DJI Matrice 4E e software open-source: così sono state mappate 29 specie autoctone su 130 ettari
Un progetto realmente realizzato da un team impegnato in uno studio ambientale di base ha dimostrato come un drone DJI Matrice 4E, combinato con strumenti open-source gratuiti e algoritmi di apprendimento automatico, possa identificare, classificare e geolocalizzare ogni singola pianta appartenente a 29 specie autoctone distribuite su un’area di circa 130 ettari.
Il lavoro è stato condiviso da Pablo Carranza all’interno del gruppo internazionale “Drone Mapping and Processing”, suscitando grande interesse tra biologi, agronomi e topografi. In appena un giorno, il post ha raccolto decine di commenti e quasi cento apprezzamenti, soprattutto per l’approccio innovativo che unisce fotogrammetria, intelligenza artificiale e software libero.
Come il DJI Matrice 4E è riuscito a mappare 29 specie vegetali
La missione è stata eseguita utilizzando il DJI Matrice 4E a una quota di volo di appena 45 metri. Si tratta di un’altezza relativamente bassa per una classica operazione di mappatura, ma necessaria per ottenere immagini sufficientemente dettagliate da distinguere le chiome delle diverse specie.
Secondo Carranza, la scelta del Matrice 4E rispetto al più economico Matrice 4T è stata determinata dalla qualità del sensore fotografico. Il Matrice 4E integra infatti una fotocamera grandangolare da 20 megapixel con sensore CMOS da 4/3 di pollice e otturatore meccanico, caratteristiche progettate specificamente per rilievi topografici e fotogrammetria professionale.
Il Matrice 4T, invece, utilizza un sensore più piccolo da 1/1,3 pollici, ottimizzato principalmente per applicazioni termografiche e di pubblica sicurezza. Per un lavoro di classificazione della vegetazione, la differenza hardware risulta quindi determinante.
Il ruolo fondamentale del biologo e dei dati raccolti sul campo
Contrariamente a quanto si potrebbe immaginare, l’identificazione delle piante non è avvenuta esclusivamente attraverso le immagini aeree. Prima delle operazioni con il drone, un biologo ha effettuato un sopralluogo sul sito, raccogliendo campioni fisici e catalogando le 29 specie presenti nell’area.
Questo catalogo è diventato il dataset di addestramento utilizzato per sviluppare un modello di machine learning supervisionato. In questo modo, l’intelligenza artificiale ha potuto riconoscere le singole piante visibili nelle ortofoto generate dal drone.
Il dettaglio è particolarmente importante perché l’ecosistema analizzato appartiene probabilmente alla regione dell’Espinal sudamericano, molto diffusa in Argentina. In questo ambiente arido e xerofitico, molte specie condividono colorazioni simili e presentano chiome che si sovrappongono, rendendo difficile una classificazione automatica basata su modelli addestrati in altre aree geografiche.
Tra le specie individuate figurano l’Espinillo (Vachellia caven) e il Moradillo (Schinus fasciculatus), entrambe caratteristiche della vegetazione locale.
Solo 300 campioni possono bastare per addestrare un modello efficace
Uno degli aspetti più interessanti emersi dalla discussione riguarda il numero di immagini necessarie per addestrare un algoritmo di riconoscimento.
Molti ritengono che servano centinaia di migliaia di esempi, ma Carranza ha spiegato che nella pratica circa 300 campioni accuratamente etichettati possono già fornire risultati soddisfacenti, a condizione che l’ambiente di applicazione non cambi in maniera significativa.
Si tratta di un concetto fondamentale nella classificazione della vegetazione. Un modello addestrato in una determinata area potrebbe infatti perdere precisione se utilizzato in un’altra regione caratterizzata da differenti condizioni climatiche, illuminazione o composizione floristica.
WebODM Lightning e Python: una soluzione professionale completamente open-source
Per elaborare le immagini raccolte durante il volo, Carranza ha utilizzato WebODM Lightning, versione cloud del noto toolkit open-source OpenDroneMap.
Successivamente, grazie a script sviluppati in Python, l’ortofoto ottenuta è stata ritagliata mantenendo tutte le informazioni di georeferenziazione.
Questa scelta dimostra come sia possibile ottenere risultati di livello professionale senza ricorrere a piattaforme commerciali come Pix4D, DroneDeploy o DJI Terra.
La georeferenziazione ha consentito di associare ogni pianta identificata a una coordinata precisa attraverso il calcolo del baricentro della chioma. In questo modo, la mappa si è trasformata in un vero database ambientale.
Grazie alle coordinate spaziali è infatti possibile studiare la distribuzione delle specie, la loro densità, la dominanza e le relazioni ecologiche tra gli individui presenti sui 130 ettari oggetto dell’indagine.
Le condizioni di volo influenzano la qualità dell’analisi
Lo stesso Carranza ha sottolineato che le condizioni meteorologiche non erano ideali. La giornata soleggiata ha infatti generato ombre marcate sulle chiome degli alberi, complicando la segmentazione delle immagini.
Secondo l’esperienza degli operatori di fotogrammetria, una giornata nuvolosa e priva di vento rappresenta la situazione migliore per questo genere di rilievi, poiché riduce la presenza di ombre nette e migliora l’accuratezza della classificazione.
I bordi delle ombre possono infatti essere interpretati dall’intelligenza artificiale come contorni degli oggetti, aumentando il rischio di errori.
Il futuro della classificazione delle piante direttamente a bordo del drone
Il DJI Matrice 4E dispone già di funzionalità basate sull’intelligenza artificiale e DJI ha recentemente introdotto strumenti che consentono agli sviluppatori di addestrare modelli personalizzati da eseguire direttamente sul computer di bordo del drone.
Nel caso specifico, tutta l’elaborazione è stata effettuata a terra attraverso WebODM e Python. Tuttavia, l’hardware del Matrice 4E si trova ormai a una sola generazione di aggiornamenti firmware dalla possibilità di svolgere parte della classificazione direttamente durante il volo.
La stessa filosofia viene adottata anche da altri sistemi enterprise di DJI, che grazie al modulo Manifold 3 e ad altri componenti di elaborazione avanzata stanno portando sempre più capacità di intelligenza artificiale direttamente sui velivoli.
Secondo quanto emerso da questo progetto, il vero collo di bottiglia non è più la potenza di calcolo disponibile, ma la qualità dei dati di addestramento forniti dagli esperti sul campo, in particolare dai biologi incaricati di identificare correttamente le specie.
Una nuova frontiera per monitoraggio ambientale e valutazioni di impatto
Il caso documentato da Pablo Carranza dimostra come droni professionali, software open-source e machine learning possano trasformare il monitoraggio ambientale, rendendo più accessibili analisi che fino a pochi anni fa richiedevano strumenti molto costosi.
La possibilità di associare ogni pianta a una posizione geografica precisa apre nuove prospettive per studi ecologici, gestione forestale, agricoltura di precisione e valutazioni di impatto ambientale. Con l’evoluzione dell’intelligenza artificiale e dei sistemi di elaborazione integrati nei droni, la classificazione automatica della vegetazione potrebbe presto diventare ancora più rapida ed efficiente.
