È appena uscito, in open access su Advances in Water Resources (2026, articolo 105564), il nostro nuovo articolo “Evaluating SSIMS-Flow velocimetry performances under varying seeding densities: a proof-of-concept field study”. Il lavoro è stato coordinato da Silvano F. Dal Sasso (Università della Basilicata) insieme ad Alonso Pizarro, Robert Ljubičić e Budo Zindović (Università di Belgrado), Sophie Pearce e Ian Maddock (University of Worcester) e Salvatore Manfreda (HydroLAB, Università di Napoli Federico II).
Leggi l’articolo completo (open access, CC BY 4.0)
Perché il tracciante conta nella velocimetria a immagini
La velocimetria a immagini si sta affermando come uno strumento potente e senza contatto per il monitoraggio dei fiumi: una telecamera o un drone riprendono il movimento della superficie dell’acqua e restituiscono una mappa completa delle velocità superficiali, senza bisogno di immergere strumenti o operatori nella corrente. La sua accuratezza dipende però fortemente dalle condizioni di campo – illuminazione, ombre e soprattutto densità e distribuzione spaziale dei traccianti galleggianti (il cosiddetto “seeding”) che gli algoritmi inseguono. Quando i traccianti sono radi o distribuiti in modo disomogeneo, i campi di velocità possono presentare una forte varianza e una sottostima sistematica, in particolare vicino alle sponde.
Un esperimento di campo controllato sul fiume Arrow (Regno Unito)
Per quantificare questo effetto abbiamo progettato un esperimento dedicato su due tratti meandriformi del fiume Arrow (Regno Unito) in condizioni di magra. Sono stati eseguiti sette rilievi con drone aumentando progressivamente la quantità di traccianti artificiali rilasciati a monte, da condizioni naturali (senza tracciante) a densità medio-alte. Misure di velocità convenzionali lungo diverse sezioni trasversali hanno fornito il riferimento per le stime da immagine.
I video sono stati elaborati con SSIMS-Flow, il software open source di velocimetria a flusso ottico sviluppato all’Università di Belgrado, utilizzando il nuovo modulo integrato di analisi del seeding, e i risultati sono stati confrontati con quelli ottenuti con PIVlab.
Principali risultati
- La tecnica di pooling MultiTMP implementata in SSIMS-Flow ha raggiunto un’elevata accuratezza predittiva, con valori di efficienza di Nash–Sutcliffe spesso superiori a 0,8 e RMSE fino a 0,02 m/s, da basse ad alte densità di tracciante.
- SSIMS-Flow ha fornito risultati paragonabili al metodo Ensemble Correlation di PIVlab, anche in assenza di tracciante.
- L’analisi fornisce indicazioni pratiche su come impostare i parametri chiave – in particolare la dimensione del blocco di pooling spaziale e il frame rate – in funzione delle condizioni di seeding osservate in campo.
Lo studio prosegue una linea di ricerca che HydroLAB porta avanti da anni sulle metriche di seeding e sul loro impatto sugli errori della velocimetria a immagini, e contribuisce all’impegno del Working Group MOXXI della IAHS per rendere affidabile il monitoraggio fluviale senza contatto in contesti operativi.
Come citare
Dal Sasso, S. F., Ljubičić, R., Zindović, B., Pizarro, A., Pearce, S., Maddock, I., & Manfreda, S. (2026). Evaluating SSIMS-Flow velocimetry performances under varying seeding densities: a proof-of-concept field study. Advances in Water Resources, 105564. https://doi.org/10.1016/j.advwatres.2026.105564
Pubblicazioni correlate
- Ljubičić, R., Dal Sasso, S. F., & Zindović, B. (2024). SSIMS-Flow: Image velocimetry workbench for open-channel flow rate estimation. Environmental Modelling & Software. https://doi.org/10.1016/j.envsoft.2023.105938
- Dal Sasso, S. F., Pizarro, A., Pearce, S., Maddock, I., & Manfreda, S. (2021). Increasing LSPIV performances by exploiting the seeding distribution index at different spatial scales. Journal of Hydrology, 598, 126438. https://doi.org/10.1016/j.jhydrol.2021.126438
- Pizarro, A., Dal Sasso, S. F., Perks, M. T., & Manfreda, S. (2020). Identifying the optimal spatial distribution of tracers for optical sensing of stream surface flow. Hydrology and Earth System Sciences, 24, 5173–5185. https://doi.org/10.5194/hess-24-5173-2020
- Pizarro, A., Dal Sasso, S. F., & Manfreda, S. (2020). Refining image-velocimetry performances for streamflow monitoring: Seeding metrics to errors minimization. Hydrological Processes, 34, 5167–5175. https://doi.org/10.1002/hyp.13919
- Dal Sasso, S. F., Pizarro, A., & Manfreda, S. (2020). Metrics for the quantification of seeding characteristics to enhance image velocimetry performance in rivers. Remote Sensing, 12(11), 1789. https://doi.org/10.3390/rs12111789
- Pearce, S., Ljubičić, R., Peña-Haro, S., et al. (2020). An evaluation of image velocimetry techniques under low flow conditions and high seeding densities using unmanned aerial systems. Remote Sensing, 12(2), 232. https://doi.org/10.3390/rs12020232