Il monitoraggio dei fiumi è di particolare interesse in quanto società che deve affrontare problemi di gestione dell’acqua sempre più complessi. Le tecnologie emergenti hanno contribuito ad aprire nuove strade per migliorare le nostre capacità di monitoraggio, ma hanno anche generato nuove sfide per l’uso armonizzato di dispositivi e algoritmi. In questo contesto, le tecniche di rilevamento ottico per le velocità del flusso superficiale del flusso sono fortemente influenzate dalle caratteristiche del tracciante come la densità di semina e la loro distribuzione spaziale. Pertanto, uno degli obiettivi principali della ricerca è l’identificazione di come queste proprietà influenzano l’accuratezza di tali metodi. A questo scopo, sono state eseguite simulazioni numeriche per considerare diversi livelli di raggruppamento di traccianti, colore delle particelle (in termini di intensità della scala di grigi), densità di semina e rumore di fondo. Sono stati adottati due algoritmi di velocimetria delle immagini ampiamente utilizzati: (i) velocimetria di tracciamento delle particelle (PTV) e (ii) velocimetria delle immagini delle particelle (PIV). È stato introdotto un descrittore delle caratteristiche di semina (basato sulla densità di semina e sul raggruppamento di traccianti) sulla base di una metrica di nuova concezione denominata Indice di distribuzione del seme (SDI). Questo indice può essere approssimato e utilizzato in pratica come SDI = ν0.1 / (ρ / ρcν1), dove ν, ρ e ρcν1 sono il livello di raggruppamento spaziale, la densità di semina e la densità di semina di riferimento a ν = 1, rispettivamente. Una riduzione degli errori di velocimetria dell’immagine è stata sistematicamente osservata per valori inferiori di SDI; pertanto, la finestra del fotogramma ottimale (cioè un sottoinsieme della sequenza di immagini video) è stata definita come quella che minimizza l’SDI. Oltre alle analisi numeriche, un caso di studio sul campo sul fiume Basento (situato nell’Italia meridionale) è stato considerato come una prova di concetto del quadro proposto. I risultati sul campo hanno confermato i risultati numerici e sono state calcolate riduzioni dell’errore di circa il 15,9% e il 16,1%, utilizzando rispettivamente PTV e PIV, utilizzando la finestra di frame ottimale.
How to cite: Pizarro, A., S.F. Dal Sasso, M. Perks and S. Manfreda, Identifying the optimal spatial distribution of tracers for optical sensing of stream surface flow,Hydrology and Earth System Sciences, 24, 5173–5185, (10.5194/hess-24-5173-2020) 2020. [pdf]