1. Home
  2. Progetto SMILE
  3. Il Progetto SMILE
  4. Obiettivi e metodi
  5. Metodi e competenze

Metodi e competenze

Obiettivi di SMILE e metodi utilizzati per raggiungerli

Obiettivo 1: Utilizzare il Machine Learning per sfruttare più fonti di dati eterogenee come immagini da telerilevamento e informazioni crowd-sourced per creare dataset aggiornati sull'esposizione.
Metodi:

  • Raccolta e preprocessing di dataset eterogenei, comprese immagini satellitari, foto aeree, layer GIS e dati contribuiti dai cittadini.

  • Applicazione di modelli di apprendimento statistico e machine learning (ad es. modelli di classificazione, regressione e predizione spaziale) per stimare le caratteristiche degli edifici e le variabili di esposizione.

  • Integrazione di più fonti di dati mediante tecniche di data fusion per migliorare completezza, accuratezza e copertura spaziale dei dataset di esposizione.

Obiettivo 2: Sviluppare un metodo per raccogliere informazioni aggiornate sugli edifici, comprese nuove costruzioni e cambiamenti nel tempo.
Metodi:

  • Progettazione di campagne di raccolta dati partecipative, coinvolgendo scuole, università e cittadini-scienziati per raccogliere informazioni sugli edifici.

  • Implementazione di procedure di controllo qualità e validazione dei dati crowd-sourced per garantire affidabilità e coerenza.

  • Sviluppo di pipeline automatizzate o semi-automatizzate per aggiornare i dataset di esposizione con nuove informazioni o cambiamenti rilevati negli edifici nel tempo.

Obiettivo 3: Dimostrare e testare il framework in aree selezionate soggette a rischi naturali, dove sono disponibili o in fase di raccolta dati rilevanti.
Metodi:

  • Selezione di aree pilota basate sull'esposizione al rischio e sulla disponibilità di dataset di riferimento.

  • Applicazione del framework di machine learning e dei metodi di integrazione dei dati citizen science nelle aree pilota.

  • Valutazione delle prestazioni delle stime di esposizione utilizzando dati di riferimento sul campo e altre tecniche di validazione.

  • Conduzione di analisi di sensibilità per comprendere il contributo di ciascuna fonte di dati alla precisione del modello.

Obiettivo 4: Fornire linee guida per scalare e applicare la metodologia ad altri contesti legati al rischio oltre le aree iniziali di studio.
Metodi:

  • Documentazione delle lezioni apprese dalle applicazioni pilota, comprese le best practice per raccolta dati, integrazione e modellazione con machine learning.

  • Sviluppo di raccomandazioni per estendere il workflow a nuove aree geografiche, tipologie di rischio e comunità di utenti.

  • Creazione di strumenti e protocolli user-friendly per consentire agli stakeholder di replicare la metodologia in altri contesti di valutazione del rischio e gestione delle emergenze.

Abstract

Sintesi delle finalità e dei metodi utilizzati nel progetto. Ogni gruppo di ricerca porta le sue competenze, che spaziano dalla raccolta, validazone e analisi di dati geospaziali allo sviluppo di sistemi di machine learning e alla stima di esposizione anche attraverso utilizzo della citizen science.