Stima del contenuto idrico del suolo mediante camere RGB e termiche montate su DRONE

L’umidità del suolo (SM) è una variabile idrologica connettiva tra la superficie terrestre e l’atmosfera e influenza vari processi climatologici. L’umidità del suolo superficiale (SSM) è una componente chiave per affrontare gli scambi di energia e acqua e può essere stimata utilizzando diverse tecniche, come le misurazioni in situ e il telerilevamento. Le misurazioni in situ discrete, costose e prolungate raramente sono in grado di dimostrare le fluttuazioni dell’umidità. D’altra parte, gli attuali sensori satellitari ad alta risoluzione spaziale non hanno la risoluzione spettrale richiesta per molte applicazioni RS quantitative, che è fondamentale per coperture eterogenee. I sistemi aerei senza pilota (UAS) basati su RS rappresentano un’opzione per colmare il divario tra queste tecniche, fornendo approcci a basso costo per soddisfare i requisiti critici di risoluzioni spaziali, spettrali e temporali. Nel presente studio, SM è stata stimata attraverso un UAS dotato di un sensore di imaging termico. A tal fine, nell’ottobre 2018, sono state effettuate due campagne aeree diurne e notturne con il sensore termico per la stima dell’inerzia termica apparente (ATI) su un campo agricolo in Iran. Contemporaneamente, le misurazioni SM sono state ottenute in 40 punti campione nelle diverse parti dell’area di studio. I risultati hanno mostrato una buona correlazione (R2=0.81) tra la SM stimata e quella osservata sul campo. Questo studio dimostra il potenziale degli UAS nel fornire immagini termiche ad alta risoluzione con l’obiettivo di monitorare SM su suoli nudi e scarsamente vegetati. È stato considerato un caso di studio basato su un vasto settore agricolo in Iran, dove il monitoraggio del SM è ancora più critico a causa del clima arido e semiarido, della mancanza di adeguate stazioni di misurazione del SM e della scarsa qualità dei dati disponibili.

How to cite: Paridad, P., S.F. Dal Sasso, A. Pizarro, L. Mita, M. Fiorentino, M.R. Margiotta, F. Faridani, A. Farid, and S. Manfreda, Estimation of soil moisture from UAS platforms using RGB and thermal imaging sensors in arid and semi-arid regionsACTA Horticulture, 1335, 339-348, (DOI: 10.17660/ActaHortic.2022.1335.42), 2022. [pdf]

Planning the future of Harmonious

The Department of Topography and Cartography of the Technical University of Madrid hosted our work group meeting of COST Action – HARMONIOUS from 27 up to the 30 of October.

During this meeting the WG1 finalized the Glossary of terms used for UAS-based applications considering the three macro categories : platform and equipment, software and outputs.


1 Category: Platforms and Equipment 

  • Global Navigation Satellite System (GNSS) is a constellation of satellites used for positioning a receiver on the ground.
  • GALILEO is the GNSS European solution used to determine the ground position of an object.  
  • GPS is the most common GNSS based on the reception of signals from about 24 orbiting satellites by the USA, used to determine the ground position of an object. This global and accurate system allows users to know their exact location, velocity, and time 24 hours per day, anywhere in the world.    
  • Light Detection and Ranging (LiDAR) is based on laser pulses to locate the acquired point cloud in a 3D remote sensing. LiDAR data products are often managed within a gridded or raster data format.
  • Multispectral imaging captures image data within specific wavelength ranges across the electromagnetic spectrum.  The used spectral regions are often at least partially outside the visible spectral range, covering parts of the infrared and ultraviolet region. For example, a multi-spectral imager may provide wavelength channels for near-UV, red, green, blue, near-infrared, mid-infrared and far-infrared light – sometimes even thermal radiation.
  • Near Infrared (NIR) is a subset of the infrared band that is just outside the range of what humans can see. Applied to cameras, NIR cameras cover the wavelength range of 900 to 1700 nm, a range that is best suited for absorption and radiation characteristics analyses.
  • Noise    is an irregular fluctuation that accompanies a transmitted electrical signal but is not part of it and tends to obscure it. The main sources of noise can be divided into two main categories: the physical noise, linked to physics constraints like the corpuscular nature of light, and the hardware noise, linked to mechanical issues in the camera.
  • Optical Camera is a photographic device aimed to form and record an image of an object. An optical camera sensor is an imager that collects visible light (400~700nm).
  • Payload is the weight a drone or unmanned aerial vehicle (UAV) can carry on board. It is usually counted outside of the weight of the drone itself and includes anything additional to the drone – such as extra cameras, sensors, or packages for delivery.
  • Pixel size of an image identifies the spatial resolution and it is dependent on the sensor capabilities. It provides a measure of the image resolution, which is higher with finer grids, where the degree of recognizable details increases.
  • RGB Camera is equipped with a standard Complementary Metal Oxide Semiconductor (CMOS) sensor through which the colourful images of persons and objects are acquired. In a CMOS sensor, the charge from the photosensitive pixel is converted to a voltage at the pixel site and the signal is multiplied by row and column to multiple on chip Digital-to-Analog Converters (DACs). In a RGB camera, the acquisition of static photos is commonly expressed in megapixels that define the amount of pixels in a singular photo. While, the acquisition of videos is usually expressed with terms such as Full HD or Ultra HD.        
  • Thermal Camera is a non-contact temperature measurement sensor. All objects (above absolute zero) emit infrared energy as a function of their temperature. The vibration of atoms and molecules generates infrared energy. The higher the temperature of an object, the faster its molecules and atoms move. This movement is emitted as infrared radiation, which our eyes cannot see but our skin can feel (as heat). Thermal imaging uses special infrared camera sensors to illuminate a spectrum of light invisible to the naked eye. Thermal energy is invisible to the naked eye and works in different ways; it can be emitted, absorbed, or reflected. Infrared cannot see through objects but can detect differences in radiated thermal energy between materials. This is known as thermal bridging or heat transfer. 
  • Unmanned Aerial System (UAS) is a remotely controlled professional system integrating several technological components (e.g., navigation system, gyroscope, and sensors) in order to perform spatial observations.
  • Unmanned Aerial Vehicle (UAV) is a remotely controlled vehicle able to perform several operations and observations.

