RAPPORTO FINALE TRIENNALE DI SOTTOPROGETTO: SORVEGLIANZA DELLA INTEGRITÀ E FUNZIONALITÀ DELLE LINEE DI TRASMISSIONE

Transcript

1 A3/ /40 Cliente: RDS Oggetto: RAPPORTO FINALE TRIENNALE DI SOTTOPROGETTO: SORVEGLIANZA DELLA INTEGRITÀ E FUNZIONALITÀ DELLE LINEE DI TRASMISSIONE Ordine: Contratto CESI n. 71/00300 Note: SISIGEN/COREINA/ senza l'autorizzazione scritta del CESI questo documento può essere riprodotto solo integralmente N. pagine: 40 N. pagine fuori testo: Data: Elaborato: B.U. GEN SSE A. Bassini, S. Musazzi Verificato: B.U. GEN SSE S. Musazzi Approvato: B.U. SFR G. Mazzà CESI Via R. Rubattino 54 Capitale sociale Euro Registro Imprese di Milano Centro Elettrotecnico Milano - Italia interamente versato Sezione Ordinaria Sperimentale Italiano Telefono Codice fiscale e numero N. R.E.A Giacinto Motta SpA Fax iscrizione CCIAA P.I. IT

2 A3/ /40 Indice 1 MOTIVAZIONI E BENEFICIARI OBBIETTIVI METODOLOGIA DI SVILUPPO DELLE ATTIVITÀ TELERILEVAMENTO DA SATELLITE PER LA SORVEGLIANZA ED IL MONITORAGGIO DELLE LINEE ELETTRICHE TECNICHE DI DEVIAZIONE DEI FULMINI MEDIANTE PRE-IONIZZAZIONE DELL'ATMOSFERA INDOTTA DA RADIAZIONE LASER RISULTATI SPERIMENTALI TELERILEVAMENTO DA SATELLITE PER LA SORVEGLIANZA ED IL MONITORAGGIO DELLE LINEE ELETTRICHE Sperimentazione di tecniche di classificazione convenzionali e non convenzionali a immagini da satellite a elevata risoluzione spaziale SPERIMENTAZIONE DI UNA TECNICA DI INTERFEROMETRIA CON RADAR AD APERTURA SINTETICA PER IL MONITORAGGIO AD ELEVATA RISOLUZIONE DEI MOTI DEL TERRENO SU SUPERFICI ESTESE TECNICHE DI DEVIAZIONE DEI FULMINI MEDIANTE PRE-IONIZZAZIONE DELL'ATMOSFERA INDOTTA DA RADIAZIONE LASER PROSPETTIVE DI ULTERIORI RICERCHE...33 ALLEGATO 1: Elenco collaborazioni di ricerca...35 ALLEGATO 2: Elenco rapporti...37 ALLEGATO 3: Elenco articoli...39 Copyright 2005 by CESI. All rights reserved - Activity code 30098A Keywords:

3 A3/ /40 SOMMARIO Questo documento riassume l'attività svolta nell'ambito della Ricerca di Sistema durante il triennio nel sottoprogetto COREINA (Sorveglianza dell'integrità e Funzionalità delle Linee Elettriche) inserito nel progetto SISIGEN (Sicurezza del Sistema Elettrico). L'attività ha principalmente riguardato lo studio e la sperimentazione delle tecniche di telerilevamento al fine di valutare un loro possibile utilizzo per la sorveglianza delle reti di trasmissione. In particolare: 1. Si è valutata l'applicabilità delle tecniche di classificazione convenzionali e non convenzionali ad immagini da satellite ad elevata risoluzione spaziale. In questo contesto sono stati studiati sia i metodi tradizionali (basati sulla risposta spettrale della superficie indagata) finalizzati alla valutazione della crescita di vegetazione in prossimità di linee elettriche, sia le procedure di classificazione contestuale non convenzionale basate su tecniche di filtraggio e sull'uso di reti neurali per il riconoscimento automatico di oggetti di interesse (quali tralicci, linee aeree, impianti). Entrambi i metodi sono stati sperimentati utilizzando un'immagine acquisita dal satellite IKONOS relativa ad un'area di 5 x 5 km 2 in località Maccagno sul Lago Maggiore. 2. E' stata sperimentata una nuova tecnica di interferometria con radar ad apertura sintetica (tecnica dei "permanenti scatterers") per il monitoraggio ad elevata risoluzione (inferiore al millimetro) dei moti del terreno su superfici estese (fino a 100 x 100 km2). In particolare sono state eseguite prove sperimentali su una sequenza di coppie di immagini (fornite dai satelliti ERS-1 e ERS-2) relative alla stessa area e registrate in tempi diversi. Si è inoltre iniziato lo studio di una nuova tecnica di deviazione dei fulmini basata sulla creazione di un canale ionizzato mediante radiazione laser.

4 A3/ /40 1 MOTIVAZIONI E BENEFICIARI Il livello di integrità e affidabilità funzionale dei principali componenti delle reti di trasmissione e distribuzione sono fattori determinanti ai fini della garanzia di continuità di fornitura del servizio elettrico. Da qui la necessità di disporre di strumenti sempre più efficaci nel riconoscere, valutare e segnalare quanto più precocemente possibile (se non addirittura prevenire), le anomalie che possono degenerare nella indisponibilità di componenti significativi delle reti. In questo contesto la presente ricerca prevede: 1. lo sviluppo e la dimostrazione di fattibilità di modalità innovative di sorveglianza continua delle reti elettriche di trasmissione mediante tecniche di telerilevamento da satellite 2. lo studio di un sistema innovativo basato su tecniche laser per la deviazione dei fulmini (che, come è noto, rappresentano una delle cause più comuni di guasto delle linee) Per quanto riguarda il primo punto va ricordato che la sorveglianza dell'integrità e della funzionalità delle reti elettriche comprende attività da svolgersi su aree estese e talvolta poco accessibili, che quindi si prestano ad essere svolte utilizzando tecniche di telerilevamento. L'elevato grado di dettaglio spaziale richiesto per alcune di queste osservazioni, ad esempio la valutazione dell'integrità degli isolatori, limita le possibilità applicative all'uso di mezzi aerei, con costi di esercizio alquanto elevati. Altre situazioni appaiono invece più adatte all'impiego del telerilevamento da satellite. Grazie alle sempre migliori prestazioni ottenibili in termini di risoluzione spaziale dei sensori ottici (giunta ormai alla soglia del metro lineare nella regione del visibile) e all'introduzione di nuove tecniche di analisi delle immagini ottenute con i sistemi radar ad apertura sintetica (tecniche SAR), diventa possibile utilizzare sensori orbitali per svolgere attività di sorveglianza con benefici (in termini di minor costo e di minor tempo impiegato) che in alcune applicazioni potrebbero essere decisamente superiori rispetto a quelli dei più convenzionali approcci da terra. Esempi di possibili applicazioni delle tecniche di telerilevamento alla sorveglianza delle linee elettriche sono: - La mappatura delle linee di trasmissione - La prevenzione di situazioni di rischio derivanti da: - Crescita di vegetazione in prossimità delle linee - Incendi - Smottamenti - L'individuazione precoce di danni subiti a seguito di eventi naturali quali: - Terremoti - Inondazioni - Trombe d'aria

