Monitoraggio con Tecniche Ottiche

Il gruppo di ricerca Hydrolab coordinato dal Prof. Salvatore Manfreda partecipa al progetto COST “Harmonious – Harmonization of UAS techniques for agricultural and natural ecosystems monitoring” in sinergia con team di ricerca scientifica di importanti università europee. Le attività di ricerca relative al WG4 “River morphology and streamflow monitoring” sono mirate a fornire un contributo scientifico alla definizione delle linee guida per il monitoraggio idrologico dei corsi d’acqua mediante Sistemi Aeromobili a  Pilotaggio Remoto (SAPR). Le attività di ricerca sono indirizzate alla identificazione di metodologie e procedure per ottimizzare la stima delle portate idriche mediante esperienze di campo e modellazione numerica. Nello specifico, le attività di studio riguardano l’analisi del campo di moto delle velocità superficiali mediante acquisizioni con sensori ottici da piattaforma mobile (SAPR). I contributi alla ricerca riguardano i seguenti temi: 1) la costruzione di un database di casi studio reali con le misure di banchmark a supporto; 2) la sperimentazione di tecniche di pre-processamento delle immagini per ottimizzare le stime di velocità superficiale; 3-4) l’applicazione e il confronto di tecniche e tool di ‘image velocimetry’ a casi reali; 5) l’elaborazione delle linee guida per il monitoraggio idrologico da SAPR.

Figura 1. Attività in corso di svolgimento del WG4 dell’Azione Cost Harmonious su ‘image velocimetry’.

I ricercatori di Hydrolab negli ultimi anni hanno contribuito attivamente alla:

(1) costruzione del database di casi studio condotti in diversi sistemi fluviali della Basilicata mediante sistemi ottici da SAPR e tecniche correntometriche di misura delle velocità superficiali. Tali esperienze di campo fanno parte della raccolta di video pubblicata da Perks et al., 2020 contenente 13 casi studio condotti in 6 paesi diversi. Il database si compone dei frame pre-processati e delle misure di validazione delle velocità superficiali.

(2a) implementazione e confronto di tecniche di stabilizzazione delle immagini finalizzate alla rimozione degli effetti di movimento della camera del drone indotti da vento, vibrazioni o inesperienza dell’operatore (https://doi.org/10.5194/hess-2021-112). Il software VISION è un tool open source scritto in ambiente Matlab per la stabilizzazione video utilizzando il rilevamento automatico delle feature caratteristiche senza controllo diretto dell’operatore. Il codice di calcolo è disponibile al seguente indirizzo web: https://doi.org/10.17605/OSF.IO/HBRF2.

 (2b) L’individuazione e quantificazione, nello spazio e nel tempo, delle caratteristiche del materiale tracciante durante il periodo di acquisizione per massimizzare le prestazioni delle tecniche di processamento delle immagini. A tale scopo sono state introdotte tre metriche: (i) densità di particelle per unità di superficie, (ii) indice di dispersione dei traccianti e (iii) coefficiente di variazione della dimensione del tracciante. Tali metriche hanno una significatività statistica nella valutazione dell’accuratezza delle misure di velocità da sistemi ottici come riportato nel lavoro di Dal Sasso et al., 2020

A tale riguardo, la generazione di immagini sintetiche riproducenti alcune condizioni ambientali riscontrate nei corsi d’acqua hanno consentito di quantificare l’errore associato alle tecniche  di Particle  Tracking  Velocimetry  (PTV)  e  Large  Scale Particle  Image  Velocimetry  (LSPIV) in funzione della densità di particelle nella regione di interesse e l’indice di dispersione spaziale delle stesse. Tali esperimenti numerici hanno consentito la formulazione di un indice, denominato SDI (Seeding distribution index), che è stato pubblicato nel lavoro di Pizarro et al., 2020.

Figura 2. Esempio di generazione sintetica su background reale.

Le immagini sintetiche e i codici di calcolo relativi alle metriche e all’indice SDI sono pubblicati al seguente link: https://doi.org/10.17605/OSF.IO/8EGQW.

L’indice SDI abbinato ad una metodologia di analisi delle acquisizioni video può consentire di individuare la porzione di video ottimale da analizzare limitando i tempi di elaborazione. Tale procedura è stata applicata con successo in diversi casi studio e a varie scale spaziali (sezione trasversale e sotto-sezioni) migliorando le performance delle tecniche ottiche di processamento delle immagini. Tali risultanze sono riportate nei lavori di Pizarro et al., 2020 e Dal Sasso et al., 2021. Il codice di calcolo relativo alla metodologia è disponibile al seguente link: https://osf.io/3ajnr/.

(3-4) Un confronto tra le tecniche di processamento delle immagini e i software di calcolo con applicazione ad un caso studio reale è riportato nel lavoro di Pearce et al. 2020. In questo lavoro viene effettuata anche un’analisi di sensitività dei parametri caratteristici delle singole tecniche. Con riferimento alla tecnica PTV, sono state applicate le risultanze ottenute nel lavoro di Dal Sasso et al. 2018 riguardanti l’individuazione del setting ottimale da utilizzare negli esperimenti di campo mediante generazioni di immagini sintetiche.

Figura 3. La metodologia di selezione dei frame basata sull’evoluzione nel tempo dell’indice SDI.

(5) Le attività svolte e in corso di svolgimento sono finalizzate alla redazione delle linee guida per il monitoraggio idrologico da SAPR. Un primo contributo in questa direzione è fornito dal capitolo di Manfreda et al., 2019 “New Insights Offered by UAS for River Monitoring” (https://doi.org/10.1201/9780429244117-10) contenuto nel libro “Applications of Small Unmanned Aircraft Systems” edito da Sharma.

Attachments