2 Software 

  • Aero-triangulation is the method most frequently applied to the photogrammetry to determine the X, Y, and Z ground coordinates of individual points based on photo coordinate measurements. The purpose of aero-triangulation is to increase the density of a geodetic network in order to provide images with an exhaustive number of control points for topographic mapping. Deliverables from aero-triangulation may be three-dimensional or planimetric, depending on the number of point coordinates determined.
  • Checkpoints are Ground Control Points (GCPs) used to validate the relative and absolute accuracy of the geo-localization of maps. The checkpoints are not used for processing. Instead, they are used to calculate the error of the map by comparing the known measured locations of the checkpoints to the coordinates of the checkpoints shown on the map.
  • Flight Type refers to the flight mission mode (manual or autonomous). In the manual mode, a pilot manages the UAS during the flight. The autonomous mission is programmed to react to various types of events, in a preset and direct way by means of special sensors. This makes UAS flight predictable and subject to intervention by a remote pilot, only if necessary.
  • Flight Time is a measurement of the total time needed to complete a mission, from the first to the last image taken during a flight. Flight time can be used to characterize the wind impacts on flight performance of UAS.    
  • Ground Control Points (GCPs) are user defined and priorly determined tie points within the mapping polygon used in the process of indirectly georeferencing UAS images. Such tie points can be permanent or portable markers with or without georeferenced data.
  • Masking is the procedure of excluding some part of the scene from image analysis. For instance, clouds, trees, bushes and their shadows should not be considered in further processing, such as in vegetation studies for the evaluation of crop vegetation indices.        
  • Orthorectification is a process of linearly scaling the image pixel size to real-world distances. This is achieved by accounting for the impacts of camera perspective and relative height above the sensed object. The objective is the reprojection of the original image, which could be captured from oblique viewing angles looking at unlevelled terrain, into an image plane to generate a distortion-free photo. 
  • Point Cloud is a collection of data points in a three-dimensional plane. Each point contains several measurements, including its coordinates along the X, Y, and Z-axes, and sometimes additional data such as a color value, which is stored in RGB format, and luminance value, which determines how bright the point is.
  • Radiometric Calibration is a process that allows the transformation of the intensities or digital numbers (DN) of multiple images in order to describe an area and detect relative changes of the landscape, removing anomalies due to atmospheric factors or illumination conditions. 
  • Structure from Motion (SfM) is the process of reconstructing a three-dimensional model from the projections derived from a series of images taken from different viewpoints. Camera orientation and scene geometry are reconstructed simultaneously through the automatic identification of matching features in multiple images.        
  • Tie Point is a point in a digital image or aerial photograph that can be found in the same location in an adjacent image or aerial photograph. A tie point is a feature that can be clearly identified in two or more images and selected as a reference point and whose ground coordinates are not known. The ground coordinates of Tie Points are computed during block triangulation. So, Tie points represent matches between key points detected on two (or more) different images and represent the link between images to get 3D relative positioning.
  • Precision is a description of random errors in the 2D/3D representations.
  • Quality Assessment is an estimation of the statistical geometric and radiometric errors of the final products obtained using ground true data.           

