# 5

Crop: Hazelnut
Date of Lecture: 16 de julio de 2025
Link: https://www.iris.unicampus.it/handle/20.500.12610/78544?utm_source=chatgpt.com
Name: Hazelnut mapping detection system using optical and radar remote sensing: Benchmarking machine learning algorithms
Type: Detection

## 1. Contesto e obiettivo

Il lavoro presenta un **sistema di rilevamento delle colture di noccioli** (*Corylus avellana*) basato su dati multitemporali di telerilevamento ottico (Sentinel‑2) e radar (Sentinel‑1). Il suo scopo è quello di **mappare i frutteti di noccioli** per supportare la pianificazione territoriale e l'**agricoltura di precisione cooperativa**, attraverso uno studio comparativo di diversi **algoritmi di Machine Learning** .

## 2. Metodologia

1. **Fonte dei dati**
- **Sentinel‑1 (SAR C‑band, VV e VH)**: 12 compositi mensili mediati dopo filtraggio dello “speckle” e correzione geometrica.
    - **Sentinel‑2 (ottico)**: 12 immagini mensili medie di livello 2A, con 10 bande (RGB, red‑edge, SWIR), ricampionate a 10 m .
1. **Estrazione delle caratteristiche**
- Ogni pixel (10×10 m) genera un vettore di **144 variabili** (24 radar + 120 ottiche).
    - Sono stati campionati **62.982 punti** etichettati: 16.561 “nocciolo” e 46.421 “altro” (8 zone eterogenee di Viterbo) .
1. **Progettazione degli esperimenti**
- **Test 1**: Nested 5-Fold Cross-Validation su una zona per ottimizzare gli iperparametri.
- **Test 2**: Addestramento in un'area e convalida nelle altre 7 zone, valutando la generalizzazione.
    - **Test 3**: Analisi della robustezza rispetto allo **squilibrio** dell'insieme (25/50/75% “nocciolo”).
1. **Algoritmi confrontati**
- **Basati su istanze**: kNN, albero decisionale
- **Basati su kernel**: SVM
- **Ensemble**: Random Forest (RF), AdaBoost
    - **Statistici**: LDA, Logistic Regression (LG), Naive Bayes (NB)
- **Deep Learning**: ANN, 1D‑CNN .

---

## 3. Risultati chiave

| Esperimento | Miglior modello | Precisione (%) | F1 “nocciolo” (%) |
| --- | --- | --- | --- |
| **Test 1** | SVM | 99,8 ± 0,1 | 99,9 ± 0,1 |
| **Test 2** | Random Forest | 95,6 | 91,3 |
| **Test 3** | RF (tutti i set) | 94–95 | 85–90 |
- **Test 1 (validazione interna)**: SVM ha ottenuto il risultato migliore con un'accuratezza dello **0,998**, F1≈**0,999/0,996** (altro/nocciolo) .
- **Test 2 (generalizzazione)**: RF ha ottenuto **95,6 %** di accuratezza e F1=**0,913** per “nocciolo” .
- **Test 3 (squilibrio)**: anche con solo il 25 % di campioni di “nocciolo”, RF ha mantenuto >**91 %** di precisione e F1>**0,85**, dimostrando robustezza .

---

## 4. Discussione e conclusioni

- **Elevata capacità di generalizzazione** in zone diverse, grazie alla fusione ottico-radar e alla RF.
- **Vantaggi dell'utilizzo di dati liberi** (Sentinel + GEE): scalabilità e replicabilità in altre regioni.
- **Limiti**:
- La risoluzione spaziale (10 m) genera “salt-and-pepper” ai bordi degli appezzamenti.
- Rilevamento diffuso di frutteti giovani (<4 anni) a causa del predominio del suolo nel segnale .
- La trasferibilità a climi molto diversi richiede un nuovo addestramento e una nuova regolazione.

**Raccomandazioni future**

- Utilizzare **dati a risoluzione più elevata** o pansharpening.
- Esplorare **serie temporali profonde** (LSTM, Transformers) per catturare la fenologia.
- Concentrarsi sulle **variabili più rilevanti** (bande IR e SWIR in estate) per migliorare l'efficienza .