In questo lavoro di tesi sono state trattate le varie fasi relative alla progettazione e allŠimplementazione del sistema che sar‘a il fulcro del progetto Forestry Analyzer per lŠazienda ŞHesplora S.r.l.Ť. Inoltre, abbiamo descritto le attivit‘a condotte durante la fase di ETL che sar‘a un processo chiave del progetto in questione. CŠ‘e da notare che il sistema prodotto, oltre ad essere sfruttato per il progetto Forestry Analyzer, potrebbe essere utilizzato anche in altri progetti. Ad esempio, si potrebbe partire da questo per sviluppare un progetto affine nellŠambito dei dati, che utilizza dati satellitari con un obiettivo diverso da quello dellŠanalisi della deforestazione (come lŠanalisi dellŠaria o dellŠacqua).
Al netto del lavoro svolto ‘e possibile constatare che sono stati raggiunti i vari obiettivi che erano stati preĄssati per la prima fase del progetto Forestry Analyzer, e questo ‘e stato possibile grazie lavoro esposto nel presente elaborato. Come abbiamo potuto vedere, e come accade per la maggior parte dei progetti che riguardano sistemi software, le fasi di analisi dei requisiti e, soprattutto, di progettazione sono risultate fondamentali per lŠimplementazione del sistema Ąnale, quindi di vitale importanza per il successo dellŠintero progetto. Queste fasi, infatti, sono state curate dettagliatamente durante il lavoro svolto, ed ‘e stato necessario dedicare il giusto tempo a queste ultime per favorirne la completa realizzazione.
Il lavoro descritto nel presente elaborato non pu‘o essere considerato un punto di arrivo per lŠazienda Hesplora e per il progetto Forestry Analyzer; infatti, come gi‘a affermato, il suddetto progetto ha tempi che vanno ben oltre la Ąne di questo elaborato per conseguire obiettivi molto ambiziosi che puntano a rivoluzionare lŠa-nalisi dei dati geospaziali derivanti dal telerilevamento. I futuri sviluppi di questo progetto, infatti, riguardano unŠintensa fase di analisi dei dati satellitari attraverso lŠutilizzo di algoritmi di machine learning ed intelligenza artiĄciale. Fatto ci‘o, poi, vi sar‘a una fase di valutazione e validazione dei risultati ottenuti, che verr‘a effettuata attraverso lŠutilizzo di opportune metriche di performance (come, ad esempio, accu-racy, precision, recall, f1-score, etc.). Rimanendo sempre sugli sviluppi futuri e sulle conseguenze di questo progetto, ‘e necessario notare come, oltre ad essere questŠul-timo di gran valore per lŠazienda Hesplora, potrebbe essere un otquestŠul-timo spunto per lŠintera comunit‘a scientiĄca (sia europea che mondiale) in primis per la gestione e lŠelaborazione dei dati geospaziali derivanti dal telerilevamento effettuato attraverso i satelliti, ma anche per il business target che ‘e stato scelto e che lo differenzia da
tutti gli altri sistemi realizzati Ąno ad ora (che, come abbiamo detto, sono ancora in stati embrionali e sono rivolti principalmente ad esperti in ambito IT).
1. Copernicus dias. https://www.copernicus.eu/it/accesso-ai-dati/dias.
2. A versatile data-intensive computing platform for information retrieval from big geospatial data. Future Generation Computer Systems, 81:30Ű40, 2018. https:
//www.sciencedirect.com/science/article/pii/S0167739X1730078X.
3. AFOLU Requirements. 21 June 2017. Section 4.2.5., VCS Version 3.6.
4. Craig Chambers, Ashish Raniwala, Frances Perry, Stephen Adams, Robert R. Hen-ry, Robert W. Bradshaw, and Nathan Weizenbaum. Flumejava: easy, efficient data-parallel pipelines. 2010.
5. Fay Chang, Jeffrey Dean, Sanjay Ghemawat, Wilson Hsieh, Deborah Wallach, Michael Burrows, Tushar Chandra, Andrew Fikes, and Robert Gruber. Bigtable: A distributed storage system for structured data. ACM Trans. Comput. Syst., 26, 06 2008.
6. James C. Corbett, Jeffrey Dean, Michael Epstein, Andrew Fikes, Christopher Fro-st, J. J. Furman, Sanjay Ghemawat, Andrey Gubarev, Christopher Heiser, Peter Hochschild, Wilson Hsieh, Sebastian Kanthak, Eugene Kogan, Hongyi Li, Alexan-der Lloyd, Sergey Melnik, David Mwaura, David Nagle, Sean Quinlan, Rajesh Rao, Lindsay Rolig, Yasushi Saito, Michal Szymaniak, Christopher Taylor, Ruth Wang, and Dale Woodford. Spanner: GoogleŠs globally distributed database. 31(3), 2013.
https://doi.org/10.1145/2491245.
7. FAO and UNEP. The State of the WorldŠs Forests (SOFO). 2020. https://doi.org/
10.4060/ca8642en.
8. Sanjay Ghemawat, Howard Gobioff, and Shun-Tak Leung. The google Ąle system.
37(5), 2003. https://doi.org/10.1145/1165389.945450.
9. Natasha Gilbert. Forest deĄnition comes under Ąre. 2009. https://doi.org/10.
1038/news.2009.842.
10. Elizabeth Dow Goldman, Mikaela Weisse, Nancy Harris, and Martina Schneider. Esti-mating the Role of Seven Commodities in Agriculture-Linked Deforestation: Oil Palm, Soy, Cattle, Wood Fiber, Cocoa, Coffee, and Rubber. 2020. https://doi.org/10.
46830/writn.na.00001.
11. Vitor C. F. Gomes, Gilberto R. Queiroz, and Karine R. Ferreira. An overview of platforms for big earth observation data management and analysis. Remote Sensing, 12(8), 2020.
12. Hector Gonzalez, Alon Halevy, Christian Jensen, Anno Langen, Jayant Madhavan, Rebecca Shapley, Warren Shen, and Jonathan Goldberg-Kidon. Google fusion tables:
Web-centered data management and collaboration. Proceedings of the ACM SIGMOD International Conference on Management of Data, pages 1061Ű1066, 06 2010. https:
//doi.org/10.1145/1807167.1807286.
13. Neha Joshi, Edward TA Mitchard, Natalia Woo, Jorge Torres, Julian Moll-Rocek, Andrea Ehammer, Murray Collins, Martin R. Jepsen, and Rasmus Fensholt. Mapping dynamics of deforestation and forest degradation in tropical forests using radar satellite data. https://doi.org/10.1088/1748-9326/10/3/034014.
14. Peter Mell and Timothy Grance. The nist deĄnition of cloud computing. 2011-09-28 2011.
15. Abhishek Verma, Luis Pedrosa, Madhukar R. Korupolu, David Oppenheimer, Eric Tu-ne, and John Wilkes. Large-scale cluster management at Google with Borg. Bordeaux, France, 2015.
16. Andreas Vollrath, Adugna Mullissa, and Johannes Reiche. Angular-Based Radiometric Slope Correction for Sentinel-1 on Google Earth Engine, volume 12. 2020. https:
//www.mdpi.com/2072-4292/12/11/1867.
17. Giuseppe Volpini. Elaborazione di dati Sentinel-1 in Google Earth Engine per la stima dellŠumidit‘a del suolo e dei volumi di irrigazione in aree agricole. 2021.