5 A3/ /40 Naturalmente l'efficacia di questo approccio dipende anche dalle caratteristiche del territorio osservato ed è tanto maggiore quanto più quest'ultimo è esteso, difficilmente accessibile e poco abitato. E' presumibile che nel caso italiano la convenienza tecnica ed economica del telerilevamento da satellite debba essere valutata per ciascuna singola applicazione ed eventualmente limitata a specifiche zone geografiche. Per quanto riguarda lo studio di tecniche per la deviazione dei fulmini, va ricordato che diversi gruppi di ricercatori stanno operando in questo settore sia negli Stati Uniti che in Giappone ed in Europa. La motivazione di tali ricerche è legata al fatto che le linee ad alta e media tensione sono frequentemente soggette a guasti causati dalla caduta di fulmini. Infatti, nonostante le linee dell'alta tensione siano protette da "funi di guardia" al fine di impedire ai fulmini di abbattersi direttamente sui conduttori, quest'ultima eventualità è sempre possibile con gravi conseguenze per le stazioni di distribuzione dell'energia elettrica. Critica è anche la situazione delle linee a media tensione (in generale non protette da funi di guardia) le quali, oltre alla possibilità di essere colpite direttamente da fulmini, soffrono anche le conseguenze della generazione di sovratensioni indotte dalla caduta di fulmini in prossimità della linea. Lo sviluppo di sistemi laser mobili per la deviazione dei fulmini in grado di intervenire, nel caso di temporali particolarmente intensi, nei punti più critici (ad esempio in prossimità di stazioni di distribuzione o aree critiche dove si incrociano più linee) rappresenta pertanto una efficace soluzione tecnologica che consentirà di svolgere nelle aree di interesse una efficace azione protettiva nei confronti della caduta di fulmini. Possibili beneficiari dei risultati della ricerca svolta nell'ambito del sottoprogetto COREINA sono innanzitutto le società proprietarie delle reti di trasmissione e distribuzione (Terna, ENEL Distribuzione, AEM, ecc.) in quanto vedrebbero ridursi i costi di gestione/manutenzione degli impianti e, indirettamente, le società produttrici di energia elettrica che si troverebbero ad utilizzare linee di trasmissione maggiormente affidabili. Va inoltre aggiunto che i risultati di alcune ricerche previste nell'ambito del sottoprogetto (in particolare quelli relativi alle tecniche SAR) sono di interesse più ampio rispetto al tema della ricerca e potrebbero pertanto essere applicati non solo alle problematiche connesse alla sorveglianza delle linee elettriche ma più in generale a tutte quelle situazioni in cui un qualunque impianto (di produzione, trasmissione o distribuzione di energia elettrica) è soggetto a rischio di frane o smottamenti. 2 OBBIETTIVI I principali obiettivi del Sottoprogetto COREINA possono essere così schematizzati: 1 Sviluppare nuovi strumenti/metodologie basati su tecniche di telerilevamento da satellite per la sorveglianza ed il monitoraggio delle linee elettriche di trasmissione 2 Studiare nuove tecniche di deviazione dei fulmini basate sulla pre-ionizzazione dell'atmosfera mediante irraggiamento di luce laser

6 A3/ /40 Per quanto riguarda il punto 1 occorre mettere in evidenza che l'attività di telerilevamento da satellite è molto vasta e riguarda un elevato numero di metodologie di osservazione della superficie terrestre non direttamente finalizzate alle problematiche connesse alla sorveglianza delle linee elettriche. Diventa pertanto necessario: i ii iii Individuare e selezionare solo quei sensori che forniscono informazioni funzionali alle problematiche connesse alla sorveglianza delle reti. In linea di principio risultano essere di interesse quelli ottici multispettrali ad elevata risoluzione spaziale e quelli radar ad apertura sintetica (SAR) che consentono di effettuare misure interferometriche molto accurate di spostamenti e deformazioni della superficie terrestre. Sviluppare e sperimentare nuove tecniche di elaborazione di immagine che consentano di estrarre da immagini ad elevata risoluzione spaziale del territorio (ottenibili dai satelliti di ultima generazione) informazioni funzionali alla sorveglianza e al monitoraggio delle linee elettriche quali: - La stima della crescita della vegetazione lungo le linee elettriche - L'individuazione automatica di tralicci, linee aeree e altri oggetti di interesse su immagini da satellite ad elevata risoluzione Individuare e sperimentare tecniche innovative per l'analisi di interferogrammi SAR che consentano di effettuare: - il monitoraggio di deformazioni lente della superficie terrestre su ampie superfici e con elevata risoluzione spaziale - l individuazione precoce di aree a rischio di frane/smottamenti Per quanto riguarda lo studio di metodologie per la deviazione di fulmini mediante tecniche di pre-ionizzazione dell'atmosfera indotta da radiazione laser (punto 2) occorre notare che l'argomento è fortemente innovativo e non esistono ancora soluzioni già sperimentate in campo. Lo studio di queste tecniche avrà quindi come obbiettivo la valutazione dello stato dell'arte e la definizione di un possibile esperimento che consenta di verificare la tecnica in laboratorio. 3 METODOLOGIA DI SVILUPPO DELLE ATTIVITÀ 3.1 Telerilevamento da satellite per la sorveglianza ed il monitoraggio delle linee elettriche Per conseguire gli obbiettivi riportati nel paragrafo precedente l'attività è stata articolata in tre successive fasi: 1 L'analisi dei satelliti utilizzati per il telerilevamento e l'individuazione dei sensori più idonei a svolgere attività di sorveglianza delle reti. Questa attività comporta: - La valutazione dello stato dell arte dei sistemi di telerilevamento in dotazione ai satelliti attualmente in orbita o previsti per esserlo entro breve termine.

