Osservazione della Terra

Visualizza articoli per tag: Osservazione della Terra

Machine learning

Mappa dell’evoluzione temporale di un’alluvione ottenuta dalla fusione di dati ottici e SAR

Le tecniche di Machine Learning e di Deep Learning consentono di estrarre informazioni utili dai dati telerilevati di Osservazione della Terra (OT) in molteplici ambiti applicativi. Esse sono largamente utilizzate per affrontare problemi di classificazione tematica, di regressione o di selezione ed estrazione di features significative. In particolare, esse rivestono una fondamentale importanza quando è necessario analizzare una ingente mole di dati come nell’analisi di serie temporali o quando si ha a che fare con dati a risoluzione molto elevata. In tali casi, le tecniche di Machine e Deep Learning vengono applicate non solo per risolvere i suddetti problemi, ma anche per affrontare nuovi paradigmi di apprendimento come l’Active e il Transfer Learning.

Ad esempio, per effettuare lo studio dei cambiamenti dell’uso e della copertura del suolo, legati a variazioni antropiche o al manifestarsi di eventi disastrosi, quali frane ed alluvioni, è necessario analizzare un insieme di immagini multi-temporali ed anche multi-sensore della stessa area geografica. Le tecniche di Machine Learning si sono dimostrate particolarmente efficaci per estrarre informazioni utili da una ingente quantità di dati multi-temporali, multi-sensore, multi-risoluzione e multi-piattaforma, a cui spesso è necessario associare misurazioni in situ per ottenere una conoscenza precisa ed un’interpretazione accurata di situazioni complesse. Nel caso delle inondazioni, l’applicazione di tali tecniche ha consentito di effettuare mappature delle aree interessate e la loro evoluzione nel tempo, integrando dati SAR (intensità e coerenza) tradizionalmente usati in questo ambito, con modelli idrologici, dati ottici ed altre informazioni ancillari. Tali tecniche possono essere molto utili anche nell’analisi e nell’interpretazione di lunghe serie temporali di valori di spostamento derivati con tecniche in interferometria SAR differenziale, con l’obiettivo di individuare e classificare i diversi tipi di deformazione che interessano i bersagli radar al suolo.

Negli ultimi anni, le metodologie di Deep Learning sono diventate uno degli argomenti di punta nell’ambito del Remote Sensing. Si tratta di reti neurali con un numero molto elevato di strati nascosti, in grado di calcolare features opportune direttamente dai dati, senza utilizzare quelle definite a priori. Grazie a tali caratteristiche, le loro accuratezze in classificazione superano di gran lunga quelle ottenute con altri metodi. Le applicazioni di tali reti sono molte-plici e particolarmente interessanti si sono rivelate le reti Deep pre-addestrate, utilizzate per estrarre features predefinite (deep-features) che hanno la proprietà di essere invarianti rispetto al dominio. Esse si sono dimostrate utili nel dominio delle immagini telerilevate per estrarre, ad esempio, le informazioni relative al contesto spaziale nell’analisi delle immagini VHR.

 

BaricodeNell’ambito delle celebrazioni per i 100 anni CNR, si è svolta a Bari, dal 23 al 25 ottobre, la prima edizione del Festival Scientifico Cittadino “BARIcode”. Il nome scelto per la manifestazione, evocativo di Bar-code, il codice a barre, fa riferimento a un nuovo codice culturale delle scienze e delle arti, in un rapporto di scambio e dialogo con la società realizzato attraverso attività di divulgazione della scienza, trasferimento di conoscenza e generazione di impatto sul territorio.

L’iniziativa ha compreso attività ed eventi diversificati e diffusi che vanno da laboratori nelle scuole elementari a incontri di divulgazione, da mostre e concerti a salotti letterari. 

ll tema scelto per BARIcode – Edizione zero è stato l’albero come simbolo universale della vita e come metafora di qualsiasi sistema radicato in un territorio che si nutre, si sviluppa e rinnova l’ambiente in cui vive.

