Uso di immagini telerilevate nell'infrarosso termico per lo studio delle interazioni fra insediamenti industriali ed ambiente

Transcript

1 B/N.02/DIPIA/07 Uso di immagini telerilevate nell'infrarosso termico per lo studio delle interazioni fra insediamenti industriali ed ambiente Autori: Sergio Teggi, Francesca Despini Aliazione: Dipartimento di Ingegneria Meccanica e Civile, Università di Modena e Reggio Emilia Ricerca nanziata da: Dipartimento Installazioni di Produzione e Insediamenti Antropici 22 Marzo 2010

2

3 i Relazione Finale dell'attività di Ricerca I.S.P.E.S.L. B-02/DIPIA/07: Uso di immagini telerilevate nell' infrarosso termico per lo studio delle interazioni fra insediamenti industriali ed ambiente. A cura di: Sergio Teggi e Francesca Despini Dipartimento di Ingegneria Meccanica e Civile dell' Università di Modena e Reggio Emilia. Via Vignolese 905, 41125, Modena (MO) Tel , sergio.teggi@unimore.it Referente scientico dell' I.S.P.E.S.L.: Dott.ssa Maria Paola Bogliolo Dipartimento Installazioni di Produzione e Insediamenti Antropici Modena, 22 Marzo 2010

4 ii

5 Indice 1 Contenuti della relazione 1 2 Inquinamento termico delle acque e quadro normativo Inquinamento termico delle acque Aspetti normativi Alcune nozioni di base di telerilevamento VIS-SWIR TIR Fasi di pre-elaborazione Mappatura termica delle acque da immagini telerilevate 17 5 Miglioramento spaziale delle mappature termiche di ASTER Metodologia Verica locale delle ipotesi Produzione della mappatura termica per le superci d'acqua Applicazione a due casi reali Pre-elaborazione delle immagini Risultati Studio dei campi di temperatura in corsi d'acqua e in zone costiere Deniens Develeper e l'approccio Object Oriented La procedura di segmentazione La procedura di classicazione Elaborazione della mappatura termica Immagini e le utilizzati Studio di tratti uviali (ALG) Studio di tratti uviali (BINT) Studio dei plume di temperatura (ALG) Studio dei plume di temperatura (BINT) Studio della linea a 50 m dalla costa (ALG, 30 m) Considerazioni conclusive iii

6 Capitolo 1 Contenuti della relazione Questa relazione riassume i risultati più importanti del progetto di ricerca nanziato dall' I.S.P.E.S.L. Uso di immagini telerilevate nell' infrarosso termico per lo studio delle interazioni fra insediamenti industriali ed ambiente (B-02/DIPIA/07). Di seguito sono riportate le motivazioni e gli obiettivi prestabiliti dall' I.S.P.E.S.L. che hanno denito gli ambiti di ricerca entro i quali sono state sviluppate le attività di ricerca. Motivazioni: Il numero dei casi in cui sono utilizzate immagini telerilevate, da satellite o da aereo, per lo studio ed il controllo dell' inquinamento dovuto ad insediamenti industriali è in continuo aumento. La tecnica del telerilevamento è infatti ormai largamente utilizzata per valutare gli eetti provocati dalle attività industriali su vari comparti dell' ambiente circostante, come ad esempio il cambiamento dello stato della vegetazione, l' eutrozzazione dei corpi idrici e le variazioni della tipologia di copertura del suolo. Ciò nonostante, si rileva che la maggior parte delle metodologie sviluppate sono centrate sull' uso di immagini telerilevate nelle regioni spettrali del visibile-vicino infrarosso, mentre le immagini acquisiti nell'infrarosso termico, pur essendo noto l'importante contenuto informativo ambientale che contengono, risultano utilizzate solo raramente. Con questa ricerca si intendono approfondire le potenzialità oerte dalle immagini telerilevate nell' infrarosso termico nel settore del controllo e dello studio delle interazioni insediamenti industriali - ambiente, ed eventualmente denire delle metodologie di utilizzo che possano essere adottate in questo settore. Obiettivi: La ricerca è orientata a valutare le potenzialità oerte da immagini telerilevate nella regione spettrale dell' infrarosso termico nel campo della valutazione e del controllo delle interazione fra insediamenti industriali ed ambiente circostante. In particolare saranno considerate le possibili applicazioni di questa tecnica per la valutazione di eetti quali quelli prodotti dagli scarichi industriali nei corpi idrici e alle variazioni indotte sul micro clima locale. La ricerca dovrà essere sviluppata in modo da ottenere risposte esaustive a varie problematiche di fondamentale importanza, e cioè: quali sono i sensori attualmente disponibili che possono essere utilizzati in questo settore; quali sono le fasi di pre-elaborazione, di elaborazione e di interpretazione necessarie per utilizzare in modo appropriato le immagini; quali 1

7 2 Capitolo 1. Contenuti della relazione sono le informazioni estraibili con un suciente livello di attendibilità per la valutazione degli eetti provocati dalle attività industriali; in quale ambito della valutazione delle interazioni insediamenti industriali - ambiente queste informazioni possono essere utilizzate; i costi. I risultati della ricerca dovranno essere supportati anche da applicazioni reali eettuate su insediamenti industriali da concordare con l'istituto. In seguito ad un'approfondita indagine nella letteratura tecnico-scientica è emerso che gli ambiti di interesse ambientale all'interno dei quali il telerilevamento satellitare si rivela un valido strumento di lavoro per lo studio dell'impatto antropico sull'ambiente sono essenzialmente due: La modica del clima locale; L'inquinamento termico dei corpi idrici. La modica del clima locale [Oke, 1987], spesso indicata col termine di Isola di Calore Urbana (Urban Heat Island), pur essendo di estremo interesse ambientale, è un eetto dovuto alla presenza di grandi insediamenti antropici (città) e per il quale è praticamente impossibile discriminare la componente dovuta alla presenza di insediamenti industriali da quella causata dalle altri componenti urbane (zone residenziali, zone commerciali, traco, ecc.) che generalmente rappresentano la componente principale. Pertanto, questo tema non è stato considerato nella presente attività di ricerca. La relazione è quindi focalizzata interamente sull'inquinamento termico dei corpi idrici. Questo aspetto è trattato dal punto di vista generale, si è cercato cioè di individuare una metodologia di indagine del fenomeno svincolata dalla tipologia della sorgente (industriale, residenziale,... ) rendendola così applicabile ad una più ampia casistica. La relazione è strutturata in vari capitoli nel seguente ordine: Capitolo 2: Nella prima parte del capitolo è riportata un breve introduzione al fenomeno dell'inquinamento termico delle acque, mentre nella seconda parte sono richiamati i principali aspetti normativi in questo ambito. Capitolo 3: In questo capitolo sono richiamati i concetti teorici di base del telerilevamento essenziali per la comprensione dei capitoli successivi. Altre nozioni meno speciche, ma pur sempre importanti, (applicazione delle correzioni atmosferiche, georeferenziazione e ortorettica,... ) possono essere facilmente reperite nell'ampia letteratura del settore. Capitolo 4: L'elemento di base su cui si sviluppa la metodologia di indagine presentata è la mappatura termica (immagine in temperatura) delle superci d'acqua. In questo capitolo sono discusse le potenzialità oerte dai sensori satellitari e su aereo, con particolare riguardo al dettaglio spaziale, per la mappatura termica. Tenuto conto della risoluzione spaziale dei sensori e dei costi di acquisizione delle immagini, emerge che