7 A3/ /40 - La valutazione delle caratteristiche tecniche dei sensori attualmente utilizzati con particolare riferimento a quelli ottici ad elevata risoluzione spaziale e a quelli SAR. - La valutazione della possibilità di applicare i sensori individuati alla sorveglianza delle reti per quanto concerne: a) L'individuazione e la georeferenziazione delle linee di trasmissione b) La crescita di vegetazione nelle zone limitrofe alla linea c) La rivelazione di situazioni di pericolo (incendi, inondazioni) d) La rivelazione di smottamenti e frane in aree di interesse 2 Lo sviluppo di nuovi strumenti che consentano di utilizzare i dati provenienti da satellite per la sorveglianza e il monitoraggio delle linee elettriche. Questa attività comporta: - La messa a punto di tecniche di classificazione contestuale tradizionali (basate sulla risposta spettrale della superficie indagata) finalizzate alla valutazione della crescita di vegetazione in prossimità di linee elettriche su immagini da satellite ad elevata risoluzione. - Lo studio e la messa a punto di nuove procedure di classificazione contestuale non convenzionali (basate su tecniche di filtraggio dell'immagine e sull'uso di reti neurali) per il riconoscimento automatico di oggetti di interesse (quali tralicci, linee aeree, impianti) su immagini da satellite ad elevata risoluzione. - L'individuazione di nuove tecniche di analisi di interferogrammi ottenuti con radar ad apertura sintetica (è molto promettente la tecnica dei "permanent scatterers") che consentano di effettuare un monitoraggio ad elevata risoluzione (dell'ordine del millimetro) dei moti del terreno su superfici estese (fino a 100 x 100 km 2 ). 3 La sperimentazione su aree campione (occupate da linee e impianti elettrici) delle procedure di classificazione contestuale convenzionali e non convenzionali precedentemente messe a punto, per valutarne le prestazioni in casi di interesse. Diventa così possibile: - Valutare le tecniche di classificazione contestuale precedentemente individuate su immagini ad elevata risoluzione spaziale, per quanto riguarda: a) La stima della consistenza areale e della biomassa della vegetazione in prossimità delle linee elettriche b) Il riconoscimento automatico di strutture di interesse c) La determinazione automatica della giacitura di linee e impianti elettrici e di abitazioni isolate e insediamenti urbani situati in prossimità di elettrodotti - Valutare la tecnica di analisi dei datai SAR interferometrici per quanto riguarda: a) La sensibilità della tecnica in relazione alla necessità di evidenziare aree a rischio di frane e smottamenti b) L'efficienza della tecnica in relazione al numero di permanent scatterers disponibili sulla scena

8 A3/ /40 c) L'efficienza della tecnica in relazione al numero di immagini disponibili della stessa scena 3.2 Tecniche di deviazione dei fulmini mediante pre-ionizzazione dell'atmosfera indotta da radiazione laser L'attività è stata articolata in due fasi. 1 L'analisi della letteratura esistente riguardante la fisica dei fulmini e le tecniche di deviazione dei fulmini mediante pre-ionizzazione dell'atmosfera indotta da radiazione laser. Questa attività consente di: - Valutare le differenti tecniche di deviazione di scariche elettriche mediante radiazione laser fino ad ora utilizzate - Individuare le soluzioni più promettenti - Progettare un esperimento che consenta di valutare in laboratorio le prestazioni delle tecniche individuate come più promettenti 2 La sperimentazione in laboratorio di una nuova metodologia di deviazione dei fulmini basata sulla tecnica di pre-ionizzazione dell'aria indotta da radiazione laser. Dalle attività sperimentali dovranno essere ricavati dati progettuali per la realizzazione di un prototipo operante in campo quali: - La configurazione ottimale dello schema ottico da utilizzare (dimensioni ottiche, lunghezze focali, coating delle ottiche, stabilità montaggi, ecc.) - Le specifiche (potenza, lunghezza d'onda, ampiezza, larghezza e frequenza di ripetizione degli impulsi) delle sorgenti laser (nel caso ne servano più di una) da utilizzare per la generazione del fascio tracciante necessario alla creazione di un canale pre-ionizzato in grado di convogliare la scarica elettrica - Le criticità a sperimentare in campo la tecnica. 4 RISULTATI SPERIMENTALI 4.1 Telerilevamento da satellite per la sorveglianza ed il monitoraggio delle linee elettriche L'attività si è sviluppata lungo due diverse direzioni: 1 Si è valutata l'applicabilità delle tecniche di classificazione convenzionali e non convenzionali ad immagini da satellite ad elevata risoluzione spaziale. In particolare: a) Sono stati studiati i metodi tradizionali (basati sulla risposta spettrale della superficie indagata) finalizzati alla valutazione della crescita di vegetazione in prossimità di linee elettriche. Sono state eseguite prove sperimentali su un'immagine acquisita dal satellite IKONOS relativa ad un'area di 5 x 5 km 2 in località Maccagno sul Lago Maggiore.

9 A3/ /40 b) E' stata studiata e messa a punto una procedura di classificazione contestuale non convenzionale basata su tecniche di filtraggio e sull'uso di reti neurali per il riconoscimento automatico di oggetti di interesse (quali tralicci, linee aeree, impianti). Sono state eseguite prove sperimentali sulla stessa immagine di IKONOS utilizzata per valutare le tecniche di classificazione tradizionali. 2 E' stata sperimentata una nuova tecnica di interferometria con radar ad apertura sintetica (tecnica dei "permanent scatterers") per il monitoraggio ad elevata risoluzione (inferiore al millimetro) dei moti del terreno su superfici estese (fino a 100 x 100 km 2 ). Sono state eseguite prove sperimentali su una sequenza di coppie di immagini relative alla stessa area e registrate in tempi diversi, fornite dai satelliti ERS-1 e ERS-2. Anche in questo caso l'area studiata è centrata sulla località di Maccagno come per la sperimentazione delle altre tecniche Sperimentazione di tecniche di classificazione convenzionali e non convenzionali a immagini da satellite a elevata risoluzione spaziale Tecniche di analisi delle immagini telerilevate Tradizionalmente un'immagine telerilevata viene analizzata con due approcci differenti e per molti aspetti complementari. Il primo consiste nella fotointerpretazione intesa come un processo di ispezione visuale ed interpretazione dei contenuti dell'immagine da parte di un esperto. Il secondo consiste nell'analisi quantitativa dell'immagine telerilevata mediante procedure automatiche di classificazione e riconoscimento basate sulla valutazione dei valori di radianza (energia irraggiata per unità di superficie) quantizzati all'interno dei singoli pixel dell'immagine (per pixel classifiers). Entrambi gli approcci sono consolidati e soprattutto l'approccio quantitativo ha avuto negli ultimi anni una notevole diffusione grazie soprattutto alla disponibilità di efficienti metodi di classificazione automatica basati essenzialmente su tecniche statistiche e neurali. Indipendentemente dalle specifiche tecniche utilizzate, lo schema generale per l'analisi e la classificazione automatica di un'immagine digitale comprende le seguenti fasi: Estrazione delle caratteristiche (features): questa fase negli approcci convenzionali alla classificazione consiste semplicemente nell'identificare l'insieme delle bande spettrali tra quelle disponibili o nell'applicare trasformazioni di immagine (come ad esempio la trasformata nelle componenti principali) che assicurino un insieme di valori associati al singolo pixel indipendenti (ovvero non correlate tra loro). Addestramento: in questa fase usualmente interviene la fotointerpretazione e vengono identificate aree dell'immagine da cui estrarre insiemi di pixel di classe nota da fornire al classificatore per la costruzione delle funzioni discriminanti di classe Generalizzazione/labeling: in questa fase il classificatore automatico già addestrato etichetta ogni pixel dell'immagine con la classe di appartenenza. Valutazione: viene individuato un insieme di pixel nell'immagine (distinti dai pixel utilizzati per l'addestramento del classificatore) anch'essi di classe nota (per fotointerpretazione) e vengono applicate tecniche di statistica descrittiva ed analitica con cui produrre indici di accuratezza della tecnica di classificazione.