Il CNR-IREA (Istituto per il Rilevamento Elettromagnetico dell'Ambiente) ha contribuito alla manifestazione organizzando e coordinando i Laboratori Didattici “Mettiamo Radici”, tenuti da ricercatori dei numerosi Istituti CNR presenti in città e indirizzati agli alunni delle scuole primarie distribuite nell’area comunale di Bari con la finalità di avvicinare i bambini al mondo della ricerca scientifica attraverso esperienze pratiche guidate dai ricercatori CNR. Al termine delle attività nel cortile di ciascuna scuola sono stati piantati degli alberi come simbolo universale della vita.

Inoltre, i ricercatori dell’IREA Anna Balenzano, Antonella Belmonte, Annarita D’Addabbo e Davide Palmisano, hanno animato il Laboratorio “Dalla Terra e dal cielo: interpretare le immagini del pianeta Terra acquisite dallo spazio”, una serie di attività ludico-didattiche per avvicinare i piccoli studenti al concetto di Osservazione della Terra.

Image 1 Image 2 Image 3

  

 Image 4 Image 5 Image 6

 


 

 

Pubblicato in Notizie in evidenza

incendi californiaUna serie devastante di incendi hanno colpito la California e, in particolare, la regione di Los Angeles nel mese di novembre 2018. Non è la prima volta che sentiamo parlare di incendi in California ma l’impressione è che stiano diventando sempre più frequenti ed intensi.

Quali sono le cause e/o i fattori determinanti per l’innesco e la propagazione di questi incendi? È un pericolo che sentiamo vicino o lontano da noi? Potrebbe accadere anche in Italia/Europa? Queste sono alcune delle domande a cui cercano di rispondere giornalisti e scienziati soprattutto alla fine della fase di emergenza. Trovare una risposta significa diminuire il rischio che un elemento naturale come il fuoco possa determinare eventi così catastrofici.

Tra i fattori determinanti troviamo i cambiamenti climatici che inasprendo periodi di piovosità, siccità ed alte temperature creano condizioni della vegetazione particolarmente suscettibili al fuoco. Pianificazione e gestione del territorio che non tengano conto del rischio di incendio possono concorrere inoltre a creare condizioni di pericolo per la popolazione, le abitazioni e le attività produttive. Il rischio è esteso a tutte le aree temperate compresa l’Europa meridionale dove, anche recentemente, si sono verificati eventi devastanti come in Portogallo (2017) e Grecia (2018). L’innalzamento delle temperature, inoltre, espone al rischio anche paesi e zone climatiche tipicamente “immuni” o dove gli incendi nel passato sono stati limitati, rendendo queste aree più vulnerabili.

Le tecniche di Osservazione della Terra (OT) forniscono dati e misure fondamentali per il monitoraggio del fenomeno degli incendi boschivi e per la stima del danno (e.g. estensione area bruciata, severità dell’incendio, frequenza eventi, perdita di vegetazione, emissioni in atmosfera) soprattutto su aree molto vaste per le quali i soli rilievi in situ potrebbero essere molto onerosi.

In particolare, i ricercatori IREA si occupano dello sviluppo di metodi ed algoritmi per la mappatura delle aree bruciate e della severità dell’incendio (i.e. impatto sulla vegetazione) da dati satellitari ottici e SAR. In questo quadro, la ricerca si concentra soprattutto sull’utilizzo di dati acquisiti dalle missioni ESA Sentinel nell’ambito del programma Copernicus coordinato dalla Commissione Europea.

Su questi temi Daniela Stroppiana, ricercatrice dell'IREA, ha parlato nel corso di una intervista a SkyTG24

 


Vai alle altre notizie in evidenza 

Immagine correlata
Pubblicato in Notizie in evidenza
Venerdì, 21 Giugno 2019 09:56

Le prime immagini della Terra con PRISMA

fig 1 trasimeno

Presentate al salone dell’aerospazio parigino di Le Bourget le prime immagini di varie aree della Terra, realizzate grazie al potente sensore ottico iperspettrale, montato a bordo del satellite PRISMA dell’Agenzia Spaziale Italiana (ASI), lanciato in orbita il 22 marzo scorso.

