unico vero limite è nella disponibilità dei dati, e nel fatto che il territorio cambia in fretta, ed i modelli di AI non sono in grado di generalizzare a qualunque scenario.
3. Infine, con l’avvento degli LLM⁹ arriveremo molto presto a Chattare con le mappe: questo renderà il dato geografico sicuramente più democratico e utilizzabile.

AI nella fotogrammetria e topografia: cosa cambia per i professionisti

Come cambiano le competenze richieste ai professionisti della fotogrammetria e topografia nell’adozione di strumenti basati su AI?

Bella domanda, alla quale è davvero difficile rispondere. Per ora (e credo per sempre), se parliamo di topografia classica, le competenze del topografo dovranno essere le stesse. Il trattamento delle osservazioni, il rilievo in campo con macchine sempre più performanti saranno comunque in mano al professionista. I metodi di rilievo celerimetrico¹⁰ sono al sicuro. Credo che, visto il dilagante e ormai inarrestabile utilizzo dei mezzi digitali, saremo sempre meno propensi all’uso della fotogrammetria come la conosciamo; identificazione di Ground Control Points¹¹, generazione di maschere, ottimizzazione delle immagini, saranno tutte attività che la AI potrà fare agevolmente. Non resta che fidarsi, e (a campione) fare dei controlli che le nostre amata precisione e accuratezza siano rispettate.

APPROFONDISCI SULL'EVOLUZIONE DEI SISTEMI DI RIFERIMENTO E CARTOGRAFIA
Cartografia digitale e sistemi dinamici: il futuro della Geomatica tra GNSS, AI e nuove frontiere applicative
La cartografia digitale ha trasformato il rilievo topografico e fotogrammetrico, ma le sfide continuano. I proff. Riccardo Barzaghi (Polimi) e Gino Dardanelli (UniPa) analizzano l’evoluzione della Geomatica tra sistemi di riferimento dinamici, intelligenza artificiale e scenari applicativi del multi-GNSS.
>>> LEGGI L'INTERVISTA

L’etica nell’uso dell’AI geospaziale: tra rischi, opacità e normative

Quali criticità etiche o operative si riscontrano nell’uso di algoritmi AI applicati al trattamento di dati territoriali?

Se la domanda è “quante”, la risposta è tantissime e di difficile calcolo. Quali criticità, tutte quelle che uno riguardano il trattamento di dati personali (ma questo ce lo avevamo anche prima) e di dati geografici (e anche questo c’era già, basti pensare alle comunità GFOSS¹² e al sogno del dato geografico aperto).

Ciò a cui ora dobbiamo porre particolare attenzione è che l’utilizzo dell’intelligenza artificiale nell’elaborazione di dati territoriali, geografici e da telerilevamento solleva questioni etiche e operative sempre più centrali nel dibattito scientifico e normativo.

Un aspetto particolarmente rilevante è l’interpretabilità dei risultati generati: molti algoritmi, soprattutto quelli basati su deep learning, operano come “scatole nere”, restituendo output difficili da comprendere e validare da parte dell’utente finale. Questa opacità genera una perdita di controllo decisionale, specialmente quando l’AI viene applicata in settori ad alto impatto come la pianificazione territoriale, la gestione del rischio o il monitoraggio ambientale. In questi contesti, è essenziale che l’utente sia in grado di comprendere e, se necessario, contestare i risultati forniti dagli algoritmi.

Sul piano etico, si evidenziano criticità legate alla trasparenza, alla responsabilità e alla potenziale discriminazione algoritmica, soprattutto nei confronti di territori meno digitalizzati o rappresentati nei dati di addestramento. In tale contesto, l’AI Act approvato dall’Unione Europea introduce un primo quadro regolatorio che impone requisiti di trasparenza, tracciabilità e supervisione umana per gli algoritmi a rischio elevato. Queste linee guida rappresentano un passo importante verso un utilizzo più sicuro e responsabile dell’AI nel trattamento dei dati geospaziali, promuovendo un equilibrio tra innovazione tecnologica e tutela dei diritti fondamentali.