UAS-based Outputs

  • 2D Model is a bidimensional representation of the earth that contains 2 coordinates X and Y.
  • 3D Model is a mathematical or virtual representation of a three dimensional object.
  • 2.5D Model (Pseudo 3D Model) is a three-dimensional representation that uses X, Y coordinates, which are associated to a single elevation value in order to relate different points.
  • Digital Elevation Model (DEM) or Digital Height Model (DHM) is a gridded image describing the altitude of the earth excluding all other objects artificial or natural.    
  • Digital Surface Model (DSM) is a gridded image describing the altitude of the earth including all other objects artificial or natural. For instance, the DSM provides information about dimensions of buildings and forests.    
  • Digital Terrain Model (DTM) is a vector or raster dataset consisting of a virtual representation of the land environment in the mapping polygon. In a DTM the height of the point belongs to the bare ground.
  • Orthophoto is an aerial or terrestrial photograph that has been geometrically corrected to make the scale of the photograph uniform and use it as a map. Since each pixel of the orthophoto has a X and Y, it can be overlapped to other orthophotos, and it can be used to measure true distances of features within the photograph.        
  • Orthomosaic    is a high resolution image made by the combination of many orthophotos. It is a single, radiometrically corrected image that offers a photorealistic representation of an area that can produce surveyor-grade measurements of topography, infrastructure, and buildings.    
  • Feature Identification is a vector information computed from images using artificial intelligence algorithms in order to identify objects (roads, buildings, bridges, etc.) automatically. 
  • Point Cloud is a set of data points in space representing a three-dimensional object. Each point position has its set of Cartesian coordinates (X, Y, Z). It can be generated from overlapping images or LiDAR sensors.
  • Point Cloud Classification is the output of an algorithm that classifies the points of a cloud by computing a set of geometric and radiometric attributes.
  • Image Segmentation is a process that detects the features of an image clearly distinguishable based on the image texture and color.
  • Triangulated Irregular Network (TIN) is a pseudo three-dimensional representation obtained from the  relations in a point cloud using triangles.   
  • Vegetation Indices (VIs) are combinations of surface reflectance at two or more wavelengths designed to highlight a particular property of vegetation. VIs are designed to maximize sensitivity to the vegetation characteristics while minimizing confounding factors such as soil background reflectance, directional, or atmospheric effects. VIs can be found in the scientific literature under different forms such as NDVI, EVI, SAVI, etc.                
  • Aerial photograph is an image taken from an air-borne (i.e., UAS) platform using a precision camera. From aerial photographs, it is possible to derive qualitative information of the depicted areas, such as land use/land cover, topographical forms, soil types, etc. 
  • Terrestrial photograph is an image taken from the earth surface using a camera with an orientation that in most cases is not Nadiral.               

Confronto tra algoritmi di stabilizzazione di video per monitoraggio

Sebbene la disponibilità e l’accessibilità dei sistemi aerei senza pilota (UAS) abbiano portato al rapido sviluppo di applicazioni di telerilevamento in idrologia e idrometria, le incertezze relative a tali misurazioni devono essere quantificate e mitigate. L’instabilità fisica della piattaforma UAS induce inevitabilmente movimento nei video acquisiti e può avere un impatto significativo sull’accuratezza delle misurazioni basate sulla fotocamera, come la velocimetria. Una pratica comune nella preelaborazione dei dati è la compensazione del movimento indotto dalla piattaforma mediante metodi di stabilizzazione dell’immagine digitale (DIS), che utilizzano le informazioni visive dai video acquisiti – sotto forma di caratteristiche statiche – per stimare e poi compensare tale movimento . La maggior parte degli approcci di stabilizzazione esistenti si basano su strumenti personalizzati sviluppati internamente, basati su algoritmi diversi, o su software commerciali di uso generale. In letteratura non è stata trovata interconfronto tra diversi strumenti di stabilizzazione per scopi di telerilevamento UAS che potrebbe servire come base per la selezione di un particolare strumento in determinate condizioni. In questo documento, abbiamo tentato di riassumere e descrivere diversi strumenti DIS liberamente disponibili applicabili alla velocimetria UAS. Un totale di sette strumenti – sei mirati specificamente alla velocimetria e un software generico – sono stati studiati in termini di (1) accuratezza della stabilizzazione in varie condizioni, (2) robustezza, (3) complessità computazionale e (4) esperienza dell’utente, utilizzando tre video di casi di studio con diverse condizioni di volo e di terra. Nel tentativo di quantificare adeguatamente l’accuratezza della stabilizzazione utilizzando diversi strumenti, abbiamo anche presentato una metrica di confronto basata sulle differenze quadratiche medie (RMSD) delle intensità dei pixel tra i fotogrammi per le caratteristiche statiche selezionate. Le differenze più evidenti tra gli strumenti indagati sono state riscontrate per quanto riguarda il metodo di identificazione delle caratteristiche statiche nei video, ovvero la selezione manuale delle caratteristiche o automatica. I metodi all’avanguardia che si basano sulla selezione automatica delle caratteristiche richiedono un minor numero di parametri forniti dall’utente e sono in grado di selezionare un numero significativamente maggiore di caratteristiche potenzialmente statiche (di diversi ordini di grandezza) rispetto ai metodi che richiedono l’identificazione manuale di tali caratteristiche. Ciò consente al primo di ottenere una maggiore precisione di stabilizzazione, ma i metodi di selezione manuale delle funzionalità hanno dimostrato una minore complessità computazionale e una migliore robustezza in condizioni di campo complesse. Sebbene questo documento non intenda identificare lo strumento di stabilizzazione ottimale per scopi di velocimetria basato su UAS, mira a far luce sui dettagli dell’implementazione, che possono aiutare ingegneri e ricercatori a scegliere lo strumento adatto alle loro esigenze e alle condizioni specifiche del campo. Inoltre, la metrica di confronto RMSD presentata in questo documento può essere utilizzata per misurare l’incertezza di stima della velocità indotta dal movimento dell’UAS.