8 il miglior sensore attualmente utilizzabile è ASTER, in grado di fornire un dettaglio spaziale di 90 m. Questo livello di dettaglio spaziale è però al limite di utilizzabilità, nel senso che diverse valutazioni sui campi termici richieste dalla normativa richiedono una scala spaziale migliore di quella oerta da ASTER. Capitolo 5: Stanti i limiti dettati dalla risoluzione spaziale di ASTER e nell'attesa dei sensori di nuova generazione, in questo capitolo viene presentato un algoritmo, sviluppato in ambiente IDL, per il miglioramento spaziale delle mappature termiche di ASTER, portandole da 90 m a 30 m di risoluzione spaziale. L'algoritmo è prima sinteticamente presentato nei suoi aspetti teorici e software, poi è applicato a due casi reali. Capitolo 6: In questo capitolo è presentata la metodologia di indagine dei campi termici in relazione alle richieste normative. La metodologia e basata sull'uso dei software ENVI e Deniens. Questo secondo software è basato sull'approccio Object Oriented, di non sempre facile comprensione, pertanto nella prima parte del capitolo è fornita una breve presentazione dei concetti di base usati dal software. Successivamente sono mostrate le varie fasi di analisi, presentandole passo per passo ad un caso reale e comprensive delle impostazioni dei due software, mirate allo studio di vari aspetti dello studio dell'inquinamento termico, ed in particolare: Corsi d'acqua: estrazione delle temperature medie delle sezioni trasversali di un tratto del corso d'acqua e confronto con i limiti stabiliti dalla normativa; Acque costiere: individuazione dei plume termici in prossimita della costa, valutazione delle loro temperature medie e massime e confronto con i limiti stabiliti dalla normativa; Acque costiere: estrazione delle temperature lungo tragitti paralleli alla costa ed ad una certa distanza da essa. Questa analisi consente di valutare l'impatto (dierenza di temperatura) prodotto da eventuali plume termici sul copro idrico imperturbato. Confronto con i limiti stabiliti dalla normativa. Le procedure sono state applicate alle mappature termiche ottenute da ASTER sia applicando il miglioramento della risoluzione spaziale (30 m) che dall'immagine originale (90 m). Ciò ha permesso di approfondire il problema dell'importanza della risoluzione spaziale del sensore e della scala di studio appropriata per questo tipo analisi. Le immagini utilizzate come caso-esempio sono allegate in formato elettronico alla presente relazione. 3

9 4 Capitolo 1. Contenuti della relazione

10 Capitolo 2 Inquinamento termico delle acque e quadro normativo 2.1 Inquinamento termico delle acque Aumenti localizzati di temperatura in corpi idrici superciali, come laghi, umi e mari, possono avere importanti eetti negativi sull'ecosistema del corpo idrico stesso. L'inquinamento termico delle acque ha infatti un doppio eetto, essendo in grado di inuenzare la vita in un corpo idrico sia direttamente, variandone la temperatura, sia indirettamente andando ad inuire su una serie di parametri, tra cui densità dell'acqua, salinità, grado di ossigenazione, che a loro volta si ripercuotono sull'ecosistema esistente. Eetti diretti del cambio di temperatura si possono osservare sugli organismi viventi. Ad esempio i pesci sono molto sensibili ad aumenti di temperatura: la trota non sopravvive a temperature superiori ai 25 o C, mentre il luccio ed il pesce rosso tollerano temperature no ai 30 o C; molto più sensibili invece sono le uova, per le quali variazioni anche di un solo grado nella temperatura dell'ambiente possono provocarne la morte. La variazione di densità dell'acqua con la temperatura è uno dei fattori principali nella determinazione della struttura termica di un corpo idrico la quale può avere una notevole inuenza sulle condizioni di vita nel corpo idrico. Ad esempio, quando lo strato superiore del corpo idrico si trova ad una temperatura molto superiore rispetto allo strato inferiore, con una zona ad alto gradiente termico intermedia, si può avere la formazione di una barriera termica (Figura 2.1 sinistra) che rende impossibile il completo rimescolamento verticale. In questa situazione, l'acqua più calda sopra la barriera tende a salire e quella più fredda sotto la barriera ad andare verso il fondale, impedendo così sia la risalita di sostanze nutritive dal fondo verso la supercie, sia l'ossigenazione degli strati profondi tramite gli apporti dall'atmosfera. Nel caso di rilascio di acque reue, direttamente o tramite fognature, all'interno di una massa d'acqua imperturbata, la formazione di una barriera termica, impedisce di usare interamente l'acqua del bacino per diluire e disperdere gli inquinanti, mantenendone alta la concentrazione. Il rilascio di acque reue o di scarichi di acque di rareddamento derivanti 5

11 6 Capitolo 2. Inquinamento termico delle acque e quadro normativo Figura 2.1: (Sinistra) Barriere termiche in un corpo idrico; (Destra) Ossigeno disciolto in acqua in funzione delle temperatura dell'acqua. da attività industriali può essere casa di formazione di barriere termiche. Dal valore di temperatura di un corpo idrico dipende anche l'ossigeno disciolto in acqua (Figura 2.1 destra) denito dalla legge di Henry ([Peavy, 1985]): C O = H(T ) 0.21 [mg/l] (2.1) Dove C v e C L sono le concentrazioni della sostanza in aria (mg/m 3 ) e in acqua (mg/l) rispettivamente, e H è la costante di Henry della sostanza. dove C O è la concentrazione di ossigeno disciolto in mg/l e H (atm), dipendente dalla temperatura dell'acqua, è la costante di Henry per l'ossigeno. Da questa possono essere derivate delle relazioni semplicate come la: C O = T ( o C) 0.25T ( o C) [mg/l] (2.2) La quantità di ossigeno disciolta in acqua è fondamentale per diversi aspetti biologici, quali la velocità di crescita delle popolazioni batteriche, della ora acquatica e la tipologia e la dinamica di biodegradazione (auto depurazione, aerobica o anaerobica) del carico organico presente nel corpo idrico. Per questo ultimo caso si possono citare le ben note curve del BOD (Biochemical Oxygen Demand, [Peavy, 1985]). Un altro aspetto rilevante è la variazione della tossicità di alcuni inquinanti in funzione della temperatura delle acque. Certe sostanze tossiche per i pesci sono più attive a temperature elevate, come ad esempio i cianuri: a 20 o C e in concentrazione di 0.5 mg/l, provocano gravi disturbi nella trota dopo 3 minuti, mentre occorrono 8 minuti a 5 o C per avere lo stesso eetto; per la tinca, più resistente, i tempi divengono rispettivamente di circa 90 minuti a 20 o C e minuti a 5 o C ([Trova, 1997]). Inne, le variazioni di temperatura sono in grado di inuenzare la volatilizzazione di certi microinquinanti riversati, generalmente da scarichi industriali, negli ambienti acquatici. Fra

