Rilevamento della lavorazione del terreno con sensori satellitari multispettrali: un caso di studio nelle Pianure Indo-Gangetiche

This thesis investigates the use of multispectral satellite sensors, specif- ically Sentinel-2, to detect tillage practices in the Indo-Gangetic Plains, one of the most significant agricultural regions in India. The detection of tillage practices, such as Zero Tillage (ZT) and Conventional Tillage (CT), is crucial for understanding the impact of these methods on soil health, water retention, and environmental sustainability. To enhance classifi- cation accuracy, we applied several advanced machine learning models, including XGBoost, LightGBM, Logistic Regression, and Random Forest, to high-resolution satellite imagery. In addition, various feature selec- tion techniques were employed, including Chi-Squared Selection (CSS), Feature Importance from XGBoost, Correlation-Based Feature Selection (CorFS), Principal Component Analysis (PCA), and KMeans Clustering (KMC), to reduce data complexity and computational cost without sacri- ficing performance. We introduced a composite metric to balance accuracy with computational efficiency, guiding the selection of the best-performing models. By reducing the number of features from 171 to 46, we achieved a small but notable improvement in accuracy, demonstrating that machine learning combined with remote sensing data provides a scalable and re- liable method for monitoring tillage practices. This work contributes to the growing field of precision agriculture, promoting sustainable farming and resource management.

Questa tesi esplora l’utilizzo di sensori satellitari multispettrali, in particolare Sentinel-2, per rilevare le pratiche di lavorazione del suolo nella Pianura Indo-Gangetica, una delle regioni agricole più importanti dell’India. Il rilevamento delle pratiche di lavorazione del suolo, come la Semina Diretta (ZT) e l’Aratura Tradizionale (CT), è cruciale per comprendere l’impatto di questi metodi sulla salute del suolo, la riten- zione idrica e la sostenibilità ambientale. Per migliorare l’accuratezza della classificazione, abbiamo applicato diversi modelli avanzati di ma- chine learning, tra cui XGBoost, LightGBM, Regressione Logistica e Ran- dom Forest, alle immagini satellitari ad alta risoluzione. Inoltre, sono state utilizzate varie tecniche di selezione delle caratteristiche, tra cui la Selezione Chi-Quadrato (CSS), l’Importanza delle Caratteristiche da XGBoost, la Selezione Basata sulla Correlazione (CorFS), l’Analisi delle Componenti Principali (PCA) e il Clustering KMeans (KMC), per ridurre la complessità dei dati e i costi computazionali senza compromettere le prestazioni. Abbiamo introdotto una metrica composita per bilanciare l’accuratezza con l’efficienza computazionale, guidando la selezione dei modelli con le migliori prestazioni. Riducendo il numero di caratteristiche da 171 a 46, abbiamo ottenuto un piccolo ma significativo miglioramento dell’accuratezza, dimostrando che il machine learning, combinato con i dati di telerilevamento, fornisce un metodo scalabile e affidabile per mon- itorare le pratiche di lavorazione del suolo. Questo lavoro contribuisce al crescente campo dell’agricoltura di precisione, promuovendo pratiche agricole sostenibili e una gestione ottimale delle risorse.