How to cite: Ljubičić, R., Strelnikova, D., Perks, M. T., Eltner, A., Peña-Haro, S., Pizarro, A., Dal Sasso, S. F., Scherling, U., Vuono, P., and Manfreda, S.: A comparison of tools and techniques for stabilising unmanned aerial system (UAS) imagery for surface flow observations, Hydrol. Earth Syst. Sci., 25, 5105–5132,, 2021. [pdf]

Monitoraggio di ecosistemi naturali con Droni

La complessità dell’ecosistema è tra i fattori determinanti della biodiversità e del funzionamento dell’ecosistema e i sistemi aerei senza equipaggio (UAS) stanno diventando uno strumento importante per caratterizzare modelli e processi della vegetazione. La varietà delle applicazioni degli UAS è immensa, così come le procedure per elaborare i dati degli UAS descritti in letteratura. L’ottimizzazione del flusso di lavoro è ancora oggetto di discussione. Qui presentiamo una sintesi completa che mira a identificare regole comuni che modellano i flussi di lavoro applicati negli studi basati su UAS che affrontano la complessità negli ecosistemi. Analizzando gli studi, abbiamo trovato somiglianze indipendentemente dall’ecosistema, in base al carattere della proprietà affrontata, come la composizione delle specie (biodiversità), la struttura dell’ecosistema (volume/complessità del popolamento), lo stato della pianta (fenologia e livelli di stress) e la dinamica ( disturbi e rigenerazione). Proponiamo un quadro generale che consenta di progettare indagini sulla vegetazione basate su UAS in base al suo scopo e alla componente della complessità dell’ecosistema affrontata. Supportiamo il quadro con schemi dettagliati ed esempi di migliori pratiche di studi UAS che coprono ciascuna delle proprietà della vegetazione (cioè composizione, struttura, stato e dinamica) e relative applicazioni. Per un’efficace indagine UAS sono fondamentali i seguenti punti: conoscenza del fenomeno, scelta della piattaforma, del sensore, risoluzione (temporale, spaziale e spettrale), modello e algoritmo di classificazione in base al fenomeno, nonché un’attenta interpretazione dei risultati. Più semplice è la procedura, più robusta, ripetibile, applicabile ed economicamente vantaggiosa. Pertanto, il design corretto può ridurre al minimo gli sforzi massimizzando la qualità dei risultati.

Come citare: Müllerová J. , X. Gago, M. Bučas,J. Company, J. Estrany, J. Fortesa, S. Manfreda, A. Michez, M. Mokroš, G. Paulus, E. Tiškus, M. A. Tsiafouli, R. Kent, Characterizing vegetation complexity with unmanned aerial systems (UAS) – A framework and synthesis, Ecological Indicators, Volume 131, November 2021, 108156. [pdf]


La Società Idrologica Italiana insieme alle Università della Campania organizzano le Giornate dell’Idrologia della SII a Napoli presso la sede del Complesso dei SS. Marcellino e Festo  dell’Università degli Studi di Napoli Federico II. L’evento avrà luogo nei giorni 30 settembre e 1 ottobre 2021.

La posizione del complesso dei SS. Marcellino e Festo è riportato al link seguente POSIZIONE

Istruzioni per il WI-FI


password : basadeke


Si consiglia di registrarsi per la cena sociale del 30/09 presso il Ristorante Rosolino (in Via Nazario Sauro 4, Napoli) indicando il numero totale di partecipanti, inclusi eventuali accompagnatori, utilizzando il seguente form



30 settembre 2021

9.00 – 9.30 Cerimonia di Apertura

9.30 – 11.15 SESSIONE 1: La modellistica idrologica per la previsione delle piene fluviali

9.30 Francipane A., Sottile G., Adelfio G., Noto L.V.

Implementazione di un algoritmo di clustering per l’identificazione delle precipitazioni stratiformi e convettive alla scala d’evento: un’applicazione alle precipitazioni sub-orarie della Sicilia