10 A3/ /40 Oggetto dell'indagine L'obbiettivo principale del presente studio è quello di determinare la posizione e la consistenza areale della vegetazione presente in prossimità e sotto il tracciato di elettrodotti ad alta tensione, in una zona a orografia complessa e di difficile accesso, mediante metodi di telerilevamento. Per questo scopo è stata utilizzata un'immagine registrata mediante il satellite IKONOS che rappresenta attualmente il primo satellite commerciale ad alta risoluzione di cui è stata prevista la distribuzione senza vincoli dei dati. Questo satellite, lanciato con successo il 24 settembre 1999, è posto su un'orbita a quota 680 km e ha una frequenza di rivisitazione compresa tra 1 e 3 giorni (a 40 di latitudine). E' dotato di un sistema digitale di acquisizione sviluppato dalla Eastman Kodak. Per quanto riguarda la risoluzione geometrica a terra e la risoluzione spettrale le caratteristiche del sensore sono riassunte nella Tabella1. Tabella 1. Caratteristiche spettrali del sensore di acquisizione del satellite IKONOS Prodotto Risoluzione spaziale Bande spettrali in µm IKONOS multispettrale 4 m Banda 1: (blu) Banda 2: (verde) Banda 3: (rosso) Banda 4: (vicino infrarosso) IKONOS pancromatico 1m Banda Pan: IKONOS 1 m pancromatico combinato con 4 m multispettrale 1m Banda 1: (blu Banda 2: (verde) Banda 3: (rosso) Banda 4: (vicino infrarosso La singola immagine copre una superficie di 11 x 11 km. I prodotti forniti dalla casa distributrice offrono diversi livelli di correzione spaziale (non viene distribuito il dato grezzo) che spaziano dal dato georeferenziato all immagine ortocoretta con punti di controllo e modello digitale del terreno a 4 m. Nell'ambito di questo progetto si è voluto utilizzare un'immagine disponibile a catalogo (Carterra GEO con correzione geometrica a un ellissoide e proiezione definita) relativa ad una superficie di 8 km x 11 km. L'area di indagine è costituita da una superficie individuata sulla costa orientale del Lago Maggiore, in relazione alla presenza della centrale idroelettrica di Roncovalgrande e del relativo bacino di alimentazione del Lago Delio, con la presenza di una stazione elettrica di smistamento e di elettrodotti ad alta tensione. Sono interessate le aree dei comuni di Maccagno e Tronzano Lago Maggiore in provincia di Varese. La zona d'indagine si caratterizza per la complessa morfologia con quote che vanno dai 200 m del Lago Maggiore ai 1300 m del Monte Cadrigna sopra il Lago Delio. Per la conformazione del territorio esaminato si determinano tipologie vegetali con formazioni di faggio alle quote più elevate, castagno e formazioni miste a latifoglie caducifoglie a quote inferiori. Le formazioni miste risultano comunque essere le più abbondanti.

11 A3/ /40 I dati satellitari IKONOS sono stati acquisiti in data 28/10/2000 alle ore Il prodotto fornito consiste di tre immagini georeferenziate; la prima in pancromatico con risoluzione geometrica di 1 m, la seconda in formato multispettrale con risoluzione di 4 m e la terza nella combinazione pancromatico (risoluzione 1 m) + multispettrale (risoluzione 4 m) nelle bande 4/3/ Tecniche di classificazione convenzionali Correzione preliminare delle immagini da satellite Da un punto di vista operativo, quando si effettua un monitoraggio da satellite della posizione della vegetazione in relazione alla presenza di elettrodotti che abbia caratteristiche di continuità temporale, risulta necessario poter confrontare in modo omogeneo immagini rilevate in tempi diversi. Affinché tale confronto, oltre che visivo, possa essere anche numerico si rende necessaria una normalizzazione delle immagini che permetta di effettuare un controllo sull'evoluzione temporale dei fenomeni indagati. Questa operazione va eseguita sia sulla radiometria delle immagini (correzione radiometrica e atmosferica) che sulla geometria delle stesse (correzione geometrica). Nel caso in esame, poiché con l immagine non vengono forniti i dati di calibrazione, non risulta possibile effettuare alcuna operazione di correzione radiometrica e di rimozione delle ombre. Si è perciò provato ad utilizzare alcuni metodi di correzione basati solamente sulle informazioni presenti nell'immagine a prescindere dal loro significato fisico. I metodi utilizzati sono: Dark Substraction - dove viene sottratto da ogni banda un valore di Digital Number che può essere il minimo presente nella banda, una media dei valori presenti in un'area definita all'interno dell'immagine oppure uno specifico valore. Flat Field Calibration - dove l'immagine viene normalizzata rispetto ad un'area di riflettanza nota. E' necessario individuare un'area di interesse dove viene calcolata la media dei valori presenti e usata come spettro di riferimento, dividendo poi ogni pixel dell'immagine per il valore di riferimento. Questo metodo assume che tutte le variazioni spettrali all'interno dell'area di riferimento siano dovuti all'atmosfera e allo spettro solare IAR Reflectance Calibration - che allo stesso modo del metodo precedente normalizza però l'immagine rispetto alla media dei valori presenti in tutta la scena. Il calcolo di indici di vegetazione telerilevati Per dedurre dai dati spettrali telerilevati una stima dello stato della vegetazione, occorre trasformare, per ogni pixel, i dati espressi nello spazio vettoriale individuato dai canali del sensore, in un valore numerico atto a rappresentare un indice di vegetazione del pixel in questione. Ovvero, si tratta di trovare una relazione analitica che esprima l'indice di vegetazione in funzione dei valori di riflettanza dedotti dai dati registrati dai canali del sensore. Inoltre, attraverso alcune relazioni ricavate empiricamente, è possibile dedurre da un siffatto indice il valore di uno dei tradizionali parametri (Leaf Area Index, biomassa, percentuale di copertura vegetale ed altri) atti a caratterizzare lo sviluppo vegetale. Lo spettro di riflettanza della vegetazione è caratterizzato dagli assorbimenti nel rosso e nel blu legati all'attività fotosintetica, da un picco di riflessione nel verde di modeste dimensioni e da un marcato picco di riflessione nell'infrarosso-vicino; lo spettro di riflettanza dei suoli e delle