12 2.2. ASPETTI NORMATIVI 7 queste sostanze vi sono solventi per vernici, come toluene e xilene, o solventi organoalogenati, di cui i più noti sono il cloroformio, la trielina e il percloroetilene, utilizzati in industrie di tipo chimico e meccanico e nelle lavanderie per il lavaggio a secco. Quest contaminanti tendono ad abbandonare la fase acquosa ed a trasferirsi in atmosfera in misura tanto maggiore quanto più è alta la temperatura, sempre seguendo la legge di Henry si ottiene: C v C L = H R T ( m 3 moli 1) (2.3) Dove C v e C L sono le concentrazioni della sostanza in aria (mg/m 3 ) e in acqua (mg/l) rispettivamente e H è la costante di Henry della sostanza. Le variazioni di temperatura di un corpo idrico posso essere dovute a cause naturali o ad attività antropiche. Tra le prime vanno ricordate ovviamente le variazioni dovute al ciclo diurno, generalmente tanto più ampie quanto più il corpo idrico è poco profondo e stagnante, ed al succedersi delle stagioni. Queste variazioni sono particolarmente intense in climi continentali, ad esempio il Po presso Valenza presentava nel Gennaio 1990 temperature dell'acqua di 2.4 o C, contro i 20.7 o C del Giugno dello stesso anno ([Trova, 1997]). Le attività antropiche causa di inquinamento termico sono diverse, fra di esse si hanno la produzione di energia elettrica, ranerie, acciaierie e industrie chimiche. Nella maggior parte dei casi, i processi produttivi coinvolti utilizzano acqua per scopi di rareddamento, attingendola dai corpi idrici e la restituiscono a temperatura più alta. Inoltre, in molti casi le acque vengono restituite addizionate di alcune sostanze dannose per l'ambiente, come l'idrazina, atte ad impedire la oritura algale o fenomeni di corrosione negli impianti di rareddamento. Queste sostanze, oltre ad essere consumatrici d'ossigeno, sono generalmente sospetti agente cancerogeno. 2.2 Aspetti normativi L'inquinamento termico delle acque superciali e, contestualmente, i criteri per la denizione del concetto di qualità delle acque sono trattati in diverso contesti normativi. Fra i principali sono di seguito brevemente citati alcuni riferimenti presi dalla normativa statunitense, europea ed italiana. Nel quadro legislativo statunitense la normativa di riferimento per la protezione della risorsa idrica è il Clean Water Act (CWA) [US-EPA, 2002], che nasce dagli Emendamenti del 1972 del Congresso degli Stati Uniti per il controllo federale dell'inquinamento acquatico. Questo documento è la prima legge riguardante l'inquinamento delle acque (tratta solo le acque superciali, delle acque sotterranee si occupa il Safe Drinking Water Act del 1974), e ha come obiettivo quello di eliminare gli scarichi in acqua da grandi quantità di sostanze nocive, oltre che al raggiungimento di livelli minimi di integrità delle acque superciali, tali da garantirne l'uso e consumo da parte dei cittadini. Questa normativa era inizialmente focalizzata soprattutto sulla regolamentazione ed il monitoraggio delle cosiddette sorgenti

13 8 Capitolo 2. Inquinamento termico delle acque e quadro normativo puntuali, quali le condotte di scarico dei liquami industriali e fognari. Nell'ultimo decennio essa si è rivolta in modo sempre più approfondito anche alle sorgenti diuse, cioè alle fonti di inquinamento idrico la cui emissione non può essere ricondotta ad una sorgente precisa. Rientrano in questa categoria i campi agricoli fertilizzati in modo improprio, la percolazione delle acque di dilavamento stradale, gli inquinanti aeriformi che aderiscono chimicamente o sicamente alle gocce di pioggia o di nebbia e vengono trascinati a terra, le falde acquifere inquinate. Per quanto riguarda i procedimenti di bonica e monitoraggio previsti dalla norma, anche in questo campo si può dire che il CWA abbia subito un'evoluzione nel tempo, passando da un approccio di tipo causa-eetto o inquinante specico-bonica specica, trattando i casi di inquinamento separatamente e ad un sistema integrato di gestione ambientale, che ha come obiettivo il raggiungimento di standards di qualità globali per il corpo idrico. Questo sistema integrato di controllo e bonica delle acque inizia con la redazione dei Water Quality Standards, riguardanti ad esempio le concentrazione di inquinanti, la temperatura delle acque e il ph. Questi valori di riferimento hanno lo scopo di tradurre gli obiettivi generici stabiliti dal programma originario, in criteri numericamente quanticabili per valutare la salute del corpo idrico. Questi criteri dipenderanno dall'uso al quale il corpo idrico è designato e dall'uso attuale. Per quanto riguarda specicatamente la temperatura dei corpi idrici, la maggior parte della normativa è contenuta nella Sezione 316(b) del CWA, riguardante le strutture utilizzanti acqua di rareddamento (Cooling Water Intake Structures). In questa sezione si richiede che la localizzazione, il progetto, la costruzione e l'utilizzo di impianti di rareddamento delle acque si avvalgano della migliore tecnologia disponibile (BAT, Best Available Technique) allo scopo di minimizzare gli eetti avversi sull'ambiente circostante. Poiché l'aumento di temperatura può rappresentare un impatto notevole sull'ambiente idrico, questa parte del CWA si applica alle industrie che usano grandi volumi d'acqua proveniente da laghi, umi, baie, estuari, oceani come mezzi per rareddare i loro impianti, allo scopo di mitigare l'impatto termico per questi ambienti. Nell'ambito della Comunità Europea, la direttiva quadro per la gestione della risorsa idrica è la direttiva n.60 del 23 Ottobre 2000 [EC, 2000], denominata Water Framework Directive. Questa direttiva abroga sette direttive risalenti al quinquennio riguardanti: le acque superciali e due direttive ad esse correlate riguardo ai metodi di misura, alla frequenza di campionatura, ed agli scambi di informazioni sulla qualità delle stesse; le acque per allevamento di pesci, molluschi e crostacei; le acque sotterranee ed inne una direttiva riguardo allo scarico di sostanze pericolose in ambienti idrici. Questa direttiva ssa una serie di obiettivi chiave fra i quali: espandere la protezione a tutte le acque, superciali e sotterranee; realizzare la condizione di status buono per tutte le acque entro un certo termine temporale; gestire la risorsa idrica uviale il più possibile attraverso il modello di bacino uviale (River Basin Management); sviluppare un approccio combinato (Combined Approach) tra valori limite di emissione e standard di qualità. Per quanto riguarda l'inquinamento termico, la direttiva inserisce la temperatura dell'acqua fra i parametri sico-chimici generali sui quali eettuare il monitoraggio, ma non fornisce alcun limite quantitativo, delegandone la s-