9.45 Pumo D., Ilarda S.M., Noto L.V.

Un sistema di early warning relativo al rischio idraulico fluviale in ambito urbano basato sulla definizione di scenari di evento: il caso studio di Palermo 

10.00 Bahmanpouri F., Eltner A., Barbetta S., Bertalan L., Moramarco T.

Estimating the velocity and discharge rates using the entropy approach based on a single surface velocity measurement 

10.15 Bonaccorsi, Sinagra, Tarpanelli, Domeneghetti, Tucciarelli, Moramarco, Barbetta

Using high-resolution satellite data for two-dimensional hydraulic modelling calibration

10.30 Fenicia F.

Dietro ogni grande risultato c’è sempre un grande metodo 

10.45 Viterbo F., Mancusi L., Bonanno, R. Lacavalla M., Braca G.

Analisi delle componenti di bilancio idrologico a scala nazionale: confronti tra i modelli NOAH-MP e BIGBANG sul bacino dell’alto fiume Tevere 

11.00 Neri M., Coulibaly P., Toth E.

Identificazione della similarità dei processi di trasformazione afflussi-deflussi: utilizzo della transfer entropy per la classificazione dei bacini 

11.15 – 11.45 Coffe Break

11.45 – 12.15 SESSIONE 2: La modellistica idrologica per la previsione dei fenomeni di innesco frana

11.45 Chiarelli D.D., Bombelli G., Galizzi M., Rosso R., Bocchiola D., Rulli M.C.

Modelling snowmelt influence in shallow landslides triggering in present and future scenarios

12.00 Bernard M., Gregoretti C., Berti M., Simoni A.

Uso di pluviometri e radar meteorologico nei sistemi di allarme per la modellazione delle portate di innesco di colata detritica

12.15 – 13.30 SESSIONE 3: L’idrologia urbana e nella pianificazione del territorio

12.15 Braca G., Bussettini M., Lastoria B., Mariani S., Piva F.

La disponibilità naturale della risorsa idrica in Italia nel periodo 1951–2019: il rapporto ISPRA

12.30 D’Ambrosio R., Longobardi A., Balbo A., Rizzo A.

Combining (de)centralized and centralized storage facilities for a sustainable flood risk mitigation in urban areas

12.45 Mobilia M., Longobardi A.

Identificazione della superficie potenzialmente convertibile in tetti verdi nel bacino del Sarno allo scopo di quantificare la riduzione del rischio idrologico

13.00 Cristiano E., Annis A., Apollonio C., Pumo D., Urru S., Viola F., Deidda R., Pelorosso R., Petroselli A., Tauro F., Grimaldi S., Francipane A., Alongi F., Noto L.V., Hoes O., Nardi F.

Tetti verdi multistrato per lo sviluppo sostenibile di città resilienti: quattro casi studio italiani

13.15 Palla A., Gnecco I.

Enhancing urban flood resilience through domestic rainwater harvesting systems

13.30 – 15.00 Pausa Pranzo

15.00 – 15.45 SESSIONE 3: L’idrologia urbana e nella pianificazione del territorio

15.00 Versace P., Biondi D., Capparelli G., Cruscomagno F., De Luca D.L., De Santis D., Liguori F., Politanò L., Presta D.

Analisi quantitativa del rischio di inondazione e stima della vulnerabilità

15.15 De Angeli S., Boni G., Taramasso A.C., Roth G.

A remote-sensing based methodology for the estimation of population in flood prone areas 

15.30 Padulano R., Rianna G., Costabile P., Costanzo C., Del Giudice G., Mercogliano P.

Stima degli effetti del cambiamento climatico sui fenomeni di pluvial flooding nei contesti urbani: il caso di Napoli

15.45 – 16.00 Coffe Break


16.00 – 17.00 Assemblea YHS

17.00 – 17.30 Premio Florisa Melone, Presentazioni Attività

17.30 – 18.30 Assemblea Soci

1 ottobre 2021

8.30 – 10.00 SESSIONE 4: L’idrologia per applicazioni in ambito agroforestale

8.30 Cipolla G., Calabrese S., Porporato A., Noto L.V.

The role of hydrological processes on enhanced weathering for carbon sequestration in agricultural soils

8.45 Feki M., Ravazzani G., Caloiero T., Pellicone G.

Use for ecohydrological simulations for sustainable forest management: Bonis catchment case study

9.00 Bonaccorso B., Iannello C.

Stima del deflusso ecologico a valle di un invaso in un corpo idrico non perenne: il caso studio del lago di Ancipa

9.15 Monteleone B., Boszì I., Bonaccorso B., Martina M.

Developing drought vulnerability curves for the agricultural sector in the Po basin

9.30 Capozzi V., Mazzarella V., Annella C., Budillon G.

Identificazione di fenomeni di grandine e stima di precipitazioni nevose da misure radar in banda X

10.00 – 11.15 SESSIONE POSTER

– De Luca D.L., Petroselli A.