A contribuire alla elaborazione dati, anche l’Istituto per il Rilevamento Elettromagnetico dell’Ambiente del Consiglio Nazionale delle Ricerche (CNR-IREA). In particolare, il CNR-IREA ha elaborato i dati sul lago Trasimeno (il più esteso dell’Italia centrale, in Umbria), per valutare la torbidità delle acque superficiali. La mappa (fig. 1) mostra un gradiente di torbidità che varia tra 3 e 6.2 NTU, mentre i valori più alti (in grigio) sono nascosti a causa del riflesso solare che in questa elaborazione preliminare non è stato filtrato. La mappa, inoltre, mostra come le acque siano generalmente meno torbide nella baia sudorientale, dove comunità di macrofite aquatiche (vegetali macroscopicamente visibili) hanno un ruolo anche nel limitare la risospensione dei sedimenti del fondale. PRISMA ha rivelato diversi gradienti di torbidità dell'acqua anche nei laghi più piccoli a sud del Trasimeno (ad esempio Chiusi).

Per le saline di Margherita di Savoia (area protetta della Puglia, nella provincia di Barletta-Andria-Trani, (fig. 2), il sensore è stato testato, invece, per valutare le sue potenzialità di estrarre il segnale proveniente da acque con diversi livelli di sale. In un ultimo esempio, relativo alla costa laziale, PRISMA ha rivelato diversi gradienti di profondità della zona costiera nei pressi di San Felice Circeo (fig. 3).

Nei prossimi mesi queste prime elaborazioni verranno ulteriormente affinate mediante algoritmi dedicati e consentire, quindi, studi verso un’ampia gamma di applicazioni mirate non solo al comparto acquatico ma anche agli ecosistemi terresti, sia naturali sia gestiti dall’uomo. A supporto di questa missione, diversi istituti del CNR, insieme ad ASI e ad altri Enti, stanno sviluppando un importante progetto triennale PRISCAV (Attività scientifica di CAL/VAL della missione PRISMA).

fig 2 saline

saline di Margherita di Savoia

fig 3 costa-lazio

Costa laziale


Vai alle altre notizie in evidenza 

 