14 2.2. ASPETTI NORMATIVI 9 sazione agli Stati Membri, nel rispetto comunque di altre direttive, in particolare rispetto alla dir. n.61 del 24 Settembre 1996 denominata Direttiva sulla prevenzione e riduzione integrate dell'inquinamento (IPPC, Integrated Pollution Prevention and Control) (EC, 1996). L'IPPC si propone di minimizzare le emissioni inquinanti derivanti da sorgenti industriali su tutta l'unione Europea, creando un sistema basato sui seguenti principi: l'utilizzo obbligatorio per l'azienda delle BATs (Best Available Techniques) cioè delle tecnologie migliori sul mercato in relazione all'uso specico o alla lavorazione che viene eettuata; un approccio integrato fondato sull'uso dei cosiddetti permessi ambientali, cioè autorizzazioni ad impattare sull'ecosistema entro un certo limite, riguardanti emissioni in acqua, aria, terra, generazione di riuti, uso di materie prime, ecienza energetica, rumore, prevenzione di incidenti e ripristino dei siti contaminati; essibilità nella concessione delle suddette autorizzazioni, tenendo conto dei fattori ambientali e geograci che inuiscono sulla vita dell'azienda; miglioramento della partecipazione pubblica, in accordo con i principi della Conferenza di Aarhus. All'interno di questa normativa in particolare nell'allegato IV: Considerazioni da tener presenti nella determinazione delle migliori tecniche disponibili, si parla al punto n.9 di Consumo e natura delle materie prime ivi compresa l'acqua usata nel processo e ecienza energetica, quindi dell'acqua di rareddamento e conseguentemente del riscaldamento che essa potrebbe subire. Esistono inoltre tre direttive, la 609/88/EEC; la 94/66/EEC e la 80/2001/EC, che esaminano più a fondo le emissioni derivanti da impianti che funzionano con combustione di grandi quantità di materie prime, come le centrali termoelettriche, che d'altronde utilizzano molta acqua per il rareddamento attingendola da corpi idrici limitro. Le direttive però si occupano solo dell'emissione in aria, omettendo quella in acqua. Sembra quindi che nella legislazione comunitaria non sia presente una sezione che si occupi solo di impianti di raffreddamento dal punto di vista dell'acqua come era negli Stati Uniti con la Sezione 316(b) del Clean Water Act. Per quanto riguarda il quadro normativo nazionale, si fa riferimento al Decreto Legislativo n.152 del 3 aprile In questo decreto la tutela delle acque viene trattata nella Parte III, Difesa del suolo e lotta all'inquinamento, tutela delle acque dall'inquinamento e gestione delle risorse idriche (che abroga e sostituisce il D.Lgs.152/1999). In particolare nella Sezione II intitolata Tutela delle acque dall'inquinamento, nel Titolo II: Obiettivi di qualità, all'art.78: Standard di qualità per l'ambiente acquatico al comma 1 si dice che: Ai ni della tutela delle acque superciali dall'inquinamento provocato dalle sostanze pericolose, i corpi idrici signicativi di cui all'articolo 76 devono essere conformi entro il 31 dicembre 2008 agli standard di qualità riportati alla Tabella 1/A dell'allegato 1 alla parte terza del presente decreto, la cui disciplina sostituisce ad ogni eetto quella di cui al decreto ministeriale 6 novembre 2003, n.367. In questo contesto, per corpi idrici signicativi si intendono sia quelli superciali che quelli sotterranei. L'Allegato I si occupa di Monitoraggio e classicazione delle acque in funzione degli obiettivi di qualità ambientale, denendo sia i corpi idrici che devono essere censiti e controllati sia i criteri che ci permettono di descrivere il livello di qualità degli stessi. Sono inoltre esplicitate anche le categorie di qualità, che

15 10 Capitolo 2. Inquinamento termico delle acque e quadro normativo sono esattamente le stesse già descritte nella direttiva 60/2000. Nell'elenco di questi criteri sotto la categoria Elementi chimici e sico-chimici a sostegno degli elementi biologici, titolo che sottolinea sia la forte interdipendenza tra gli esseri viventi acquatici e condizioni siche dell'ambiente (come appunto la temperatura), sia la grande importanza che il Decreto attribuisce ai parametri di qualità biologici, troviamo specicatamente l'indicatore Condizioni termiche. Nell'Allegato II Criteri per la classicazione dei corpi idrici a destinazione funzionale vengono dati dei limiti alla temperatura dell'acqua in funzione dell'uso. Altri limiti, sia di temperatura massima che di aumento di temperatura che di temperatura nel periodo di riproduzione, sono dati per le acque di coltura di molluschi, pesci e crostacei. Maggiori informazioni riguardo all'inquinamento termico sono invece contenute nella disciplina degli scarichi reui in acque superciali o in fognatura: all'art.101 Criteri generali della disciplina degli scarichi comma 1, si legge: Tutti gli scarichi sono disciplinati in funzione del rispetto degli obiettivi di qualità dei corpi idrici e devono comunque rispettare i valori limite previsti nell'allegato 5 alla parte terza del presente decreto. [..]. Nell'Allegato 5 Limiti di emissione negli scarichi idrici, ed in particolare nella Tabella 3 Valori limiti di emissione in acque superciali e in fognatura alla voce temperatura si legge: Per i corsi d'acqua la variazione massima tra le temperature medie di qualsiasi sezione del corso d'acqua a monte e a valle del punto di immissione non deve superare i 3 o C. Su almeno la metà di qualsiasi sezione a valle tale variazione non deve superare i 1 o C. Per i laghi la temperatura dello scarico non deve in nessun caso superare i 30 o C e l'incremento di temperatura del corpo del recipiente non deve in nessun caso superare i 3 o C oltre i 50 metri di distanza dal punto di immissione. Per i canali articiali, il massimo valore medio della temperatura dell'acqua di qualsiasi sezione non deve superare i 35 o C, la condizione suddetta è subordinata all'assenso del soggetto che gestisce il canale. Per il mare e per le zone di foce dei corsi d'acqua non signicativi, la temperatura dello scarico non deve superare i 35 o C e l'incremento di temperatura del corpo recipiente non deve in nessun caso superare i 3 o C oltre i 1000 metri di distanza dal punto di immissione. Deve inoltre essere assicurata la compatibilità ambientale dello scarico con il corpo recipiente ed evitata la formazione di barriere termiche alla foce dei umi.

16 Capitolo 3 Alcune nozioni di base di telerilevamento Di seguito sono riportate sommariamente le relazioni siche di base che rappresentano il punto di partenza per ogni analisi modellistica e interpretativa di immagini telerilevate. Gli intervalli elettromagnetici di interesse sono due: quello fra il visibile e l'infrarosso ad onda corta (VIS-SWIR, 0.4 µm 2.5µm) e l'infrarosso termico (TIR, 3µm 20µm). 3.1 VIS-SWIR Questa ragione spettrale, pur non essendo idonea alla valutazione della temperatura super- ciale, è comunque di estremo interesse nell'ambito di questa ricerca in quanto da essa si possono ricavare varie informazioni sull'ambiente costiero. Facendo riferimento alla Figura 3.1, le relazioni che descrivono le misure telerilevate nel VIS-SWIR sono: dove: L m = L u + L m è la radianza misurata dal sensore (W µm 1 m 2 sr 1 ); L u è la radianza diusa dall'atmosfera verso il sensore ; L 0 è la radianza solare esoatmosferica; L d è la radianza diusa dall'atmosfera verso la supercie; ρ 1 ρ e s τ u (L 0 βτ d + L d ) + L d,e (3.1) τ d e τ u sono le trasmittanze atmosferiche del cammino ottico sole-supercie e supercie sensore (adim.); ρ e ρ e sono le riettanze superciali dell'elemento di supercie visto dal sensore (pixel) e della supercie circostante (adim.); s è l'albedo atmosferica verso il basso (adim.); β è un fattore che tiene conto della variazione di illuminazione solare di un pixel in funzione dell'orientamento della supercie e della posizione del sole (adim.). Nel caso di una supercie orizzontale si ha β = cos (θ s ) dove θ s è l'angolo zenitale solare; 11

