Enhancing Atmospheric Particles Detection with Deep Learning and Computer Vision Techniques [Miglioramento della Rilevazione di Particelle Atmosferiche mediante Tecniche di Deep Learning e Visione Artificiale]

This thesis presents a novel framework aimed at enhancing the detection and classification of atmospheric particles through the integration of deep learning and computer vision techniques. Motivated by the need for accurate environmental monitoring and robust decision support systems, particularly in regions affected by volcanic activity and extreme weather conditions, the research focuses on developing a Multimodal AI Engine that leverages heterogeneous data sources to provide reliable real-time insights. The study introduces innovative methodologies for preprocessing raw lidar-based ceilometer data, transforming it into high-resolution, time-indexed images that serve as a robust foundation for training advanced deep learning models. A comprehensive benchmarking of various architectures, including Convolutional Neural Networks (CNNs) and Vision Transformers (ViT), is performed to evaluate their performance in detecting and classifying atmospheric phenomena. Moreover, the thesis explores the integration of Transfer Learning and Federated Learning paradigms, which not only improve model generalizability but also address critical issues related to data privacy and computational scalability. Key contributions of this work include the development of novel datasets tailored to atmospheric particle detection, the evaluation of deep learning models under diverse operational scenarios, and the demonstration of practical applications. The research further highlights the potential of advanced AI methodologies to facilitate informed decision-making in high-stakes environmental contexts. The findings indicate that the proposed framework significantly enhances the accuracy and efficiency of atmospheric particle detection, while also identifying several limitations related to data quality, model interpretability, and computational resource demands. These insights provide a solid foundation for future research aimed at refining data fusion techniques, improving model transparency, and optimizing the deployment of AI systems in real-world settings.

Questa tesi presenta un framework innovativo volto a migliorare la rilevazione e la classificazione delle particelle atmosferiche attraverso l’integrazione di tecniche di deep learning e visione artificiale. Motivata dalla necessità di un monitoraggio ambientale accurato e di sistemi di supporto alle decisioni affidabili, in particolare in aree soggette ad attività vulcanica e condizioni meteorologiche estreme, la ricerca si concentra sullo sviluppo di un motore di intelligenza artificiale multimodale che sfrutta fonti eterogenee di dati per fornire analisi affidabili in tempo reale. Lo studio introduce metodologie innovative per il pre-processing dei dati grezzi provenienti da cielometri basati su tecnologia lidar, trasformandoli in immagini ad alta risoluzione indicizzate temporalmente, che costituiscono una base solida per l’addestramento di modelli avanzati di deep learning. Viene condotta un’analisi comparativa approfondita di diverse architetture, tra cui Reti Neurali Convoluzionali (CNN) e Vision Transformers (ViT), al fine di valutarne le prestazioni nella rilevazione e classificazione dei fenomeni atmosferici. Inoltre, la tesi esplora l’integrazione dei paradigmi di Transfer Learning e Federated Learning, che contribuiscono a migliorare la generalizzabilità dei modelli e ad affrontare problematiche cruciali legate alla privacy dei dati e alla scalabilità computazionale. I principali contributi di questo lavoro includono lo sviluppo di nuovi dataset specificamente progettati per la rilevazione delle particelle atmosferiche, la valutazione dei modelli di deep learning in diversi scenari operativi e la dimostrazione di applicazioni pratiche. La ricerca evidenzia inoltre il potenziale delle metodologie di intelligenza artificiale avanzata nel supportare decisioni informate in contesti ambientali critici. I risultati ottenuti indicano che il framework proposto migliora significativamente l’accuratezza e l’efficienza nella rilevazione delle particelle atmosferiche, pur mettendo in luce alcune limitazioni legate alla qualità dei dati, all’interpretabilità dei modelli e alle richieste di risorse computazionali. Tali evidenze costituiscono una base solida per ricerche future volte a perfezionare le tecniche di fusione dei dati, migliorare la trasparenza dei modelli e ottimizzare l’implementazione dei sistemi di intelligenza artificiale in contesti reali.