Rilevamento di anomalie in immagini iperspettrali basato su un algoritmo di isolation forest migliorato

Vedere l’invisibile nelle immagini satellitari

I satelliti moderni non scattano solo belle foto della Terra; registrano centinaia di colori di luce che i nostri occhi non possono vedere. Nascosti in questo arcobaleno di informazioni ci sono segnali precoci di cedimenti minerari, sversamenti di petrolio o mimetizzazioni militari. L’articolo qui riassunto mostra un nuovo modo per individuare automaticamente piccoli pattern insoliti in queste immagini iperspettrali, rendendo più facile trovare cambiamenti rischiosi e di piccola scala sul terreno senza ricorrere a schiere di analisti umani.

Perché i colori in più rivelano obiettivi nascosti

Le normali foto satellitari memorizzano tre colori di base: rosso, verde e blu. Le immagini iperspettrali, al contrario, registrano dozzine o persino centinaia di bande spettrali strette. Ogni pixel porta un dettagliato “impronta luminosa” che riflette di cosa è fatto — suolo, roccia, vegetazione, metallo, acqua o inquinanti. La sfida è che questi cubi di dati sono enormi, rumorosi e pieni di informazioni ridondanti provenienti dall’atmosfera, dai sensori e dal terreno complesso. Il rilevamento delle anomalie in questo contesto significa individuare pochi pixel che divergono nettamente dal loro intorno, senza sapere in anticipo cosa rappresentino. Questi pixel rari possono segnalare subsidenza di miniere, pennacchi di contaminazione o equipaggiamenti mimetizzati, quindi rilevarli in modo affidabile e veloce è cruciale per il monitoraggio ambientale e la sicurezza.

Dai semplici alberi a foreste più intelligenti

Lo studio si basa sull’isolation forest, un metodo di machine learning ideato per individuare outlier. In un isolation forest di base, i dati vengono ripetutamente suddivisi a caso, formando una collezione di alberi decisionali. I punti insoliti tendono a essere isolati in poche suddivisioni, mentre i pixel di sfondo normali richiedono molte più suddivisioni. Questa idea funziona bene con dati di dimensioni moderate, ma le scene iperspettrali includono centinaia di bande, rumore significativo e anomalie molto sottili. Scegliere caratteristiche a caso può sprecare calcolo su bande ridondanti, attenuare il contrasto tra bersagli e sfondo e aumentare i falsi allarmi. Gli autori ridisegnano quindi la foresta in modo che lavori su dati più puliti e valuti i pixel non solo globalmente sull’intera immagine, ma anche localmente all’interno dei loro quartieri.

Affinare l’immagine con una visione multiscala

Per pulire e comprimere i dati prima del rilevamento, il metodo applica innanzitutto una decomposizione a basso rango e sparsa nota come Godec. In termini semplici, questo divide l’immagine in uno strato di sfondo morbido e uno strato sparso contenente segnali nitidi e insoliti. Su questo livello, gli autori sfruttano il fatto che i bersagli interessanti spesso si distinguono non solo spettralmente, ma anche per la loro disposizione spaziale. Usano filtri Gabor 3D, che agiscono come lenti sensibili alla texture che scorrono attraverso il cubo iperspettrale, per evidenziare pattern a diverse dimensioni e direzioni. Un algoritmo di superpixel basato sul tasso di entropia raggruppa poi i pixel vicini in piccole regioni coerenti. Regolando la granularità di queste regioni, il metodo sopprime il rumore casuale preservando strutture reali come buche, crepe o oggetti artificiali.

Combinare indizi globali e locali

Una volta estratte le caratteristiche spettrali e spaziali pulite, un isolation forest migliorato assegna a ciascun pixel un punteggio di anomalia. Invece di basarsi solo sulla velocità con cui un pixel viene isolato sull’intero dataset, il metodo verifica anche quanto sia coerente con il suo immediato intorno. I pixel che appaiono normali a livello globale ma strani nel quartiere locale, o viceversa, vengono rivalutati usando una regola di punteggio congiunta. Questa visione a due livelli riduce sia le omissioni che i falsi positivi causati da sfondi complessi. Test su due dataset iperspettrali ampiamente usati, San Diego e HYDICE, mostrano che il nuovo approccio raggiunge elevate metriche di accuratezza (AUC intorno a 0,97 e F1 vicino a 0,94) mantenendo i falsi allarmi molto bassi e preservando un uso di memoria e una velocità di elaborazione ragionevoli.

Dai test di laboratorio al monitoraggio sul campo

Gli autori testano inoltre il loro metodo su compiti reali di subsidenza mineraria e monitoraggio ecologico utilizzando dati satellitari e aerotrasportati. Nelle aree minerarie, il sistema segnala correttamente oltre il 95% delle anomalie legate a collassi, perdendone solo circa il 4%. Nel controllo ambientale, rileva quasi il 94% delle regioni sospette come vegetazione disturbata o possibili mimetizzazioni, di nuovo con solo pochi punti percentuali non rilevati. Rispetto a diverse tecniche consolidate, la foresta migliorata risulta sia più sensibile sia più stabile nei vari scenari. Per i non specialisti, la conclusione è che pulendo attentamente i dati, osservando i pattern su più scale e fondendo giudizi globali e locali, possiamo trasformare le immagini iperspettrali in uno strumento automatizzato di “allerta precoce” potente per i cambiamenti che contano sul terreno.

Citazione: Li, A. Anomaly detection of hyperspectral images based on improved isolation forest algorithm. Sci Rep 16, 6171 (2026). https://doi.org/10.1038/s41598-026-36548-5

Parole chiave: imaging iperspettrale, rilevamento anomalie, telerilevamento, isolation forest, monitoraggio ambientale