Aumentare le prestazioni di LSPIV sfruttando l’indice SDI a diverse scale spaziali

Gli approcci basati su immagini per le stime della velocità superficiale stanno diventando sempre più popolari a causa della crescente necessità di metodi di monitoraggio del flusso fluviale a basso costo. In questo contesto, le caratteristiche e le dinamiche di seeding lungo il metraggio video rappresentano una delle variabili chiave che influenzano i risultati della velocimetria dell’immagine. Studi recenti evidenziano la necessità di identificare le impostazioni dei parametri in base alle condizioni di flusso locali e ai fattori ambientali apriori, rendendo difficile automatizzare l’uso di approcci velocimetrici per immagini per il monitoraggio continuo. L’indice di distribuzione seeding (SDI) – recentemente introdotto dagli autori – identifica la migliore lunghezza della finestra di frame di un video da analizzare, riducendo i carichi computazionali e migliorando le prestazioni della velocimetria dell’immagine. In questo lavoro, proponiamo un metodo basato su una soglia media di serie temporali SDI con filtraggio del rumore. Questo metodo è stato testato su tre casi di studio in Italia e convalidato su uno nel Regno Unito, dove è disponibile un numero relativamente elevato di misurazioni. Seguendo questo metodo, abbiamo osservato una riduzione dell’errore del 20-39% rispetto all’analisi del video completo. Questo effetto benefico appare ancora più evidente quando l’ottimizzazione viene applicata a scale di sottosettore, nei casi in cui SDI mostra una marcata variabilità lungo la sezione trasversale. Infine, è stato proposto, calibrato e convalidato un parametro empirico t per usi pratici per definire la soglia SDI. t ha mostrato valori relativamente stabili nei diversi contesti in cui è stato applicato. È probabile che l’applicazione dell’indice di semina alla velocimetria basata su immagini per le stime della velocità del flusso superficiale aumenti l’accuratezza della misurazione negli studi futuri.

Citazione: Dal Sasso, S.F., A. Pizarro, S. Pearce, I. Maddock, S. Manfreda, Increasing LSPIV performances by exploiting the seeding distribution index at different spatial scales, Journal of Hydrology, 2021. https://doi.org/10.1016/j.jhydrol.2021.126438

Numero Speciale su Frontiers

Questo argomento di ricerca cerca di pubblicare articoli che dimostrano l’utilità delle tecniche di velocimetria delle immagini per rilevare l’ambiente fluviale; che fanno avanzare lo sviluppo di tecniche basate sull’immagine; e informare le pratiche di distribuzione per il rilevamento dei processi di flusso del fiume. Di particolare interesse sono gli articoli di ricerca e i commenti in cui le tecniche basate sulle immagini hanno:
• Comprensione fondamentale avanzata dei processi fluviali (ad es. Dinamica del flusso di piena)
• Utilizzato come base per le previsioni dei processi fluviali (es. Erosione degli argini, trasporto di sedimenti)
• Ha portato al progresso delle pratiche industriali o gestionali (ad es. Quantificazione del flusso del fiume, valutazioni eco-idrauliche, valutazione dei pericoli, valutazione delle prestazioni della struttura ingegneristica).
Inoltre, sono ben accetti anche articoli di ricerca che riportano progressi tecnici. Questi possono includere, ma non sono limitati a:
• Nuovi approcci per il rilevamento basato su immagini delle correnti fluviali
• Valutazioni dell’applicabilità e dell’accuratezza dei flussi di lavoro e delle tecniche esistenti
• Avanzamento delle tecniche esistenti di velocimetria delle immagini
• Miglioramenti metodologici e raccomandazioni per le migliori pratiche

https://www.frontiersin.org/research-topics/17302/advances-in-image-velocimetry-for-sensing-river-flows

Dataset Video per Image Velocimetry

Dall’inizio del 21° secolo, le tecniche di velocimetria basate sulle immagini sono diventate un approccio sempre più popolare per determinare il flusso dei canali aperti in una serie di contesti idrologici in Europa e oltre. Contemporaneamente, è stata sviluppata una serie di algoritmi di velocimetria di immagini su larga scala che sono dotati di diverse capacità di pre-elaborazione e analisi delle immagini. Tuttavia, nell’idrometria operativa, queste tecniche sono utilizzate da poche autorità competenti. Pertanto, le immagini raccolte per l’analisi velocimetrica delle immagini (insieme ai dati di riferimento) sono necessarie sia per consentire l’inter-comparazione tra questi diversi approcci che per testare la loro efficacia complessiva. Attraverso esercizi di benchmarking, sarà possibile valutare quali approcci sono più adatti per una serie di impostazioni fluviali, e concentrare i futuri sviluppi del software. Qui raccogliamo e descriviamo set di dati acquisiti da sette paesi in Europa e Nord America, costituiti da video che sono stati sottoposti a una serie di analisi di pre-elaborazione e velocimetria delle immagini (Perks et al.2020https://doi.org/10.4121/uuid:014d56f7-06dd-49ad-a48c-2282ab10428e).

Citazione: Perks, M. T., Dal Sasso, S. F., Hauet, A., Jamieson, E., Le Coz, J., Pearce, S., Peña-Haro, S., Pizarro, A., Strelnikova, D., Tauro, F., Bomhof, J., Grimaldi, S., Goulet, A., Hortobágyi, B., Jodeau, M., Käfer, S., Ljubičić, R., Maddock, I., Mayr, P., Paulus, G., Pénard, L., Sinclair, L., and Manfreda, S.: Towards harmonisation of image velocimetry techniques for river surface velocity observations, Earth Syst. Sci. Data, 12, 1545–1559, https://doi.org/10.5194/essd-12-1545-2020, 2020. [pdf]