Pubblicato in Notizie in evidenza
Il CNR-IREA ha sviluppato un prodotto pre-operativo di umidità superficiale (SSM) dei suoli ad alta risoluzione spaziale (1km) derivato dai dati radar della costellazione Sentinel-1 del programma europeo Copernicus di Osservazione della Terra. Il prodotto SSM è stato validato secondo protocolli internazionali usando misure di reti idrologiche distribuite fra Europa, Stati Uniti, Canada e Australia. Le stime di SSM ottenute da Sentinel-1 possono contribuire a migliorare, fra altre applicazioni, le previsioni meteorologiche ad elevata risoluzione spaziale e la gestione delle risorse irrigue.
L’umidità del suolo è una variabile climatica essenziale che svolge un ruolo importante nello scambio di acqua, energia e flussi biochimici tra la superficie terrestre e l'atmosfera.
Le mappe di umidità superficiale derivate da misure satellitari sono attualmente distribuite in modo operativo, a scala globale e a bassa risoluzione spaziale (i.e., 25 – 45 km), nell’ambito delle missioni spaziali SMOS (ESA), ASCAT (EUMETSAT) e SMAP (NASA). Inoltre, esistono prodotti pre-operativi a risoluzioni spaziali tra 0.1 e 3 km sviluppati nell’ambito della missione SMAP integrando dati Sentinel-1 (S-1) e nell’ambito dei servizi Copernicus basati su dati S-1 o di servizi regionali o nazionali sviluppati in alcuni paesi Europei. Tuttavia, la maggior parte di questi prodotti è stata validata su aree e intervalli temporali limitati.
Il prodotto pre-operativo SSM sviluppato dal CNR-IREA è stato realizzato durante il progetto “Exploitation of Sentinel-1 for Surface Soil Moisture Retrieval at High Resolution - Exploit-S-1” finanziato dalla Agenzia Spaziale Europea nell’ambito del programma “Science Exploitation of Operational Missions (SEOM) S14SCI LAND” ed è stato ampiamente validato usando misure in situ di reti idrologiche distribuite nel mondo e acquisite in un arco temporale di quattro anni. L’algoritmo di stima di SSM e la sua validazione sono stati descritti in un lavoro recentemente pubblicato sulla rivista Remote Sensing of Environment (Balenzano et al., RSE 2021). Lo studio evidenzia non solo gli elementi di novità del prodotto, ma contribuisce a individuare i limiti delle reti idrologiche attualmente disponibili per la validazione di stime satellitari di SSM ad alta risoluzione spaziale, proponendo indicazioni per superarli. La metodologia di stima, implementata nel codice SMOSAR (Soil MOisture retrieval from multi-temporal SAR data), sfrutta il breve tempo di rivisita della costellazione S-1 per risolvere i cambiamenti di umidità del suolo che mediamente avvengono su scale temporali di qualche giorno. Per questo motivo l’algoritmo di stima è denominato “Short Term Change Detection”. Il prodotto finale è costituito da mappe di umidità del suolo volumetrica (m3/m3) relativa allo strato superficiale (~0.05 m) di suolo e ad 1 km di risoluzione spaziale. Una novità del prodotto CNR-IREA è che alla stima di SSM è associata quella della sua deviazione standard come misura di affidabilità. In figura è riportato un esempio del prodotto di SSM e sua deviazione standard a scala nazionale.
 
SSM1a

Figura 1a

SSM1b

Figura 1b

 
Esempio di composizione di mappe di umidità del suolo (14-19/04/2018) ad 1 km di risoluzione spaziale (Figura 1a) e sua deviazione standard (Figura 1b) derivate da
orbite discendenti Sentinel-1 sull’Italia. Come esempio, sono indicate due orbite Sentinel-1 che compongono il mosaico.
 
La ricerca ha anche studiato la fattibilità di produzione di mappe di SSM a scala del Mediterraneo, che è un’area di grande interesse scientifico e socio-economico per via della crescente pressione antropica, la sua vulnerabilità ai cambiamenti climatici e le relative conseguenze in termini di scarsità idrica e eventi idrometeorologici estremi. Infatti, l’area mediterranea concentra importanti rischi naturali legati al ciclo dell'acqua, comprese le forti precipitazioni e inondazioni improvvise durante la stagione autunnale e le ondate di calore e siccità accompagnate da incendi boschivi durante l'estate. Tali rischi naturali hanno un forte impatto sulle popolazioni che vivono nell'area, ma la capacità di prevedere tali eventi rimane debole a causa del contributo di processi superficiali su scala molto fine. Inoltre, la risorsa idrica è un problema critico per gran parte del bacino del Mediterraneo in un contesto di crescente domanda di acqua, ad esempio per l’irrigazione, che si aggrava con il cambiamento climatico.
Questi problemi sociali e scientifici motivano un’attenzione crescente e stringente verso il monitoraggio dell’eterogeneità spazio/temporale dell’umidità del suolo a grana più fine derivata da dati S-1 per applicazioni in ambito agronomico e idrologico come, ad esempio, la identificazione precoce di condizioni di siccità dei suoli o dell’estensione delle aree irrigue, l’allerta di eventi alluvionali mediante previsioni metereologiche di nuova generazione che lavorano su griglie con risoluzioni di ~1 km e la gestione efficiente delle risorse irrigue a scala di bacino.
 
Pubblicato in Notizie in evidenza
pagine_da_convegnoirea2023.jpg
              

IREA for societal challanges pages-to-jpg-0001

Report IREA 2024

Seguici su

                  Immagine twitter          Immagine facebook 

 

                         

Chi è online

 803 visitatori online