12 A3/ /40 rocce è invece caratterizzato da una curva tipicamente monotona crescente con la lunghezza d'onda λ, interrotta ogni tanto da rilevanti assorbimenti in corrispondenza di lunghezze d'onda diverse al variare della composizione mineralogica della roccia. Gli indici di vegetazione tentano di evidenziare il contrasto esistente tra la riflettanza nel rosso e quella nell'infrarosso-vicino, tipico della vegetazione. Alcuni sono definiti semplicemente mediante un rapporto tra i valori di riflettanza (tipicamente il rosso e l'infrarosso-vicino), altri, invece, derivano da trasformazioni che richiedono la conoscenza dello spettro di riflettanza del suolo sottostante la vegetazione La classificazione delle immagini Con il termine di classificazione si intende il processo di riconoscimento dei tipi di superfici contenute nell'immagine (tipo di vegetazione, urbanizzato, acqua, tipo di suolo e di roccia...), basato sull'analisi delle proprietà spettrali degli stessi oggetti da riconoscere. In sostanza, essendo l'immagine organizzata in pixel, si tratta di assegnare ciascun pixel ad una classe di appartenenza, individuata da alcune caratteristiche spettrali. Secondo l'impostazione tradizionale, la classificazione viene effettuata mediante due diversi approcci, la classificazione unsupervised e la classificazione supervised, a ciascuno dei quali fanno riferimento metodi diversi. I due approcci partono da premesse diverse: il primo (unsupervised) non necessita della definizione a priori delle classi, essendo queste dedotte e definite spettralmente direttamente dal contenuto numerico dell'immagine; ciascun pixel viene poi assegnato, secondo diversi algoritmi, alla classe dalle caratteristiche spettrali più simili alle sue. Mentre il secondo (supervised) richiede la conoscenza a priori delle classi che si vogliono indagare; nei punti in cui dalle verità a terra si conosce lo stato di fatto si estraggono dall'immagine le caratteristiche spettrali delle classi; infine l'assegnazione di ciascun pixel ad una classe avviene, analogamente al caso della classificazione unsupervised, secondo gli stessi algoritmi. Nel presente lavoro vengono adottati entrambi i metodi di classificazione, unsupervised e supervised, mettendo poi a confronto i risultati. La necessità di disporre di verità a terra quando si applica il secondo metodo è stata superata effettuando una interpretazione a video dell'immagine satellitare. Il software utilizzato per le operazioni di classificazione è stato ENVI RT della Società Research Systems Inc., che consente di effettuare tutte quelle operazioni necessarie alla interpretazione, classificazione e analisi delle immagini provenienti da sensori satellitari e aviotrasportati. Non disponendo di informazioni relative ad aree a terra utilizzabili per la scelta dei campioni necessari alla classificazione supervised, si è utilizzata la stessa immagine come se fosse una fotografia aerea ed è stata effettuata una fotointerpretazione a video di tutta la superficie di interesse, estraendo poi quelle porzioni necessarie a definire una serie di training set per la classificazione. Risultati sperimentali Il risultato della interpretazione a video dell'immagine da satellite è stato la produzione di una cartografia tematica che traccia un quadro generale delle aree vegetate presenti nell'area di indagine come mostrato in Fig. 1. Si può notare che le aree boschive ricoprono la quasi totalità della superficie, escludendo le aree dei bacini, e interessano completamente il tracciato degli elettrodotti presenti, individuati anch'essi mediante fotointerpretazione.

13 A3/ /40 Figura 1 - Carta tematica dell'area di interesse. Non avendo a disposizione le informazioni relative alle caratteristiche tecnico-spettrali del sensore, si è proceduto ad effettuare una calibrazione dell'immagine solo sulla base del valore del pixel utilizzando i metodi descritti precedentemente (Dark Substraction, Flat Field Calibration e IAR Reflectance Calibration). Il risultato di tali calibrazioni è praticamente identico, e l'unico miglioramento rispetto all'immagine originale risulta essere l'accentuazione del contrasto. Si è pertanto deciso di utilizzare l'immagine corretta mediante l'algoritmo di Dark Substraction, individuando nell'immagine i minimi valori dei pixel nelle singole bande, e sottraendoli a tutti gli altri valori. Gli indici di vegetazione calcolati e utilizzati per la scelta di quello più appropriato sono stati: NDVI, RVI, TVI e SAVI. Come precedentemente illustrato gli approcci utilizzati per la classificazione delle immagini sono stati di due tipi: classificazione unsupervised e classificazione supervised. Poiché la classificazione unsupervised, non è applicabile all'immagine utilizzata per la mancanza di informazioni spettrali legate al sensore utilizzato, sono stati utilizzati solo a titolo di esempio due metodi classici presenti in letteratura. Il risultato ottenuto mediante l algoritmo Isodata è mostrato in Fig. 2. Si noti la grande frammentazione delle classi presenti con la conseguente impossibilità di definire, anche in maniera empirica e non rigorosa, l'appartenenza di queste ad una specifica tipologia di uso del suolo.

