Application of artificial intelligence for monitoring biodiversity in wine production and semi-natural urban areas

Abstract This thesis addresses the critical need for efficient and accurate monitoring of agricultural landscapes and semi-natural ecosystems in urban areas to support ecological transitions through the conservation and enhancement of biodiversity. Traditional methods often fall short due to inherent limitations in cost, time consumption, and accuracy, particularly within complex and heterogeneous environments. This research presents a novel integrated framework that combines advanced remote sensing technologies utilizing both Unmanned Aerial Vehicles (UAVs) and satellite imagery with cutting-edge deep learning techniques to overcome these challenges and enhance biodiversity conservation. The framework is evaluated through four interconnected studies. First, a high-accuracy plant species classification method is developed, achieving 99% accuracy through a combination of object-based image analysis and a pre-trained EfficientNetV2 model, surpassing the performance of other commonly used deep learning architectures. Second, a novel preprocessing pipeline is designed to improve the quality of UAV imagery, leveraging techniques such as Enhanced Super-Resolution Generative Adversarial Networks (ESRGAN) and Contrast Limited Adaptive Histogram Equalization (CLAHE), resulting in significant enhancements to subsequent classification model performance. Third, a U-Net model, incorporating an EfficientNetB0 backbone, is applied to map ground cover diversity within vineyards, providing crucial data for informed vineyard management decisions. Finally, the LICAI dataset is introduced, facilitating comparative analyses of several state-of-the-art deep learning models (U-Net, SegNet, and DeepLabV3 with various backbones) for large-scale land cover mapping using satellite imagery, showcasing the scalability and generalizability of the proposed approach. These findings demonstrate the effectiveness of this integrated framework in improving the accuracy, efficiency, and scalability of monitoring agricultural and semi-natural urban areas. The framework offers valuable tools for precision viticulture, biodiversity conservation, and sustainable land management. This research advances data-driven approaches to agroecosystem management and provides a clear roadmap for future research and practical applications.

Questa tesi affronta l’importante esigenza di effettuare un monitoraggio efficiente e accurato dei paesaggi agricoli e degli ecosistemi semi-naturali in aree urbane per sostenere la transizione ecologica attraverso la conservazione e il miglioramento della biodiversità. I metodi tradizionali spesso non sono sufficienti a causa delle limitazioni intrinseche in termini di costi, di tempo e accuratezza, particolarmente evidenti quando vengono studiati ambienti complessi ed eterogenei. Questa ricerca presenta un nuovo framework integrato che combina tecnologie avanzate di telerilevamento, utilizzando sia droni (Unmanned Aerial Vehicle - UAV) che immagini satellitari, con tecniche all'avanguardia di deep learning per superare questi limiti e migliorare la conservazione della biodiversità. Il framework è stato valutato attraverso quattro studi interconnessi. Nel primo studio, è stato sviluppato un metodo di classificazione delle specie vegetali ad alta precisione, raggiungendo il 99% di accuratezza attraverso una combinazione di analisi delle immagini basata su oggettie un modello EfficientNetV2 pre-addestrato, superando le prestazioni di altre architetture di deep learning comunemente utilizzate. Nel secondo studio è stata progettata una nuova pipeline di pre-elaborazione per migliorare la qualità delle immagini UAV, sfruttando tecniche come quelle di Enhanced Super-Resolution Generative Adversarial Networks (ESRGAN) e Contrast Limited Adaptive Histogram Equalization (CLAHE), ottenendo miglioramenti significativi nelle prestazioni del modello di classificazione successivo. Nel terzo studio è stato applicato un modello U-Net, incorporando un backbone EfficientNetB0, per mappare la diversità della copertura del suolo all'interno dei vigneti, fornendo importanti informazioni utili a prendere decisioni informate nella gestione dei vigneti. Infine, viene introdotto il dataset LICAI, facilitando analisi comparative di diversi modelli di deep learning all'avanguardia (U-Net, SegNet e DeepLabV3 con vari backbone) per la mappatura della copertura del suolo su larga scala utilizzando immagini satellitari, mostrando la scalabilità e la generalizzabilità dell'approccio proposto. Questi risultati dimostrano l'efficacia di questo framework integrato nel migliorare l'accuratezza, l'efficienza e la scalabilità del monitoraggio delle aree agricole e semi- naturali urbane. Il framework offre strumenti preziosi per la viticoltura di precisione, la conservazione della biodiversità e la gestione sostenibile del territorio. Questa ricerca 3 promuove l'adozione di approcci basati sui dati per la gestione degli agroecosistemi e fornisce una chiara roadmap per la ricerca futura e le applicazioni pratiche.