Telerilevamento & Rilevamento delle Inondazioni
Integrazione di radar SAR, immagini satellitari multispettrali e indicatori derivati dal terreno per un monitoraggio delle inondazioni e una mappatura delle acque superficiali accurati e a grande scala.
Monitoraggio delle Inondazioni da Satellite
Il telerilevamento satellitare fornisce informazioni sinottiche, ripetibili e spazialmente continue, essenziali per rilevare e monitorare gli eventi alluvionali. A differenza delle osservazioni da terra, le piattaforme di osservazione della Terra possono coprire vaste aree entro poche ore dall’evento, offrendo informazioni cruciali per la risposta alle emergenze e la valutazione post-evento.
Questa linea di ricerca integra le immagini Synthetic Aperture Radar (SAR) — che operano indipendentemente dalle condizioni meteo e di luce — con dati ottici multispettrali da missioni come Sentinel-2 e Landsat. La combinazione di sensori attivi e passivi affronta il compromesso fondamentale tra affidabilità in ogni condizione meteo (SAR) e capacità di discriminazione spettrale (ottico).
Una caratteristica distintiva di questo lavoro è la fusione delle osservazioni da telerilevamento con descrittori geomorfici del terreno, come il Geomorphic Flood Index (GFI) e altre caratteristiche derivate dal DEM. Inserire il contesto topografico riduce sostanzialmente i falsi rilevamenti e migliora l’accuratezza spaziale delle mappe di inondazione, in particolare in ambienti complessi come le pianure alluvionali urbane e vegetate.
Dall’Acquisizione Satellitare alla Mappa di Inondazione
Acquisizione delle Immagini
Recupero di immagini SAR (Sentinel-1, COSMO-SkyMed) e/o ottiche (Sentinel-2, Landsat) per le date pre- e post-evento.
Pre-elaborazione
Calibrazione radiometrica, correzione del terreno (SAR), correzione atmosferica (ottico), co-registrazione degli stack multi-temporali.
Estrazione delle Caratteristiche
Calcolo dei rapporti di variazione del backscatter (SAR), degli indici spettrali dell’acqua (ottico) e dei descrittori geomorfici del terreno (GFI, HAND, pendenza).
Classificazione
Applicazione di reti bayesiane, Random Forest o classificatori di deep learning allo spazio delle caratteristiche multi-sorgente. Calibrazione rispetto a mappe di inondazione di riferimento.
Validazione & Mappa di Inondazione
Valutazione dell’accuratezza (OA, Kappa, F1-score) con dati di validazione indipendenti. Output: estensione binaria delle inondazioni e mappe di incertezza.
Contributi Principali
Far progredire il rilevamento delle inondazioni attraverso l’uso sinergico di informazioni radar, ottiche e topografiche.
Pubblicazioni
Articoli peer-reviewed su approcci di telerilevamento per il rilevamento delle inondazioni e la mappatura delle acque.
@article{albertini2026rfgeo,
title = {{Mapping Flood Susceptibility Using Random Forest
Exploiting Satellite Observations and Geomorphic Features}},
author = {Albertini, C. and Gioia, A. and Iacobellis, V. and
Manfreda, Salvatore},
year = {2026}
}@article{albertini2024rf,
title = {{Assessing Multi-source Random Forest Classification and
Robustness of Predictor Variables in Flooded Areas Mapping}},
author = {Albertini, C. and Gioia, A. and Iacobellis, V. and
Petropoulos, G. P. and Manfreda, Salvatore},
journal = {Remote Sensing Applications: Society and Environment},
year = {2024},
doi = {10.1016/j.rsase.2024.101239}
}Una review completa delle applicazioni del telerilevamento satellitare per la delineazione dell’estensione delle acque e il monitoraggio delle inondazioni, focalizzata su immagini multispettrali liberamente disponibili. Le prestazioni degli indici spettrali più comuni (NDWI, MNDWI, AWEI e altri) sono valutate su diversi tipi di copertura del suolo per fornire indicazioni per applicazioni mirate. Vengono discusse le sfide legate alla copertura nuvolosa, ai pixel misti e agli ambienti urbani, insieme alle opportunità offerte dai sensori di nuova generazione.
@article{albertini2022surface,
title = {{Detection of Surface Water and Floods with
Multispectral Satellites}},
author = {Albertini, C. and Gioia, A. and Iacobellis, V. and
Manfreda, Salvatore},
journal = {Remote Sensing},
volume = {14},
number = {23},
pages = {6005},
year = {2022},
doi = {10.3390/rs14236005}
}@inproceedings{balestra2022dnn,
title = {{Flood Susceptibility Mapping Using a Deep Neural
Network Model: The Case Study of Southern Italy}},
author = {Balestra, F. and {Del Vecchio}, M. and Pirone, D. and
Pedone, M. A. and Spina, D. and Manfreda, S. and
Menduni, G. and Bignami, D. F.},
booktitle = {Environmental Sciences Proceedings},
volume = {21},
pages = {36},
year = {2022},
doi = {10.3390/environsciproc2022021036}
}Passa in rassegna i progressi nel monitoraggio delle inondazioni a grande scala, coprendo approcci satellitari (SAR e ottici), metodi geomorfici e la loro integrazione. Discute la complementarità tra le mappe di suscettibilità derivate dal terreno e le estensioni delle inondazioni osservate da satellite, delineando prospettive per sistemi operativi di mappatura delle inondazioni a grande scala.
@article{manfreda2018advances,
title = {{Advances in Large Scale Flood Monitoring and Detection}},
author = {Manfreda, S. and Samela, C. and Refice, A. and
Tramutoli, V. and Nardi, F.},
journal = {Hydrology},
volume = {5},
number = {3},
pages = {49},
year = {2018},
doi = {10.3390/hydrology5030049}
}Propone un quadro a rete bayesiana che fonde le immagini SAR con dati geospaziali ausiliari — tra cui elevazione del terreno, uso del suolo e informazioni idrologiche — per il rilevamento dell’estensione delle inondazioni. L’approccio probabilistico consente di integrare la conoscenza a priori sulla suscettibilità alle inondazioni con le osservazioni di backscatter da SAR, riducendo sostanzialmente i falsi positivi nelle aree urbane e vegetate.
@article{daddabbo2016bayesian,
title = {{A Bayesian Network for Flood Detection Combining
SAR Imagery and Ancillary Data}},
author = {D'Addabbo, Annarita and Refice, Alberto and
Pasquariello, Guido and Lovergine, Francesco P. and
Capolongo, Domenico and Manfreda, Salvatore},
journal = {IEEE Transactions on Geoscience and Remote Sensing},
volume = {54},
number = {6},
pages = {3612--3625},
year = {2016},
doi = {10.1109/TGRS.2016.2598321}
}Download
PDF liberamente disponibili dal repository dell’autore.
Questa pagina fa parte della linea di ricerca Mappatura Inondazioni di HydroLAB. Vedi anche:Mappatura Geomorfica delle Inondazioni · Machine Learning in Idrologia.