Futuro della GeoAI tra Agentic AI e unlearning

Guardando ai prossimi cinque anni, quali innovazioni in AI applicate alla geomatica si aspetta che avranno il maggiore impatto?

Purtroppo noi europei utilizziamo tecnologie che non sviluppiamo. Questo in parte ci espone ai rischi di cui sopra, e dall’altra ci obbliga a “rincorrere la tecnologia”. Difficile, quindi, dire quali saranno queste innovazioni e quando raggiungeranno un livello di maturità tale da avere un impatto significativo. Per oggi ci dobbiamo accontentare di piccoli task che riducono il tempo di lavoro manuale (mi domando sempre, poi, che cosa ci facciamo del tempo “libero” che la IA ci concede, ma questa è un’’ altra storia), e dobbiamo attendere che i colossi (Autodesk, Hexagon, Nvidia solo per citarne alcuni) inseriscano nelle loro suite dei tool user friendly e alla portata di tutti. ESRI lo ha fatto già!

Mi aspetto, personalmente, un contributo davvero significativo da parte della cosiddetta Agentic AI¹³ (o intelligenza artificiale agentica) che può avere un impatto profondo nella geomatica, abilitando sistemi autonomi capaci non solo di analizzare dati geospaziali, ma anche di prendere decisioni, interagire con ambienti digitali o fisici, e adattarsi agli obiettivi e ai vincoli specifici del contesto. Rispetto all’AI tradizionale, che esegue compiti predittivi o classificatori su input definiti, l’Agentic AI agisce come agente intelligente con un certo grado di autonomia e capacità d’interazione.

Infine, un’ultima nota (meno credibile ma sicuramente affascinante) è il tema dell’unlearning, ovvero la capacità di un modello AI di "dimenticare" selettivamente alcuni dati di addestramento o le conoscenze apprese da essi. Non si tratta solo di rimuovere i dati grezzi dal database, ma di garantire che l'influenza di quei dati sia eliminata anche dal comportamento del modello. Nella geomatica, l’unlearning assume un significato particolarmente strategico, poiché i modelli AI sono spesso addestrati su dati geospaziali dinamici, sensibili e soggetti a modifiche nel tempo. Applicare l’ unlearning in questo campo significa rendere i sistemi più aggiornabili, conformi e responsabili, con impatti operativi e normativi molto concreti.

66° Convegno nazionale SIFET - Brindisi, 18-20 giugno 2025
Tema al centro del Convegno nazionale SIFET: CAMBIAMENTI
Dalla gradualità alla discontinuità, i cambiamenti spaziali e temporali interrogano oggi la Geomatica più che mai. Il 66° Convegno nazionale SIFET esplora strumenti, modelli e visioni per affrontare le trasformazioni del presente e del futuro. >>> Scopri il programma

Glossario della GeoAI (e non solo): termini tecnici spiegati in modo semplice dall'AI

Per restare in tema, abbiamo chiesto direttamente all’intelligenza artificiale di aiutarci a chiarire alcuni termini tecnici utilizzati nel campo della GeoAI, e più in generale nella Geomatica, con l’obiettivo di renderli comprensibili anche ai non addetti ai lavori.

1. Remote sensing: cos'è. Il remote sensing, o telerilevamento, è la scienza e la tecnologia che permette di acquisire informazioni su oggetti, aree o fenomeni senza un contatto fisico diretto, utilizzando sensori che misurano la radiazione elettromagnetica emessa, riflessa o trasmessa da questi. In pratica, si tratta di ottenere dati e informazioni da soggetti o aree poste a distanza, utilizzando strumenti di misura come sensori montati su satelliti, aerei, droni o stazioni a terra.

2. EfficientNet: cos'è. Si tratta di una famiglia di reti neurali convoluzionali (CNN) sviluppata dai ricercatori di Google AI e presentata nel 2019. La sua principale innovazione risiede nel ridimensionamento composto (compound scaling), un approccio che consente di scalare in modo uniforme la profondità, la larghezza e la risoluzione del modello tramite un singolo parametro di controllo. Grazie all’elevata efficienza e accuratezza, i modelli EfficientNet sono stati ampiamente adottati in diverse applicazioni di computer vision, tra cui classificazione delle immagini, rilevamento di oggetti e segmentazione semantica.

