Un modello GeoAI che funziona bene in una determinata area geografica può perdere una parte significativa delle proprie prestazioni quando viene applicato in un territorio diverso. È il tema affrontato da un nuovo preprint che utilizza sei incendi in Grecia e Spagna per studiare la trasferibilità geografica degli embedding derivati dall’osservazione della Terra.
Il lavoro, pubblicato il 28 settembre 2026 su arXiv da Philipp Stark, Alexandros Sopasakis e Ola Hall, analizza un problema sempre più rilevante nell’impiego della GeoAI: quanto le prestazioni misurate all’interno di una regione siano effettivamente rappresentative del comportamento di un modello quando viene utilizzato altrove.
Gli autori partono da dati relativi a incendi già mappati attraverso prodotti Copernicus e utilizzano descrittori del territorio riferiti all’anno precedente a ciascun evento, evitando quindi di introdurre informazioni successive all’incendio oggetto di previsione.
Embedding satellitari contro indicatori tradizionali
Lo studio confronta due rappresentazioni numeriche avanzate dei dati di osservazione della Terra, TESSERA e AlphaEarth, con approcci più tradizionali basati sulle classi di copertura del suolo di ESA WorldCover e su sintesi annuali di indici derivati da Sentinel-2.
Gli embedding sono vettori numerici prodotti da modelli addestrati su grandi quantità di dati satellitari e progettati per sintetizzare caratteristiche complesse del territorio in una forma utilizzabile successivamente da algoritmi relativamente semplici.
Nel caso degli incendi analizzati, questi embedding mostrano inizialmente un vantaggio evidente quando il modello viene valutato all’interno della stessa area geografica utilizzata per la calibrazione.
Buone prestazioni locali, ma il vantaggio può ridursi altrove
Nei test effettuati all’interno dello stesso incendio, gli embedding superano le sintesi basate sugli indici Sentinel-2 di circa 0,05–0,13 punti di ROC AUC.
Il risultato rimane sostanzialmente stabile anche introducendo procedure di validazione più rigorose, tra cui suddivisioni spaziali ripetute, buffer tra training e test, block bootstrap e modelli gradient-boosted.
La situazione cambia però quando il classificatore viene trasferito su un incendio situato in una regione differente. In questo scenario gli embedding perdono circa 0,15–0,18 punti di AUC, mentre gli indici Sentinel-2 perdono circa 0,06 punti. Alla fine, le prestazioni dei diversi approcci risultano molto più vicine tra loro.
Il problema non è necessariamente nella rappresentazione
Uno degli aspetti più interessanti dello studio è che gli autori non attribuiscono questa perdita direttamente alla qualità degli embedding.
Le rappresentazioni satellitari conservano infatti informazioni utili, ma la relazione tra queste informazioni e il fenomeno che si vuole prevedere può cambiare da una regione all’altra.
Gli autori osservano che i vettori di pesi appresi in regioni differenti risultano quasi ortogonali tra loro: in altre parole, la parte del modello che si trasferisce realmente da un territorio all’altro può essere limitata e a bassa dimensionalità.
Pochi dati locali possono fare una grande differenza
Lo studio mostra però anche un risultato operativo particolarmente interessante.
Quando vengono introdotti soltanto otto blocchi etichettati provenienti dalla nuova regione, il vantaggio degli embedding viene recuperato. Nei test descritti dagli autori, questa piccola quantità di informazione locale permette addirittura di ottenere una AUC superiore rispetto a un modello addestrato su circa 59.000 pixel etichettati provenienti da altre regioni.
Il messaggio è rilevante per molte applicazioni GeoAI: un grande volume di dati proveniente da aree differenti non necessariamente sostituisce una quantità ridotta ma rappresentativa di dati raccolti nel territorio in cui il modello dovrà realmente operare.
Prevedere nuovi eventi nella stessa regione è un problema diverso
Gli autori distinguono anche il trasferimento verso regioni lontane dalla previsione di eventi successivi nella stessa area geografica.
In un test specifico, un modello addestrato su un incendio avvenuto nel 2023 e applicato a un altro incendio verificatosi nel 2024 a circa 12 chilometri di distanza raggiunge con TESSERA una AUC di 0,772, perdendo soltanto 0,04 rispetto a un classificatore calibrato direttamente sull’incendio del 2024.
I modelli addestrati in regioni differenti mostrano invece perdite comprese tra 0,09 e 0,18 punti.
Questo suggerisce che un territorio nel quale siano già disponibili dati relativi a eventi precedenti possa essere in grado di utilizzare con maggiore efficacia un modello per valutare la suscettibilità futura, mentre il trasferimento diretto da regioni differenti rimane più problematico.
Una questione di validazione geografica
Per chi sviluppa applicazioni operative di GeoAI, il risultato richiama soprattutto l’importanza della validazione geografica.
Una cross-validation accurata all’interno dello stesso territorio può infatti produrre metriche elevate senza necessariamente misurare la capacità del modello di funzionare in altre aree.
Gli autori propongono quindi che la valutazione degli embedding EO includa sistematicamente almeno una regione completamente esclusa dall’addestramento e dalla calibrazione.
Il principio può essere rilevante ben oltre il caso degli incendi: classificazione dell’uso del suolo, rischio idrogeologico, agricoltura, monitoraggio ambientale e molte altre applicazioni GeoAI possono risentire delle differenze geografiche tra area di sviluppo e area di utilizzo.
Un preprint, non una valutazione universale dei modelli
Il lavoro è attualmente disponibile come preprint su arXiv ed è basato su sei casi di incendio in Grecia e Spagna.
I risultati non devono quindi essere interpretati come una valutazione universale di TESSERA, AlphaEarth o degli embedding satellitari in generale. Lo studio evidenzia piuttosto un problema metodologico: una buona prestazione locale non è sufficiente per dimostrare automaticamente la generalizzazione geografica di un modello.
Per la GeoAI applicata questo significa spostare parte dell’attenzione dalla sola accuratezza ottenuta nel dataset di test alla capacità di mantenere prestazioni affidabili quando cambiano territorio, condizioni ambientali e distribuzione dei dati.
