Il gruppo HydroLAB, coordinato dal Prof. Salvatore Manfreda, è impegnato nello sviluppo di metodologie avanzate per il monitoraggio della qualità dell’acqua negli ecosistemi fluviali e lacustri. Le attività principali del gruppo si concentrano su tecniche a basso costo basate su immagini e sull’integrazione di approcci di telerilevamento e machine learning volti a superare i limiti spaziali, temporali e di costo dei metodi tradizionali di monitoraggio in situ della qualità dell’acqua, come mostrato in Figura 1. 

Attraverso soluzioni scalabili, trasferibili e partecipative (citizen-driven), questi lavori migliorano le pratiche di monitoraggio ambientale e supportano la gestione sostenibile delle risorse idriche. 

Figura 1. Panoramica delle attività principali di HydroLAB nel monitoraggio della qualità dell’acqua: rilevamento della plastica, monitoraggio della torbidità e previsione della clorofilla-a da satellite.

ATTIVITÀ DI RICERCA

Rilevamento della Plastica Fluviale da Immagini

Le macroplastiche rappresentano una delle forme di inquinamento più pressanti negli ambienti fluviali. Rilevarle e quantificarle resta una sfida a causa della variabilità spaziale e della mancanza di sistemi di monitoraggio standardizzati e scalabili. Per affrontare questi limiti, studi recenti di Saddi et al. (2025) si sono concentrati sullo sviluppo di sistemi basati su immagini per il rilevamento delle plastiche galleggianti usando immagini RGB acquisite tramite smartphone, telecamere fisse e UAV. Queste immagini sono analizzate con algoritmi di deep learning, in particolare YOLOv7 e YOLOv8, per classificare molteplici categorie di rifiuti in contesti ambientali diversi.

Particolare attenzione è dedicata alla creazione di dataset piccoli ma ambientalmente diversificati, rivelatisi più efficaci per la trasferibilità dei modelli rispetto a dataset più grandi ma omogenei. I primi risultati indicano che dataset diversificati migliorano significativamente la generalizzazione e la scalabilità, consentendo l’impiego di sistemi di rilevamento in sistemi fluviali geograficamente distinti. Questo approccio apre la strada a soluzioni di monitoraggio della plastica in tempo reale e da dispositivo mobile e supporta la futura integrazione in iniziative di citizen science.

Monitoraggio della Torbidità Fluviale da Immagini

La torbidità è un indicatore chiave della qualità dell’acqua, poiché riflette la presenza di solidi sospesi, materia organica e inquinanti galleggianti. I dispositivi di misura convenzionali, come sensori e sonde di torbidità, sono spesso limitati nella risoluzione spaziale e temporale e costosi da implementare su larga scala. Per superare questi vincoli, Miglino et al. (2024) hanno sviluppato un nuovo quadro di analisi delle immagini, utilizzando diversi sistemi di camera, tra cui trap camera fisse, UAV e sensori multispettrali.

Esperimenti di campo con eventi di torbidità indotti artificialmente hanno dimostrato che i valori di intensità dei pixel a banda singola delle immagini digitali sono proxy affidabili per la valutazione della torbidità a breve termine, se supportati da una procedura robusta di elaborazione delle immagini. Questa tecnica consente l’acquisizione continua di dati ad alta frequenza usando attrezzature economiche e facilmente impiegabili. Diverse campagne in condizioni idrologiche e ambientali variabili hanno validato il metodo. Il quadro è inoltre in corso di adattamento per applicazioni mobili, che consentiranno ai cittadini di contribuire con dati osservativi, ampliando la copertura del monitoraggio a scala di bacino e consentendo il rilevamento precoce degli eventi di torbidità.

Misure di torbidità in Tunisia

Previsione della Clorofilla-a da Satellite a Scala Globale

La clorofilla-a è un proxy fondamentale per valutare la biomassa fitoplanctonica e il rischio di eutrofizzazione nelle acque interne e costiere. Le tecniche tradizionali di campionamento in situ sono dispendiose in termini di tempo e spazialmente limitate. Per affrontare questo problema è stato sviluppato un quadro basato su machine learning che usa immagini satellitari per prevedere le concentrazioni di clorofilla-a a scala globale.

Il quadro di Moe et al. (2025) si concentra sulla qualità dei dati, analizzando due gruppi di feature di input: semplici valori di riflettanza di banda e trasformazioni derivate matematicamente. Diversi modelli di machine learning sono stati testati per le prestazioni predittive e la capacità di generalizzare su ambienti diversi. Il sistema ha mostrato una consistenza spazio-temporale affidabile, in particolare in scenari di validazione esterna, dimostrando la sua trasferibilità a località non osservate. Questo metodo offre uno strumento robusto e scalabile per il monitoraggio continuo dell’eutrofizzazione e supporta i processi decisionali nella gestione degli ecosistemi acquatici e nelle politiche ambientali.

Progetti correlati:

OurMED – Stoccaggio e Distribuzione Sostenibile dell’Acqua nel Mediterraneo

Questa iniziativa fa parte del Programma PRIMA, sostenuto dal Programma di Ricerca e Innovazione Horizon 2020 dell’Unione Europea. Mira a promuovere approcci innovativi allo stoccaggio, alla distribuzione e al monitoraggio dell’acqua, adattati alle peculiari sfide ambientali e sociali del bacino mediterraneo. HydroLAB contribuisce con tecniche scalabili di osservazione della Terra e di monitoraggio in campo.

RiverWatch – Un Approccio di Citizen Science al Monitoraggio dell’Inquinamento Fluviale

RiverWatch promuove il coinvolgimento attivo del pubblico nel monitoraggio della salute dei fiumi. Attraverso tecniche basate su immagini e lo sviluppo di app mobili, il progetto si concentra sul tracciamento di macroplastiche e torbidità usando dati raccolti dalla comunità. Il fiume Sarno è il sito pilota per testare e validare questo sistema di monitoraggio partecipativo.

Questa pagina fa parte della linea di ricerca Monitoraggio Idrologico di HydroLAB. Vedi anche:Innovazione nel Monitoraggio Idrologico · Scala di Deflusso Flow-Area · Monitoraggio dell’Umidità del Suolo · Image Velocimetry.

Pubblicazioni sul tema

  • Moe, A. C., K. C. Saddi, R. Zhuang, D. Miglino, J. A. Saavedra Navarro and S. Manfreda, Global-scale chlorophyll-a monitoring for inland lake water quality framework: Advancements, machine learning models, and transferability challenges., 2026.
  • Miglino, D., S. Jomaa, M. Rode, K. C. Saddi, F. Isgrò and S. Manfreda, Technical note: Image processing for continuous river turbidity monitoring — full-scale tests and potential applications., Hydrology and Earth System Sciences, 2025. [pdf] [doi]
  • Carone, M. T., T. Simoniello, S. Manfreda and G. Caricato, Watershed influence on fluvial ecosystems: an integrated methodology for river water quality management., Environmental Monitoring and Assessment, 2009. [pdf] [doi]