17 12 Capitolo 3. Alcune nozioni di base di telerilevamento Figura 3.1: Schema del telerilevamento nel VIS-SWIR L (d,e) è la radianza diusa dall'atmosfera verso il sensore dovuta alla riessione dei pixel adiacenti. Ad eccezione di β, tutti i termini dell'equazione 3.1 sono dipendenti dalla lunghezza d'onda. I sensori adibiti al telerilevamento misurano valori di radianza non ad una singola lunghezza d'onda ma in un intervallo spettrale, generalmente molto stretto, tecnica chiamato banda. L'equazione 3.1 dovrebbe quindi essere riscritta in funzione della banda e non di una singola lunghezza d'onda. In realtà questo passaggio è concettualmente molto semplice: l'equazione 3.1 rimane nella forma sopra riportata, ma in essa si considerano i valori in banda anziché quelli monocromatici. Il passaggio avviene utilizzando la funzione risposta del sensore per una specica banda: f b = 0 L 0 (λ) f (λ) Φ b (λ) dλ 0 Φ b (λ) dλ (3.2) dove f (λ) e f b sono il valore monocromatico e il valore in banda e Φ b è la funzione risposta del sensore nella banda b. Solitamente, l'interpretazione dell'immagine telerilevata avviene partendo dal valore di riettenza ottenuta invertendo l'equazione 3.1. Questo comporta la conoscenza, tramite misure dirette o modellazioni, di tutte le restanti variabili, la maggior parte delle quali sono variabili atmosferiche, ad eccezione della radianza misurata. Per valutazioni approssimate si riscorre spesso al concetto di riettenza apparente ρ :

18 3.2. TIR 13 Figura 3.2: Schema del telerilevamento nel TIR ρ = L m L 0 β (3.3) L'uso della riettenza apparente al posto di quella reale comporta la valutazione, per ogni caso cosniderato, dell'errore introdotto. Per un maggiore dettaglio delle relazioni riportate si vedano ad esempio i lavori di Richter [1997] e di Vermote et al. [1997]. 3.2 TIR Le relazioni usate nell'infrarosso termico sono analoghe al caso precedente, con l'importante variazione che in questa regione spettrale la sorgente di energia primaria è la supercie terrestre, mentre il contributo solare può essere trascurato (3.2). In questo caso la radianza misurata dal sensore è data dalla: dove: L m radianza misurata dal sensore (W µm 1 m 2 sr 1 ); L u radianza emessa dall'atmosfera verso il sensore ; L g radianza emessa dalla supercie; L d la radianza emessa dall'atmosfera verso la supercie; L m = L u + L g τ u + L d τ u (1 ε) (3.4)

19 14 Capitolo 3. Alcune nozioni di base di telerilevamento τ u trasmittanza atmosferica del cammino ottico supercie sensore. ε emissività della supercie (adim.). Il termine di radianza emesso dalla supercie può essere espresso usando la legge di Planck per un corpo reale: L g (λ, T ) = ε c 1 λ 5 [ exp ( c2 λt ) 1 ] (3.5) Dove c 1 e c 2 sono la prima e la seconda costante radiativa della legge di Planck. Combinando le equazioni 3.4 e 3.5, dopo con alcuni semplici passaggi, si ottiene la relazione che esprime la temperatura della supercie in funzione della radianza telerilevata: T = c 2 λ ln { ετ uc 1 λ 5 [L m L u L d τ u(1 ε)] + 1} (3.6) Anche in questo caso, i termini dell'equazione 3.6 sono, ad eccezione delle costanti, dipendenti dalla lunghezza d'onda. Quindi, al ne di potere applicare questa relazione ai dati telerilevati occorre trasformare le varie grandezze spettralmente continue in grandezze in banda, e per fare questo si usa una relazione del tutto simile all'equazione 3.2: 0 f (λ) Φ b (λ) dλ f b = (3.7) 0 Φ b (λ) dλ Anche nell'equazione 3.6 compaiono varie grandezze, atmosferiche e superciali, di non facile valutazione, e pertanto spesso si usano relazioni approssimate. La prima consiste nell'approssimare la supercie telerilevata a quella di un corpo nero (ε = 1): T = c 2 λ ln { τ uc 1 λ 5 [L m L u] + 1} (3.8) Questa approssimazione è generalmente accettabile qualora si abbiano valori di emissività prossimi all'unità. Nel caso dell'acqua, l'approssimazione di corpo nero sarebbe accettabile, tuttavia per questo tipo di supercie l'emissività è nota con un buon margine di condenza (in Figura 3.3 è riportata la riettanza %, la quale è il complementare a 100 dell'emissività %) [Salisbury and Daria, 1992] e nell'intervallo 8 µm 12µm, di interesse per questa ricerca, è solitamente assunta uguale a 0.985, ottenendo così: T = c 2 λ ln { c 1 λ 5 [L m L u 0.015L d τ u] + 1} (3.9) Ritenere trascurabili i termini atmosferici è invece una approssimazione molto più discutibile, e deve essere valutata caso per caso (p.e.teggi et al. [1998]). Per le superci di acqua, quest'approssimazione consiste nell'uso della relazione: T = c 2 λ ln { c 1 λ 5 L m + 1 } (3.10)

20 3.3. FASI DI PRE-ELABORAZIONE 15 Figura 3.3: Riettanza % dell'acqua (100(1 ε)) nel TIR 3.3 Fasi di pre-elaborazione In generale, prima di passare alla fase interpretativa delle immagini telerilevate sono necessarie diverse fasi di pre-elaborazione. Fra le più importanti nell'ambito della mappatura termica delle acque costiere e interne vi sono: Calibrazione radiometrica: consiste nella trasformazione dei valori digitali grezzi delle immagini in radianza misurata dal sensore. La trasformazione è un semplice polinomio del primo ordine (retta) i cui coecienti sono forniti banda per banda come dati ausiliari dell'immagine; Correzioni atmosferiche: consiste nella rimozione degli eetti atmosferici dalle misure telerilevate. Questo aspetto è già stato presentato nelle sezioni precedenti; Georeferenziazione e Ortorettica: con la prima operazione ogni pixel dell'immagine viene inquadrato in un sistema di riferimento cartograco o geograco, mentre con la seconda vengono rimosse le distorsioni geometriche dovute alla ripresa delle immagini su zone montagnose. Molto spesso le immagini sono distribuite parzialmente o totalmente elaborate, nel senso che alcune (o tutte) le operazioni di pre-elaborazione sono già state eettuate.