14 A3/ /40 Figura. 2 - Classificazione unsupervised mediante algoritmo Isodata. La classificazione supervised è stata invece analizzata più approfonditamente, utilizzando diversi approcci e precisamente: Parallelepiped con massima deviazione standard di 1 Minimum Distance con massima deviazione standard di 3 e 5 Mahalanobis Distance con soglia di distanza pari a 3, 5, 10, 20 e nulla Maximum Likelihood con soglia di probabilità di 0.1 e 0.5 Spectral Angle Mapper (SAM) con massimo angolo in radianti di 0.1 e 0.5. Sono stati estratti i campioni di riferimento da 11 classi di tipologie di uso del suolo individuate attraverso la fotointerpretazione dell'immagine, escludendo la classe riguardante le forme lineari non vegetate in quanto i classificatori utilizzati, per loro natura, sono in grado di individuare categorie riconoscibili solamente per la loro differenza di risposta spettrale e non attraverso l'analisi di altre informazioni (ad es. le forme). Questa classe è stata accorpata a quella relativa alla vegetazione scarsa o nulla. Alcuni esempi dei risultati ottenuti dalla classificazione sono mostrati nelle Fig Le differenze che si possono notare tra la mappa tematica prodotta da fotointerpretazione dell'immagine e le mappe prodotte dalla classificazione automatica delle immagini ad alta risoluzione spaziale sono rilevanti. Meno evidenti invece le differenze con la mappa tematica prodotta dalla classificazione automatica dell'immagine a più bassa risoluzione geometrica (Fig. 5) e quella prodotta dall'uso di un minor numero di categorie di aree test (Fig. 6).

15 Rapporto CESI A3/ /40 Figura 3 -Classificazione supervised mediante classificatore Parallelepided. a) b) Figura. 4 - Classificazione supervised mediante classificatore Minimum Distance: a) con deviazione standard di 3; b) con deviazione standard di 5.

16 A3/ /40 Figura. 5 - Classificazione mediante classificatore SAM dell'immagine con risoluzione di 4 metri. Figura 6 - Classificazione supervised mediante classificatore Maximum Likelihood con numero di classi ridotte. Conclusioni

17 A3/ /40 I risultati della presente indagine, mirata alla valutazione delle potenzialità dei dati forniti dal satellite IKONOS ai fini della mappatura dell uso del suolo, consentono di trarre alcune conclusioni utili ai fini operativi: le immagini satellitari fornite da questo sensore presentano sia nel formato pancromatico che nella combinazione pancromatico + multispettrale una ricchezza di dettagli decisamente inusuale nell ambito delle acquisizioni da satellite; questo fatto, alla luce delle prime elaborazioni condotte, rende apparentemente inadatti questi dati agli approcci di classificazione di tipo automatico e semiautomatico tradizionali; l interpretazione a video delle immagini satellitari è risultato l approccio più adeguato per un corretta determinazione dell uso del suolo; l utilizzo di immagini georeferenziate del tipo Carterra Geo è, da un punto di vista economico, sicuramente più vantaggioso dell esecuzione ex novo di riprese aeree a media scala nel campo dell infrarosso falso colore e, sulla base delle informazioni attuali dei loro costi, anche delle ortofotocarte in scala 1: disponibili per quasi tutto il territorio nazionale; la precisione geometrica raggiungibile è però decisamente scarsa e non paragonabile a quella della Cartografia Tecnica Regionale, in relazione al fatto che per aree come quella presa in esame dove vi è una notevole complessità orografica, è indispensabile effettuare un tipo di correzione geometrica dell'immagine che tenga conto di un modello di elevazione del terreno ad elevata risoluzione spaziale, soprattutto se le informazioni derivate devono essere confrontate con cartografia e tematismi di altra natura e provenienza Tecniche di classificazione non convenzionali Necessità di nuovi classificatori automatici La classificazione automatica per pixel è stata applicata in numerosi problemi di identificazione delle coperture al suolo da immagini telerilevate. Gli approcci più diffusi si basano su tecniche statistiche e neurali. Rispetto agli approcci statistici le reti neurali sono in genere indipendenti dalla distribuzione di classe (distribution free) nel senso che non si assume alcun modello per la distribuzione dei dati delle classi, inoltre mostrano ottime capacità di apprendimento. Occorre tuttavia notare che l'avvento di nuovi sensori per l'osservazione della terra in grado di generare immagini ad elevata risoluzione spaziale del territorio, pone seri limiti di applicabilità alle tecniche per pixel fin qui sviluppate e comporta un ripensamento sull'intero approccio quantitativo alla classificazione di immagini. Osservando le immagini ad alta risoluzione, quali ad esempio quelle acquisite dal satellite Ikonos, si notano numerosi dettagli della scena ritratta. In particolare gli oggetti presenti sulla scena sono caratterizzati da una elevata complessità spaziale e da una indistinguibilità o quantomeno ambiguità spettrale. Il sensore alloggiato sul satellite raccoglie infatti all'interno di ogni singolo pixel dell'immagine l'energia riflessa da un'area molto più piccola rispetto a quella relativa ai sensori a più bassa risoluzione, rendendo pertanto meno significativo il rapporto segnale/rumore. Per un problema poi di dimensione dei dati, la risoluzione spettrale (numero di bande coinvolte nell'acquisizione) è ridotto rispetto ai sensori a più bassa risoluzione.

18 A3/ /40 Tutte queste considerazioni portano alla necessità di nuovi classificatori automatici che mantengano il livello di operatività dei classificatori convenzionali, ma che sfruttino le capacità di estrazione di caratteristiche macroscopiche, spaziali nell'immagine tipiche degli approcci per fotointerpretazione. In altre parole occorre ridefinire, potenziare la fase di estrazione delle caratteristiche che non sarà più semplicemente basata sulla definizione delle bande spettrali da cui estrarre i valori dei singoli pixel, ma consisterà nella quantificazione del contesto spaziale in cui il singolo pixel viene a trovarsi. Il lavoro svolto nel presente studio è rivolto alla individuazione di una nuova strategia di classificazione contestuale finalizzata all'analisi di immagini telerilevate ad alta risoluzione i cui aspetti salienti sono: Un pre-processing dell'immagine basato sull uso di finestre concentriche elaborate mediante metodi piramidali per l'estrazione di informazioni spaziali a differente scala dall immagine da presentare in ingresso al classificatore; L uso di classificatori neurali basati sul modello "Multi Layer Perceptron" (MLP) per facilitare l integrazione di informazioni eterogenee, spaziali e spettrali. La modellizzazione dell output della rete neurale in termini soft rappresentando il risultato del riconoscimento in termini di gradualità di appartenenza alle classi. La piramide cognitiva per l'estrazione di informazioni contestuali Al fine di valutare le influenze del contesto spaziale relativo all'elemento di immagine da classificare è stato utilizzato un approccio basato sull'uso di un insieme di finestre concentriche in sostituzione della (tradizionale) singola finestra fissa. In Fig. 7 viene schematizzato il posizionamento delle finestre concentriche attorno all elemento target che rappresenta l unità minimale di classificazione e che può essere costituito da uno o più pixel. TE F 1 F 2 F M TE F 1 F 2 (A) F M (B) Figura 7 - Schema di posizionamento delle finestre concentriche nella "piramide cognitiva"

