È richiesto il completamento di corsi di informatica di base, oppure il possesso di competenze equivalenti (es. uso di sistemi operativi, nozioni elementari di codifica e gestione file).

Non è necessaria una conoscenza pregressa di Python o di Intelligenza Artificiale.

È consigliata una familiarità generale con strumenti digitali e una conoscenza di base della geografia.

Il laboratorio si propone di:

• introdurre le basi teoriche e pratiche dell’intelligenza artificiale applicata ai dati geospaziali (GeoAI), con particolare riferimento a metodi di machine learning e deep learning;
• sviluppare competenze operative nell’utilizzo di strumenti digitali e linguaggi di programmazione per il trattamento, la visualizzazione e l’analisi di dati territoriali complessi (2D e 3D);
• favorire l’acquisizione di capacità critiche nell’interpretazione dei risultati, nella valutazione delle fonti di errore e nell’analisi delle implicazioni etiche e metodologiche legate all’uso dell’IA in ambito geografico;
• promuovere l’autonomia progettuale e l’interdisciplinarità attraverso casi studio e attività applicative su fenomeni ambientali, urbani e infrastrutturali.

Il laboratorio fornisce un’introduzione teorica e pratica all’applicazione dell’Intelligenza Artificiale (IA) all’analisi di dati geospaziali 2D e 3D, con particolare riferimento ai metodi di machine learning e deep learning in ambito geografico. L’attività formativa è articolata in tre aree principali:

1. Dati geospaziali e tecnologie di base

• Tipologie di dati geospaziali: raster, vettoriali, immagini digitali multispettrali e nuvole di punti
• Acquisizione, gestione e preprocessing dei dati 2D e 3D
• Utilizzo di software e plugin specifici per il trattamento di dati geospaziali

1. Fondamenti di machine learning e reti neurali

• Introduzione a Python e PyTorch
• Architetture di reti neurali (percettrone, CNN, ottimizzazione)
• Allenamento e valutazione di CNN su dati spaziali
• Applicazioni a classificazione, detection e segmentazione

1. GeoAI: applicazioni e casi studio

• GeoAI come strumento di analisi territoriale avanzata
• Applicazioni in ambito urbano, ambientale, climatico e infrastrutturale
• Riflessioni critiche sull’uso dell’IA in ambito geografico: limiti, bias, implicazioni etiche

Il laboratorio prevede attività pratiche individuali basate sulla risoluzione di problemi reali, con approccio low-code e orientamento all'autonomia progettuale. Gli studenti lavoreranno su casi concreti utilizzando strumenti di IA applicati a dati geografici e ambientali.

Le slide fornite a lezione costituiscono il principale materiale di studio.

Per ulteriori approfondimenti si raccomandano:

• Epasto, S., Paolanti, M., Pierdicca, R. (2025), GeoAI, in fase di pubblicazione.
• Fatimazahra Barramou, El Hassan El Brirchi, Khalifa Mansouri, Youness Dehbi (2022), Geospatial Intelligence. Applications and Future Trends, Springer Link.
• Pierdicca, R. e Paolanti, M. (2022), GeoAI: a review of artificial intelligence approaches for the interpretation of complex geomatics data, Geoscientific Instrumentation, Methods and Data Systems, 11(1), pp. 195–218.

Materiali supplementari (esercitazioni, articoli scientifici, notebook, dataset geospaziali) saranno messi a disposizione dalla docente tramite la piattaforma Microsoft Teams.

Lingua dell'esame: Italiano.

La prova orale sarà strutturata in diverse parti, ognuna focalizzata su un aspetto specifico degli argomenti trattati.

Gli studenti riceveranno indicazioni chiare sui criteri di valutazione prima dell'esame.

Il voto finale sarà ottenuto dalla somma ponderata dei punteggi ottenuti nel Project Work e nelle domande dell'esame orale.

Lingue, oltre all'italiano, che possono essere utilizzate per l'attività didattica

Italiano.

Lingue, oltre all'italiano, che si intende utilizzare per la valutazione

Italiano

• Durante le attività di laboratorio saranno affrontate le problematiche generali legate alla progettazione e allo sviluppo di soluzioni basate su GeoAI, con un approccio pratico e applicativo.

  Le esercitazioni saranno individuali e orientate alla risoluzione di problemi reali, con l'obiettivo di fornire a ciascun partecipante l'opportunità di progettare soluzioni autonome utilizzando dati spaziali e geospaziali. Queste attività saranno programmate in modo che nell'ambito di ogni esercitazione lo studente possa realizzare praticamente le soluzioni dei problemi delineati in forma teorica durante le lezioni, utilizzando soluzioni tecnologiche low-coding.

• La verifica dell'apprendimento per il laboratorio di GeoAI: intelligenza artificiale e dati geospaziali si compone di un Project Work e di un esame orale, con la stessa modalità di svolgimento per frequentanti e non frequentanti.

  Il voto finale sarà espresso in trentesimi, con la possibilità di conseguire la lode.

  Project Work (60%):

  -         Il Project Work costituisce il 60% della valutazione finale ed è finalizzato a dimostrare l'applicazione delle conoscenze acquisite durante il corso.

  -         Gli studenti possono scegliere tra un progetto individuale o di gruppo.

  -         La valutazione terrà conto della qualità e completezza del progetto, nonché della capacità di collegare i concetti teorici del corso all'implementazione pratica.

  Esame Orale (40%):

  L'esame orale costituisce il 40% della valutazione finale ed è uguale per frequentanti e non frequentanti. Durante l'esame orale, gli studenti affronteranno una serie di domande su tutti gli argomenti trattati nel corso.

  Le domande potrebbero variare tra domande a risposta aperta breve e domande semi-strutturate, al fine di valutare la comprensione profonda e la capacità di collegare le diverse nozioni.

  Valutazione e Ponderazione:

  La valutazione sarà basata su diversi criteri, ciascuno con un peso specifico nel voto finale:

  Conoscenza e comprensione dei concetti: 20%

  Capacità di collegare i concetti: 20%

  Applicazione pratica delle conoscenze: 20%

  Pensiero critico e autonomia di giudizio: 20%

  Trasferimento delle competenze in ambito professionale: 20%

  
  

Inglese

Italiano