STORAGE (STOchastic RAinfall GEnerator): un software user-friendly per la generazione di serie temporali di precipitazione ad elevata risoluzione

– Alongi F., Pumo D., Capodici F., Ciraolo G., Noto L.V.

Large-eddy simulation e tecnica LS-PIV: lo studio della turbolenza superficiale

– Biondi D., Todini E., Corina A.

Probabilistic forecasting assessment from  precipitation ensembles for civil protection purposes through the model conditional processor

– Shrestha S., Zaramella M., Callegari M., Greifeneder F., Dallan E., Borga  M.

Flood modelling over alpine basins by means of ERA5 reanalysis data

– Neri M., Reder A., Rianna G., Toth E.

Future flood events in the Panaro river  through bias-correction of hourly climate scenarios and rainfall-runoff modelling

– Zoratti V., Arnone E., Formetta G., Bosa S., Petti M.

Calibrazione di un modello idrologico semi-distribuito per l’analisi delle colate detritiche nel bacino del fiume Fella, Friuli-Venezia Giulia

– Peres D.J., Cancelliere A.

Confronto delle caratteristiche statistiche dei metodi per la determinazione di soglie pluviometriche per il preannuncio delle frane

– Capparelli G., Spolverino G.

Analisi sperimentale per lo studio del fenomeno di isteresi della SWRC dei suoli piroclastici

– Albertini C., Miglino D., Bove G., De Falco M., De Paola F., Dinuzzi A.M., Petroselli A., Pugliese F., Samela C., Santo A., Speranza G., Manfreda S.

Integration of a probabilistic and a geomorphic method for the optimization of flood detention basins design

– Brigandì G., Aronica G.T.

Previsione di allagamenti pluviali tramite utilizzo di funzioni di trasferimento pluviometriche

– Pirone D., Cimorelli L., Del Giudice G., Pianese D.

Sviluppo di un modello basato sulle reti neurali artificiali per la previsione dei dati di pioggia: risultati preliminari 

– Roati G., Formetta G., Pecora S., Brian M., Rigon R. 

Hydrological modeling and water budget quantification of the Po river basin through the GEOFRAME system

– Candela A., Aronica G.T.

Studio dell’efficienza idraulica di pavimentazioni semi-permeabili per il controllo degli allagamenti pluviali: applicazione ad un caso reale

– Ardizzone F., Biddoccu M., Fiorucci F., Meisina C., Valentino R.

Compattamento dei suoli e frane superficiali in ambiente agricolo: studio preliminare

– Peli M., Siena M., Barontini S., Riva M., Ranzi R. 

Simulazione della dinamica del piano di flusso nullo in suoli di pianura proni all’arricchimento di metalli pesanti

– Laurita B., Castelli G., Resta C., Bresci E.

Stakeholder-based water allocation modelling and ecosystem services trade-off analysis: the case of El Carracillo region (Spain)

– Falanga Bolognesi S., De Michele C., Mastracchio C., Ferraiuolo A., Belfiore O.R., D’urso G.

Investimenti in opere di irrigazione collettiva che contribuiscono alla mitigazione del rischio in relazione ad eventi siccitosi applicando il metodo SPI: un applicazione nel Consorzio Generale di Bonifica del bacino inferiore del Volturno

– Totaro V., Kuczera G., Gioia A., Iacobellis V.

Modelling multidecadal variability in eastern Australia flood data with the two-component extreme value distribution

– Aronica G.T., Sechi G.M., Martina M., Brigandì G., Arena C., Arosio M., D’Ayala M., Di Francesco M., Napolitano J.

Risk-based design delle opere idrauliche per la mitigazione del rischio di inondazione: il progetto RIDES-IDRO

11.15 – 11.30 Coffe Break

11.30 – 13.00 TAVOLA ROTONDA

13.00 – 14.30 Pausa Pranzo

14.30 – 16.30 SESSIONE 4: L’idrologia per applicazioni in ambito agroforestale

14.30 D’Amato C., Tubini N., Bancheri M., Rigon R.

LYSGEO 1D for modelling interactions of critical zone, vegetation and atmosphere

14.45 Longobardi A., Boulariah O., Villani P.

Ricostruzione di un database di piogge mensili per la regione Campania: analisi delle condizioni di siccita’ descritte dall’SPI

15.00 Falanga Bolognesi S., De Michele C., Mastracchio C., Ferraiuolo A., Belfiore O.R., D’urso G.

Stima dei danni ad aree agricole mediante l’impiego di immagini satellitari: il caso studio del Consorzio Generale di Bonifica del bacino inferiore del Volturno

15.15 Falanga Bolognesi S., De Michele C., Corbo N., Gabriele L., Tora M., Trani G., Belfiore O.R., D’urso G.

Mappatura delle aree allagate mediante analisi multi-temporale ed impiego di dati di sentinel-1: il caso di studio del Consorzio di Bonifica dell‘Agro Pontino