19 A3/ /40 Il posizionamento delle finestre concentriche può avvenire sia sullo stesso piano immagine sia su piani immagine differenti. I diversi piani immagine possono ad esempio corrispondere alle diverse bande spettrali di acquisizione dell'immagine. La struttura risultante è chiamata "piramide cognitiva". Il numero e la dimensione iniziale delle finestre dipende dalla risoluzione dell'immagine e dalle caratteristiche del target di riconoscimento. Per esempio l'estrazione di informazioni relative a target continui quali ad esempio le reti viarie richiederà inquadramenti ampi e più livelli della piramide a differenza dei target isolati e concentrati spazialmente quali ad esempio case e tralicci della rete elettrica. Ad ogni livello della piramide parte un processo di ricampionamento finalizzato a ridurre le dimensioni della finestra senza perdita di informazioni significative, riducendo la numerosità dei pixel al fine di rendere la strategia efficiente dal punto di vista computazionale. A tale scopo è stato utilizzato l'approccio di ricampionamento piramidale Gaussiano schematizzato in Fig. 8. Si tratta di una trasformazione multiscala ottenuta attraverso l'applicazione iterativa di un filtro passa-basso. Il passaggio da un livello piramidale al successivo corrisponde ad una decimazione di un fattore 2 dell'immagine filtrata. Classificazione neurale Il processo di estrazione delle caratteristiche precedentemente illustrato ha lo scopo di predisporre gli ingressi alla rete neurale per la fase di addestramento e di classificazione. Il modello neurale a cui si fa riferimento è il "Multi-layer Perceptron" (MLP) costituito da tre livelli (input, hidden, output). La rete è totalmente connessa, ovvero ogni neurone di tutti i livelli (ad esclusione del w w G k+1 G k+1 G k+1 G k G k Figura. 8 - Schema del ricampionamento piramidale Gaussiano finalizzato a ridurre le dimensioni della finestra senza perdita di informazioni significative livello di output) è connesso a tutti i neuroni del livello successivo (vedi Fig. 9). La rete è "feedforward" ovvero i dati di addestramento e di test si propagano dal livello di input al livello di output in modo unidirezionale. La rete viene utilizzata come classificatore soft considerando come output del processo di classificazione le attivazioni dei neuroni di output.

20 A3/ /40 F 1 F 2 F M Input Layer Hidden Layer Output Layer or LTE Figura 9 - Schema di presentazione dei valori di ingresso alla rete neurale Al termine del processo di compattamento, per ogni livello della piramide, si ottiene una i i finestra di pixel G di dimensioni u u. Ad ogni pixel di ciascuna finestra corrisponde N i i i un neurone di input della rete neurale. La dimensione del livello di input della rete sarà pari a u i u i dove M è il numero di finestre concentriche. Il livello di output può essere i= 1K M corrispondente ad un pixel (in questo caso il livello di output sarà configurato con un solo neurone) oppure ad una finestra contenente un insieme NxN di pixels (in questo caso il livello di output sarà configurato con un insieme NxN neuroni). La prima soluzione comporta in genere una migliore accuratezza di classificazione, la seconda una migliore efficienza computazionale. Chiamiamo l'output per entrambe le soluzioni "Target Element" (TE). Lo schema di presentazione dei valori di ingresso al modello neurale è illustrato in Fig. 10 in cui per generalità si indica un output di dimensioni NxN. Il classificatore MLP richiede una procedura di apprendimento supervisionato. In questo contesto l'insieme dei dati di addestramento è costituito da elementi target "etichettati" (LTE). Da un punto di vista operativo, la preparazione dei dati di addestramento avviene identificando una zona di interesse nell'immagine che contenga una casistica completa e consistente delle strutture da classificare. Si consideri per semplicità una sola classe di oggetti da classificare. Ad ogni pixel della zona identificata viene attribuita una etichetta (label) che esprime l appartenenza alla classe. Poiché si opera in modo soft, le etichette saranno in realtà espresse in gradi di appartenenza con valori G Ni

21 A3/ /40 nel range [0,1] (il valore 0 indica la non appartenenza mentre il valore 1 indica la completa appartenenza). Ogni esempio di training, presentato in input alla rete per l'addestramento, è costituito da una coppia di elementi il primo dei quali contiene i valori di grigio del pixel di training, il secondo il grado di appartenenza alla classe. Attività sperimentale Allo scopo di valutare sperimentalmente le prestazioni del metodo di classificazione descritto, la strategia proposta è stata applicata al riconoscimento di oggetti in un'immagine fornita dal satellite IKONOS (la stessa utilizzata per la sperimentazione delle procedure di classificazione convenzionali). Riportiamo a titolo di esempio alcuni dei risultati più significativi. Sostegno1 Sostegno2 Sostegno3 Pancromatico Risoluzione 1-metro Sobel Risoluzione 1-metro Red Risoluzione 1-metro Green Risoluzione 1-metro Figura Descrizione dei 4 piani informativi su cui si sono posizionate le finestre concentriche della piramide cognitiva nel caso di riconoscimento dei sostegni a semplice terna Un primo esperimento ha riguardato il riconoscimento dei tralicci (del tipo "LV" semplice terna) relativi alla linea da 380 kv. I sostegni di questo tipo visibili nell immagine sono tre. L'impostazione dell'attività sperimentale tiene conto della scarsa numerosità degli oggetti su cui è finalizzato il riconoscimento. In condizioni ottimali si seleziona dall'insieme degli oggetti disponibili un sottoinsieme per l'addestramento della rete neurale ed uno per il test, in modo da misurare separatamente le capacità di apprendimento e generalizzazione del classificatore. Dato