21 16 Capitolo 3. Alcune nozioni di base di telerilevamento

22 Capitolo 4 Mappatura termica delle acque da immagini telerilevate Il telerilevamento satellitare o da aereo rappresenta uno strumento molto valido per la mappatura termica delle acque costiere (mari, laghi) e uviali. Il requisito fondamentale che i sensori (radiometri) utilizzati devono possedere è quello di possedere una o più bande nell'infrarosso termico (TIR). Ciò nonostante, l'acquisizione di immagini anche nel Visibile-Vicino Infrarosso (VNIR) è comunque di estrema utilità in diverse fasi della mappatura termica, come ad esempio l'individuazione della linea di costa e dei copri idrici interni. Fra i sensori maggiormente utilizzati si possono elencare: MODIS (Multispectral Infrared and Visible Imaging Spectrometer): alloggiato sui satelliti polari Terra e Aqua. Possiede 36 bande spettrali, di cui 20 nel VNIR e 16 nel TIR. Le bande VNIR hanno risoluzione spaziale variabile fra 250 m e 1 km, le bande TIR hanno risoluzione spaziale di 1 km. AVHRR (Advanced Very High Resolution Radiometer): sensore alloggiato sui satelliti della serie NOAA. Acquisisce immagini su 2 bande nel VNIR e 2 bande nel TIR. Una quinta banda è in acquisizione variabile: nel VNIR di giorno, nel TIR di notte. La risoluzione spaziale è di 1 km ATSR ((Advanced Along-Track Scanning Radiometer): installato sui satelliti ERS-1 e ERS-2. Ha tre bande nel TIR e una nel VNIR, tutte con risoluzione spaziale di 1 km. ASTER (Advanced Spaceborne Thermal Emission and Reection Radiometer): alloggiato sul satellite polare Terra. Possiede 14 bande spettrali, di cui 5 nel TIR e 9 nel VNIR. La risoluzione spaziale della bande VNIR varia fra 15 m e 30 m, mentre nel TIR è di 90 m. ETM+ (Enhanced Thematic Mapper Plus): sensore satellitare alloggiato sul satellite polare Landsat7. Ha una banda nel TIR con risoluzione spaziale di 60 m e 6 nel VNIR con risoluzione spaziale di 30 m. Possiede inoltre una banda pancromatica con 17

23 18 Capitolo 4. Mappatura termica delle acque da immagini telerilevate risoluzione spaziale di 15 m. Purtroppo, dal 2003, una componente meccanica di questo sensore (lo Scan Line Corrector) mostra evidenti malfunzionamenti, comportando un notevole degrado della qualità delle immagini. TIMS (Thermal Infrared Multispectral Scanner): sensore aviotrasportato con 6 bande distribuite nel TIR. La risoluzione spaziale (dimensione del pixel dell'immagine) è variabile (dipende dalla quota di volo) e solitamente è di pochi metri. MIVIS (Multispectral Infrared and Visible Imaging Spectrometer): sensore aviotrasportato, 102 bande distribuite fra il VNIR (92) e il TIR (19). La risoluzione spaziale (dimensione del pixel dell'immagine) è variabile (dipende dalla quota di volo) e solitamente è di pochi metri. DAIS (Digital Airborne Imaging Spectrometer): sensore aviotrasportato, 102 bande distribuite fra il VNIR (92) e il TIR (19). La risoluzione spaziale è variabile e solitamente è di pochi metri. Tutti i sensori elencati sono stati utilizzati in numerose applicazioni di mappatura termica superciale, ciò nonostante la maggior parte di essi presenta notevoli limitazioni quando si tenta di valutare la temperatura delle acque in ambiente costiero o di corsi d'acqua interni. Il fattore limitante principale è la risoluzione spaziale dei sensori, cioè il minimo dettaglio spaziale che essi sono in grado di cogliere. E' immediato intuire che i sensori con risoluzione spaziale superiore ai 100 m non siano quindi utilizzabili per l'individuazione e la caratterizzazione di plume di termici dovuti ad attività antropiche in zone costiere o lungo tratti uviali. Per quanto riguarda i sensori con risoluzioni spaziali inferiori ai 100 m, in letteratura sono reperibili diverse applicazioni e casi di studio [Kay et al., 2005],[Ritchie et al., 2003], [Tcherepanov et al., 2005], [Wu et al., 2007]. Handcock et al. [2006] e Cherkauer et al. [2005] nei loro lavori hanno studiato le potenzialità dei sensori ASTER e ETM+ per la mappatura termica dei umi nell'area della costa nordoccidentale dell'oceano Pacico (USA), concludendo che, nel loro caso, è stata vericata la legge dei tre pixel, secondo la quale ASTER e ETM+ sono in grado di fornire direttamente le mappature termiche dei corsi d'acqua con larghezze > 270 m e > 180 m rispettivamente. Gli autori di questi studi stimano che un leggero miglioramento di queste prestazioni possa essere ottenuto utilizzando tecniche di unmixing [Gillespie, 1992] per risolvere il problema dei pixel misti, ma ciò comporta notevoli dicoltà modellistiche. Sulla base di queste esperienze gli unici sensori, fra quelli sopra riportati, che sembrano utilizzabili in questo ambito di ricerca sono ASTER, ETM+ e i sensori aviotrasportati. L'uso di questi ultimi sensori però presenta notevoli dicoltà operative. Essi richiedono infatti l'organizzazione e il nanziamento di campagne di misura aerea appositamente organizzate, conseguentemente non sono stati presi in considerazione in questo lavoro. Analogamente, non è stato considerati l'etm+ in quanto, come già menzionato, non è più in grado di

24 fornire misure attendibili, anche se la sua riattivazione (lancio di un nuovo satellite con versione migliorata del sensore) è molto probabile. Questa attività di ricerca è quindi stata focalizzata sul sensore ASTER, ciò nonostante le metodologie studiate ed applicate e le conclusioni raggiunte sono trasferibili ad altri sensori con uguale o migliore risoluzione spaziale di prossima attivazione. In Tabella 4.1 sono riassunte le principali caratteristiche di ASTER, mentre la descrizione dettagliata del sensore è riportata nel manuale di Abrams et al. [2002]. Tabella 4.1: Caratteristiche del sensore ASTER [Abrams et al., 2002] Subsystem Band Number Spectral Range (µm) Spatial Resolution (m) VIR N B SWIR TIR Dalle già menzionate esperienze reperite in letteratura ed adottando la regola dei tre pixel si potrebbe quindi dedurre dedurre che il dettaglio spaziale della mappatura termica ottenibile da ASTER sia nel migliore dei casi 270 m, escludendo in tal modo la maggior parte dei corsi d'acqua italiani e penalizzando fortemente le zone costiere. va ricordato però che la regola dei tre pixel è abbastanza conservativa. Nel lavoro di McBratney et al. [2003], dedicato alla mappatura digitale di proprietà dei suoli e nel quale sono considerate anche le immagini telerilevate, riporta diversi criteri per valutare il dettaglio spaziale di un'immagine digitale. Secondo un primo criterio, proposto da Bishop et al. [2001], il dettaglio di una mappa del suolo generata a partire da una serie di misure sperimentali è denito in primo luogo dal block size delle misure, che nel caso di immagini digitali coincide con la dimensione del pixel. Il block size viene poi fatto coincidere cartogracamente con l'area minima distinguibile su una carta, valutata in 1 mm 1 mm. E' quindi facile dedurre che l'area minima mappabile con un immagine ASTER acquisita nel TIR è di 90 m 90 m e che questa corrisponde ad una scala cartograca di 1 : Notare che questo collegamento alla scala cartograca è notevolmente diversa da quella più classica basata sull'errore di gracismo (0.2 mm) e 19