15.30 Cipolla S.S., Montaldo N.

Spatiotemporal evolution and impacts of climate change on forest cover in Sardinia

15.45 Gelmini Y., Zuecco G., Zaramella M., Penna D., Borga M.

Runoff events classification based on streamflow- water table hysteresis

16.00 Arnone E., Preti F., Dani A., Noto L.V.

Sulla modellazione della coesione radicale

16.15 Gangi F., Galli A., Costabile P., Costanzo C., Castagna A., Gandolfi C., Masseroni D.

IRRISURF2D: a combined mathematical tool for managing surface irrigation

16.30 – 16.45 Coffe Break

16.45 – 18.30 SESSIONE 5: Dimensionamento Idrologico Metodi e Prospettive – ricordando Fabio Rossi

16.45 Koutsoyiannis D., Montanari A.

BLUECAT: un metodo innovativo per stimare l’incertezza di previsioni di deflussi fluviali

17.00 Pelosi A., Chirico G.B., Furcolo P., Villani P.

Verso un aggiornamento delle analisi di frequenza regionali delle precipitazioni estreme in Italia: limiti della procedura VAPI, nuove evidenze e prospettive

17.15 Gnecco I., Palla A., Roth G., Giannoni F.

Analisi spaziale del regime delle piogge intense di durate oraria e superiori sul territorio ligure

17.30 Treppiedi D. , Cipolla G. , Francipane A. , Noto L.V. 

Individuazione dei trend di pioggia per la Sicilia utilizzando un approccio multiscala basato sulla regressione a quantili

17.45 Avino A., Manfreda S., Cimorelli L., Pianese D.

Trend of annual maximum rainfall in Campania region (southern Italy)

18.00 Napolitano F., Russo F., Moccia B., Bertini C., Buonora L., Lucantonio M., Soncin L.

Correzione delle curve idf tramite scenari di cambiamento climatico a supporto della realizzazione di sistemi di drenaggio resilienti

18.15 Dallan E., Borga M., Zaramella M., Marra F.

New methodology reveals the role of enhanced summer convection in the intensification of extreme precipitation in the eastern Italian Alps

Comitato Scientifico

Giuseppe Tito Aronica – Università degli Studi di Messina

Daniela Biondi – Università degli Studi della Calabria

Martina Bussettini – ISPRA Istituto Superiore per la Protezione e la Ricerca Ambientale

Angela Corina –  Protezione Civile 

Guido d’Urso – Università degli Studi di Napoli Federico II

Nicola Fontana – Università degli Studi del Sannio di Benevento

Roberto Greco– Università degli Studi della Campania

Salvatore Manfreda – Università degli Studi di Napoli Federico II 

Tommaso Moramarco – CNR IRPI

Domenico Pianese – Università degli Studi di Napoli Federico II 

Riccardo Rigon – Università degli Studi di Trento

Elena Toth – Università degli Studi di Bologna

Pasquale Versace – Università degli Studi della Calabria

Giorgio Budillon – Università degli Studi di Napoli “Parthenope”

Luigi Cimorelli – Università degli Studi di Napoli Federico II

Giovanni B. Chirico – Università degli Studi di Napoli Federico II

Luca Cozzolino – Università degli Studi di Napoli “Parthenope”

Andrea D’Aniello – Università degli Studi di Napoli Federico II

Renata Della Morte – Università degli Studi di Napoli “Parthenope”

Antonia Longobardi – Università degli Studi di Salerno

Vittorio Pasquino – Autorità di Sistema Portuale del Mar Tirreno Centrale- Ufficio Grandi Progetti

Anna Pelosi – Università degli Studi di Salerno

Enrique Ortiz – Idrologia e Ambiente Srl  

Nunzio Romano – Università degli Studi di Napoli Federico II

Paolo Villani – Università degli Studi di Salerno



Convenzioni per i partecipanti al Congresso

I partecipanti al Congresso possono usufruire delle seguenti convenzioni con alberghi:

Hotel Naples ****

  • Umberto I 55 – 80132 Napoli
  • 081 551 70 55 

Visita il sito dell’albergo

Tariffe convenzionate per camera per notte, con prima colazione:

  • Camera doppia uso singola € 100,00* 
  • Camera doppia a due letti o matrimoniale € 120,00*

Distanza dal Complesso dei SS. Marcellino e Festo: circa 500 m (8 minuti a piedi)

Albergo del Golfo ***

  • Via Sedile di Porto, 23 – 80132 Napoli
  • 081 428 81 38 

Visita il sito dell’albergo

Tariffe convenzionate per camera per notte, con prima colazione:

  • Camera doppia uso singola € 70,00* 
  • Camera doppia a due letti o matrimoniale € 90,00*

Distanza dal Complesso dei SS. Marcellino e Festo: circa 650 m (9 minuti a piedi)