22 A3/ /40 l'esiguo numero di sostegni visibile nell'immagine, non è stato possibile realizzare questa separazione, pertanto il classificatore ha a disposizione per la fase di addestramento e la fase di classificazione gli stessi oggetti. Tuttavia per rendere significativi gli esperimenti sono state considerate aree di test molto più ampie delle aree di addestramento. Eventuali errori di omissione (mancato riconoscimento di un sostegno) devono essere interpretati di fatto come errori di apprendimento, mentre errori di commissione (falsi riconoscimenti) sono invece da interpretare come errori di generalizzazione. In Fig. 10 sono riportati i piani informativi su cui si sono posizionate le finestre concentriche della piramide. Ai piani dell immagine sorgente è stato aggiunto un ulteriore piano relativo all immagine filtrata con il filtro di Sobel (un filtro software "passa alto" che consente di enfatizzare dettagli che altrimenti si sarebbero persi durante la procedura di ricampionamento). I piani Red e Green sono stati riportati alla risoluzione di 1 metro mediante una opportuna tecnica di ricampionamento. Nella Fig. 11 sono riportati gli output desiderati ottenuti mediante fotointerpretazione e quelli realmente ottenuti dal classificatore. Come si può notare l'accordo è abbastanza buono per tutti e tre i supporti. Sostegno1 Sostegno 2 Sostegno 3 Output Desiderati Sostegno 1 Sostegno 2 Sostegno 3 Output Ottenuti Figura 11 - Output desiderati ottenuti mediante fotointerpretazione e output realmente ottenuti dal classificatore nel caso di riconoscimento dei sostegni a semplice terna Un secondo esperimento ha riguardato il riconoscimento dei conduttori. Va sottolineato che il riconoscimento dei conduttori è inteso a supporto del riconoscimento dei sostegni permettendo l'individuazione dei tracciati delle linee elettriche. La sovrapposizione del risultato di una classificazione della classe conduttori a quella della classe sostegni permetterebbe di scartare tutti i punti classificati come sostegni ma che non hanno nessun punto di intersezione con i conduttori. I conduttori visibili nell'immagine IKONOS sono anch'essi quelli delle linee a 380 kv. La piramide cognitiva viene configurata con finestre 3x11 e 16x16 rispettivamente sui

23 A3/ /40 piani pancromatico e red. In Fig. 12 vengono riportati i piani informativi su cui si sono posizionate le finestre concentriche della piramide e rispettivamente l output desiderato e l output ottenuto. Conduttori1 Conduttori 2 Pan Red Conduttori1 Conduttori 2 Output Desiderati Conduttori1 Conduttori 2 Output Ottenuti Figura Piani informativi su cui si sono posizionate le finestre concentriche della piramide e rispettivamente l'output desiderato e l'output ottenuto nel caso di riconoscimento dei conduttori Per migliorare questo risultato si è deciso di utilizzare un metodo alternativo di postclassificazione basato sull'applicazione di una rete neurale al risultato di una precedente classificazione, rendendo in questo modo possibile sfruttare la potenzialità del modello piramidale per il riconoscimento delle linee elettriche. Si è pertanto riapplicata la strategia di classificazione piramidale al risultato della classificazione precedente posizionando le finestre direttamente sull immagine di output e sul piano red.

24 A3/ /40 Input Output desiderato Output ottenuto Figura 13 - Risultati ottenuti con la tecnica di post-classificazione In Fig. 13 sono riportati i risultati ottenuti con questa tecnica confrontati con i risultati della classificazione precedente e con l output desiderato ottenuto per fotointerpretazione. E' evidente da questo confronto che il riconoscimento di conduttori ottenuto attraverso processi di post-clasificazione mediante rete neurale risulta essere un approccio estremamente promettente per applicazioni in cui è richiesta l'individuazione automatica (ed eventualmente la georeferenziazione) della giacitura di linee elettriche. Conclusioni L'intera attività sperimentale condotta ha messo in luce la fattibilità di un riconoscimento automatico delle strutture delle linee elettriche utilizzando immagini ad elevata risoluzione spaziale telerilevate da satellite. La metodologia di classificazione basata sull'estrazione di informazioni contestuali e sull'uso di reti neurali si è rivelata uno strumento efficace sia per la flessibilità nell'adattarsi ai diversi oggetti di interesse nel riconoscimento (sostegni, conduttori) sia nel livello di operatività sperimentato nelle varie prove (limitato numero di parametri da configurare in fase di addestramento, limitata complessità di calcolo). La rete neurale una volta configurata ed addestrata risulta essere uno strumento veloce senza oneri per l'analista in fase di classificazione. Una problematica aperta riguarda la possibilità di generalizzazione del metodo alle diverse tipologie di sostegni ed alle diverse situazioni geografiche. L'attività svolta in questo progetto si è basata su dati estratti da una sola immagine IKONOS ottenendo con questi una prima valutazione di accuratezza ed operatività del metodo che deve necessariamente essere estesa ad una casistica completa e consistente derivabile da un set adeguato di immagini.

25 A3/ / Sperimentazione di una tecnica di interferometria con radar ad apertura sintetica per il monitoraggio ad elevata risoluzione dei moti del terreno su superfici estese La piattaforma radar utilizzata Negli ultimi anni hanno assunto particolare rilievo i sistemi radar satellitari di tipo SAR (Synthetic Aperture Radar) le cui applicazioni, per il monitoraggio ambientale e, in generale, per l acquisizione di dati d interesse geografico, sono molteplici. Nel presente lavoro sono stati utilizzati i dati rilevati dai satelliti ESA (European Space Agency): ERS-1 ed ERS-2. Il radar montato a bordo di questi satelliti è un SAR operante nel dominio delle microonde alla frequenza di 5.3 GHz (quindi con una lunghezza d onda λ pari a 5.66 cm). ERS-1 ha acquisito dati dal Luglio 1991 al Marzo 2000, ERS-2 è invece operativo dall estate del I satelliti ERS seguono orbite eliosincrone lievemente inclinate rispetto ai meridiani (Fig. 14) illuminando una striscia di terreno larga circa 100 km da una quota attorno a 780 Km. La direzione parallela all orbita è detta azimuth e coincide approssimativamente con la direzione Nord-Sud. La risoluzione (ovvero la capacità di riconoscere come distinti due bersagli) in azimuth vale circa 5 m. La direzione della congiungente sensore-bersaglio (perpendicolare all orbita ed inclinata di un angolo θ - detto off-nadir - rispetto alla verticale) è detta range oppure Line of Sight (indicata da qui in poi con l acronimo LOS). La risoluzione in range vale circa 8 m. Le immagini radar si sviluppano pertanto lungo le direzioni di range e azimuth, dette usualmente coordinate SAR. Figura 14 - Geometria d acquisizione SAR delle piattaforme ERS-1 ed ERS-2.