25 20 Capitolo 4. Mappatura termica delle acque da immagini telerilevate secondo la quale la scala cartograca corrispondente sarebbe di 1 : Un secondo criterio indicato sempre nel lavoro di Bishop et al. [2001], è analogo al primo ma in questo caso, seguendo il teorema del campionamento (frequenza di Nyquist) il block size viene fatto corrispondere a 2 pixel 2 pixel, abbassando in tal modo la stima della scala cartograca a 1 : Da queste valutazioni, e da altre simili qui non riportate, emerge immediatamente una prima considerazione: il collegamento fra risoluzione spaziale di un sensore, ASTER nello specico, e il concetto di scala è molto incerto. Questo problema è spiegato in dettaglio nel lavoro di Wu and Li [2009], dal quale emerge chiaramente che il concetto di scala non è univoco. In particolare sono deniti sei tipi di scala, fra i quali quello che maggiormente si adatta al contesto di questa attività di ricerca è quello di scala di osservazione (Observation Scale) che, nel caso di immagini telerilevate, coincide con la dimensione del pixel e non ha legami con la scala di rappresentazione cartograca. Sulla base di queste considerazioni, nel presente studio si è stimato, in modo cautelativo, che le mappature termiche ottenibili dal sensore ASTER abbiano un dettaglio spaziale compreso fra 180 m (block size = 2 pixel) e 90 m (block size = 1 pixel e corrispondente alla scala di osservazione), e che la corrispondente scala cartograca sia compresa fra 1 : e 1 : , fermo restando che quest'ultima valutazione è molto discutibile proprio dal punto di vista concettuale. Avere comunque una valutazione, anche se in linea di massima, della scala cartograca permette di fare un'altra considerazione interessante. Le scale di rappresentazione più appropriata per lo studio del fenomeno di inquinamento termico delle acque da attività antropica sono senz'altro quelle che partono dalla scala topograca, da 1 : a 1 : salire no alle mappe (< 1 : ). Le immagini ASTER TIR possono essere quindi qualitativamente pensate, nella migliore delle ipotesi, come al limite inferiore della scala topograca. E' ragionevole pensare che la mappatura termica ottenibile da ASTER sicuramente non rappresenterà i corsi d'acqua con larghezze inferiori a 90 m, mentre rappresenterà in modo poco adabile corsi d'acqua con larghezze comprese fra 90 m e 180 m. Appare quindi evidente che molti corsi d'acqua importanti dal punto di vista dell'impatto antropico non possono essere studiati con questo sensore. Considerazioni del tutto analoghe si possono fare per il dettaglio costiero. ASTER comunque ore vantaggi molto importanti: le misure radiometriche nel TIR sono di buona qualità; è un sensore consolidato per il quale esiste un'ampia letteratura tecnico-scientica corredata di vari algoritmi di elaborazione e interpretazione delle immagini; è possibile richiedere immagini già parzialmente pre-elaborate (correzioni atmosferiche, conversione in temperatura al suolo, georeferenziazione); è a basso costo (le immagini di archivio costano un centinaio di EU, mentre le nuove acquisizioni superano di poco il migliaio di EU); ha un buon tempo di rivisitazione (16 d).

26 Per questi motivi e nell'attesa della messa in orbita di sensori TIR con miglior risoluzione spaziale oppure della ripristino del sensore ETM+, questo studio è stato corredato di un algoritmo per il miglioramento della risoluzione spaziale delle mappature termiche su acqua dell'aster portandola da 90 m a 30 m. In questo modo, le mappe termiche ottenute possono essere ritenute adabili per corpi idrici con dimensioni superiori a 60 m, adabili con cautela per dimensioni fra 30 m e 60 m ed non adabili per dimensioni inferiori. Il livello di dettaglio così ottenuto rientra sicuramente nell'ambito della scala topograca. 21

27 22 Capitolo 4. Mappatura termica delle acque da immagini telerilevate

28 Capitolo 5 Miglioramento spaziale delle mappature termiche di ASTER In questo capitolo è brevemente presentato l'algoritmo sviluppato per il miglioramento delle mappature termiche di acque costiere e interne ottenute da immagini ASTER. L'algoritmo è abbastanza generalizzabile, nel senso che, con minimi cambiamenti, può essere riadattato anche per altri sensori, ed in particolare per l'etm+, il quale molto probabilmente, sarà nuovamente disponibile in un futuro non troppo lontano. L'utilità di questo algoritmo è dettata dall'attuale indisponibilità di sensori satellitari TIR con dettaglio spaziale idoneo per il riconoscimento e la caratterizzazione degli scarichi di calore a mare da impianti industriali. Le agenzie spaziali internazionali che si occupano di telerilevamento satellitare molto probabilmente realizzeranno a breve sensori TIR con risoluzioni spaziali < 30 m, permettendo quindi la mappatura termica delle acque direttamente ad una scala spaziale adeguata. La spiegazione dettagliata dell'algoritmo, che include anche la validazione dei risultati, esula dagli scopi di questa relazione e può essere reperita nel lavoro di Teggi [In Press]. Di seguito sono illustrate le base teoriche e modellistiche dell'algoritmo e due applicazioni a casi reali. La procedura software, in linguaggio IDL (Interactive Data Language), che realizza L'algoritmo completo è disponibile presso il Dipartimento di ingegneria Meccanica e Civile di Modena. Le tecniche per il miglioramento della risoluzione spaziale delle immagini telerilevate sono generalmente basate su algoritmi di fusione di immagini. Nella maggior parte dei casi queste tecniche sono mirate al miglioramento della risoluzione spaziale di immagini multi spettrali iniettando in esse il dettaglio spaziale estratto da un'immagine a miglior risoluzione spaziale, solitamente acquisita da un sensore pancromatico (Pan Sharpening). In questo caso i requisiti fondamentali sono due: 1) l'area ripresa deve essere la stessa, 2) le immagini ad alta e a bassa risoluzione spaziale devono presentare un minimo di ricoprimento spettrale, al ne di garantire un buon grado di correlazione fra esse. Spesso il secondo requisito non è rispettato, basti pensare alla fusione di immagini radar con immagini nel visibile, oppure di immagini telerilevate con mappe tematiche di altra natura come, come 23