3. Vision Transformer (ViT): cos'è. Un ViT decompone un'immagine di input in una serie di patch (codici o istruzioni), serializza ciascuna patch in un vettore e la mappa in una dimensione più piccola con una singola moltiplicazione di matrice.

4. Super resolution: cos'è. In fotografia e video, la super risoluzione (Super Resolution) è una tecnica che permette di aumentare la risoluzione di un'immagine o di un video, migliorandone la qualità e i dettagli, spesso usando algoritmi basati sull'intelligenza artificiale.

5. Copernicus Hub: cos'è. È un portale che fornisce accesso ai dati dei satelliti Sentinel del programma Copernicus. Scopri di più.

6. Statistica aumentata: cos'è. La statitica aumentata o Analisi Aumentata – nota anche come Augmented Analytics – è un approccio evoluto all’analisi dei dati che integra tecniche di Machine Learning e di elaborazione del linguaggio naturale (NLP) all’interno degli strumenti analitici tradizionali. L’obiettivo è automatizzare o semplificare attività complesse come la preparazione dei dati, l’identificazione di insight e la loro visualizzazione. Grazie a queste tecnologie, l’Analisi Aumentata rende accessibile l’estrazione di informazioni significative anche a utenti senza competenze tecniche avanzate, ampliando così il potenziale utilizzo dei dati all’interno di organizzazioni e processi decisionali.

7. Gaussian Splatting: cos'è. Il Gaussian Splatting è una tecnica innovativa per la rappresentazione di modelli 3D, che utilizza punti gaussiani invece dei tradizionali poligoni.

8. Maximum Likelihood: cos'è. In statistica , la stima di massima verosimiglianza ( MLE ) è un metodo per stimare i parametri di una distribuzione di probabilità assunta , dati alcuni dati osservati. Ciò si ottiene massimizzando una funzione di verosimiglianza in modo che, secondo il modello statistico assunto , i dati osservati siano più probabili.

9. LLM: cos'è. In ambito geomatico, un Large Language Model (LLM) è un modello di intelligenza artificiale progettato per comprendere e generare linguaggio naturale, e viene utilizzato per semplificare, automatizzare e potenziare attività legate all’analisi e all’elaborazione di dati geospaziali.

10. Rilievo celerimetrico: cos'è. Il rilievo celerimetrico è una tecnica topografica utilizzata per determinare la posizione di punti sul terreno tramite misure angolari e lineari, acquisite con strumenti come stazioni totali o teodoliti abbinati a distanziometri. Il termine deriva da celere (rapido) e metrico (misurazione), e indica un metodo rapido, preciso e flessibile, adatto sia a rilievi plano-altimetrici che tridimensionali.

11. Ground Control Points: cosa sono. I Ground Control Points (GCP), o Punti di Controllo a Terra, sono punti di riferimento fisici posizionati o identificati sul terreno, di cui sono note con precisione le coordinate geografiche (X, Y, Z) in un determinato sistema di riferimento.

12. GFOSS: cos'è. GFOSS è l’acronimo di "Geospatial Free and Open Source Software", ovvero software libero e open source per l’informazione geografica. Il termine identifica strumenti, applicazioni e librerie software utilizzati per la gestione, l’elaborazione e la visualizzazione di dati geospaziali, rilasciati con licenze aperte che ne consentono l’uso, la modifica e la distribuzione gratuita.

13. Agentic AI: cos'è. Agentic AI (o intelligenza artificiale agentica) è una forma avanzata di intelligenza artificiale progettata per operare in modo autonomo, con la capacità non solo di analizzare dati, ma anche di prendere decisioni, interagire con ambienti digitali o fisici e adattarsi dinamicamente agli obiettivi e ai vincoli del contesto.