Mappatura del tasso di infiltrazione dell’acqua utilizzando dati iperspettrali e UAV: un caso di studio dell’Alento, Italia

Il tasso di infiltrazione dell’acqua (WIR) nel profilo del suolo è stato studiato attraverso uno studio completo che sfrutta le informazioni spettrali della superficie del suolo. Poiché la spettroscopia del suolo fornisce informazioni inestimabili sugli attributi del suolo e poiché il WIR è una proprietà dipendente dalla superficie del suolo, la spettroscopia di campo può modellare il WIR meglio delle tradizionali misurazioni spettrali di laboratorio. Questo perché il campionamento per quest’ultimo altera lo stato del suolo-superficie. È stata creata una libreria spettrale del suolo di campo (FSSL), composta da 114 campioni con diverse tessiture provenienti da sei diversi siti nel bacino del Mediterraneo, combinati con misurazioni spettrali tradizionali di laboratorio. Successivamente, è stata condotta un’analisi di regressione parziale dei minimi quadrati sui dati spettrali e WIR in diversi gruppi di tessitura del suolo, mostrando migliori prestazioni delle osservazioni spettrali sul campo rispetto alla spettroscopia di laboratorio tradizionale. Inoltre, diverse proprietà spettrali quantitative sono state perse a causa della procedura di campionamento e la separazione dei campioni in base alla trama ha fornito una maggiore precisione. Sebbene la regione spettrale visibile dell’infrarosso vicino all’infrarosso a onde corte (VNIR-SWIR) fornisse una migliore precisione, abbiamo ricampionato i dati spettrali alla risoluzione di un sensore iperspettrale Cubert (VNIR). Questo sensore iperspettrale è stato quindi assemblato su un veicolo aereo senza pilota (UAV) per applicare un modello spettrale selezionato ai dati UAV e mappare il WIR in un’area semi-vegetata all’interno del bacino idrografico dell’Alento, in Italia. Contemporaneamente al volo del sensore UAV-Cubert sono state eseguite misurazioni spettrali e WIR complete della verità al suolo. I risultati sono stati convalidati in modo soddisfacente sul campo utilizzando campioni di campo, seguiti da un’analisi dell’incertezza spaziale, concludendo che l’UAV con telerilevamento iperspettrale può essere utilizzato per mappare le proprietà del suolo relative alla superficie del suolo.

Citazione: Francos, N.; Romano, N.; Nasta, P.; Zeng, Y.; Szabó, B.; Manfreda, S.; Ciraolo, G.; Mészáros, J.; Zhuang, R.; Su, B.; et al. Mapping Water Infiltration Rate Using Ground and UAV Hyperspectral Data: a Case Study of Alento, Italy. Remote Sens., 13, 2606 (, 2021.

Monitoraggio ambientale basato su UAS: miglioramento della raccolta dei dati attraverso un flusso di lavoro standardizzato

I sistemi aerei senza pilota (UAS) svolgono un ruolo sempre più importante nella raccolta di dati per il monitoraggio ambientale. Le sfide principali per gli UAS negli studi ambientali includono la creazione di linee guida coerenti e standardizzate per la raccolta dei dati e la definizione di pratiche che si applicano a una vasta gamma di ambienti. Il dott. Salvatore Manfreda dell’Università di Napoli Federico II, insieme al team HARMONIOUS, ha identificato i passaggi critici nella pianificazione, acquisizione ed elaborazione dei dati UAS per garantire le migliori pratiche e un flusso di lavoro snello ed efficace.

This image has an empty alt attribute; its file name is 1.jpg

Workflow: Ogni missione richiede un progetto di studio su misura che può essere sintetizzato nei passaggi riportati in figura.

Speciale su Remote Sensing intitolato “Global Gridded Soil Information Based on Machine Learning”

Questo numero speciale è dedicato ai metodi basati sull’apprendimento automatico in:

  • mappatura globale delle proprietà del suolo;
  • sistemi di calcolo / algoritmi / approcci che utilizzano i dati di osservazione della Terra per derivare caratteristiche del suolo con griglia globale;
  • dati di osservazione della Terra per la mappatura globale del suolo;
  • metodi di calcolo ad alta intensità di dati per incorporare i dati di osservazione della Terra per la mappatura predittiva del suolo;
  • ottimizzazione della risoluzione temporale per monitorare globalmente i cambiamenti delle proprietà del le informazioni derivate dal suolo.

Uno sconto del 40% può essere concesso ai documenti ricevuti da questa conferenza / progetto sulla base del fatto che il manoscritto è accettato per la pubblicazione dopo il processo di revisione tra pari.

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.

Intervista su SpeCtrum

L’ultima uscita della newsletter SpeCtrum dell’ISPRS Student Consortium (ISPRS-SC) riporta una mia intervista sull’utilizzo dei droni per il monitoraggio ambientale e le prospettive della ricerca in questo ambito.