29 24 Capitolo 5. Miglioramento spaziale delle mappature termiche di ASTER Figura 5.1: Denizione di Pixel Costiero le zonizzazioni comunali oppure classicazioni dell'uso/copertura del suolo. In questi casi si utilizzano tecniche di fusione particolari, sviluppate specicatamente per il tipo di immagini e di dati ausiliari utilizzati. L'algoritmo presentato in questo lavoro rientra in questa tipologia. Esso infatti è stato sviluppato per il miglioramento delle immagini ASTER acquisite nel TIR sfruttando informazioni sul tipo di copertura della supercie e sullo stato della vegetazione estratte dalle immagini ASTER acquisite nel VIS-NIR e con risoluzione spaziale variabile fra 15 m e 30 m. Questo algoritmo è ancora in fase sperimentale e la fase più critica, sulla quale si sta maggiormente concentrando l'attività di sviluppo, è quella della verica dei risultati. 5.1 Metodologia Nella sua versione attuale l'algoritmo è applicabile ai pixel costieri (CP) delle immagini TIR. Un pixel TIR è classicato come costiero (l'aggettivo costiero è probabilmente usato in modo improprio) se i sotto-pixel con dimensione di 30 m che lo compongono sono in parte su acqua e in parte su terra ferma (Figura 5.1). L'algoritmo è basato principalmente su due ipotesi: Hp1: vi è di un buon grado di correlazione fra la radianza emessa nel TIR dai pixel dell'immagine con un set di variabili ricavabili dalle immagini ASTER acquisite alle risoluzioni spaziali di 15 m o di 30 m. Hp2: la correlazione ipotizzata in Hp1 è invariante rispetto a piccoli cambiamenti di scala, come ad esempio per il rapporto 3:1 (90 m : 30 m). L'ipotesi Hp1 porta alla relazione di base dell'algoritmo secondo la quale la radianza TIR di un certo pixel (L) è esprimibile secondo la seguente combinazione lineare:

30 5.1. METODOLOGIA 25 L = a 0 + a w f w + a s f s + a v z v (5.1) dove f w e f s sono le frazioni di copertura del pixel di acqua e di suolo nudo rispettivamente, z v è una variabile che descrive la presenza della vegetazione sul pixel. a 0, a w, a s e a v sono i coecienti della combinazione lineare e devono essere calcolati per ogni pixel di interesse. Le variabili che possono essere utilizzate per descrivere la vegetazione e ricavabili da immagini VIS-NIR sono molte. Attualmente l'algoritmo può utilizzare la frazione di copertura di suolo vegetato (f v ) e gli indici di vegetazione NDV I, P V I e SAV I. Questi indici possono essere calcolati dalle ben note relazioni [Richardson and Wiegand, 1977], [Huete, 1988]: NDV I = ρ 3 ρ 2 ρ 3 + ρ 2 P V I = ρ 3 αρ 2 β β2 + 1 SAV I = (ρ 3 ρ 2 ) (1 + L) (ρ 3 ρ 2 + L) (5.2) dove ρ 2 e ρ 3 sono le riettanze della supercie nelle bande 2 e 3 di ASTER, α e β sono la pendenza e l'intercetta nello spazio delle riettanze (ρ 2, ρ 3 ), L è una costante che minimizza l'inuenza della riettanza del suolo nudo. α e β sono calcolati usando una procedura automatica di identicazione della linea dei suoli come descritto da Fox [2004]. L è stato impostato a 0.5 in accordo con Huete [1988]. Nel caso di z v = f v l'equazione 5.1 si riconduce alla ben nota relazione della Linear Spectral Mixture Analysis [Gillespie, 1992], nella quale i coecienti coincidono con le radianze degli endmembers. In questo caso inoltre, poiché f w + f s + f v = 1, essa deve essere riscritta con un regressore (o f v o f s ) in meno. Il motivo per il quale per la vegetazione si considerano altri indicatori oltre alla frazione copertura vegetata risale a diverse esperienze riportate in letteratura le quali hanno messo in evidenza che la temperatura della supercie, e quindi la radianza TIR, a volte risulta essere meglio correlata con variabili, come quelle qui considerate, maggiormente legate alla biomassa vegetata o al vigore della vegetazione. Per ogni CP si considera l'insieme dei pixel che lo circondano (intorno, U) estraendo da esso la radianza TIR alla risoluzione spaziale di 90 m (L 90 ) e i valori delle variabili f w, f s e z v calcolati originariamente a 15 m e riportati a 90 m (valore medio). Da questo insieme di variabili, mediante regressione lineare, si stimano i valori locali (nel senso che sono validi solo per quel pixel) dei coecienti a 0, a w, a s e a v : {L 90, f w,90, f s,90, z v,90 } U Reg.Lineare a 0, a w, a s, a v (5.3) Come intorno U del CP si considera un quadrato di lato N U pixel centrato sul CP. Il valore di N U è uno dei parametri dell'algoritmo e solitamente assume i valori di 2 oppure 3. L'ipotesi Hp2 fa si che la relazione così denita sia utilizzabile anche a scala superiore. Noti quindi i valori dei coecienti a 0, a w, a s e a v e delle variabili f w,30,f s,30, z v,30, a 30 m di risoluzione spaziale e ottenuti dalle immagini a 15 m e riportati a 30 m (valore medio),

31 26 Capitolo 5. Miglioramento spaziale delle mappature termiche di ASTER si possono stimare i valori di radianza e di temperatura di brillanza alla stessa risoluzione (L 30, T b,30 ): L 30 = a 0 + a w f w,30 + a s f s,30 + a v z v,30 (5.4) T b,30 = c 2 λ ln { c 1 λ 5 L } (5.5) L'equazione 5.5 presuppone che le radianze siano già state corrette dagli eetti atmosferici (capitolo 3). Inoltre, per la produzione nale della mappa termica dell'acqua occorre passare da temperatura di brillanza a temperatura reale, utilizzando ad esempio l'equazione Verica locale delle ipotesi Un passaggio molto importante è quello della verica dell'ipotesi Hp1. Questa verica è fatta per ogni CP e in caso di esito negativo il valore stimato è riutato e al pixel è riassegnato il valore originario L 90. La verica è fatta erichiedendo che che l'errore standard (SE) della regressione 5.3 sia inferiore a 0.15 W m 2 µm 1 sr 1, che corrisponde approssimativamente ad una variazione di 0.9 K alla lunghezza d'onda di riferimento di 10µm e alla temperatura di riferimento di 300 K (l'apice reg indica il valore stimato): SE = i=1,n U [ ] (L90,i L reg 90,i) 2 N U < 0.15 W m 2 µm 1 sr K@ {10 µm, 300 K} (5.6) L'applicazione dell'algoritmo prevede anche una verica dell'ipotesi Hp2. Questa però viene fatta in modo globale, e non localmente pixel per pixel, e non inuenza il calcolo, come invece avviene per la verica di Hp1. La verica è fatta utilizzando un metodo di simulazione abbastanza complesso ed è di importanza marginale per questa relazione. Si rimanda pertanto alla pubblicazione di riferimento di Teggi [In Press]. 5.3 Produzione della mappatura termica per le superci d'acqua I passaggi precedenti descritti dell'algoritmo sono volti alla valutazione della radianza L 30 dei CP per i quali l'ipotesi Hp1 è vericata. La fase successiva consiste nella costruzione della mappatura termica (immagine in radianza e immagine in temperatura) per l'intera supercie idrica considerata. Questa fase è articolata in tre passaggi principali: 1. Si riportano nella mappa le radianze L 30 dei sotto-pixel (30 m) interamente coperti da acqua (f w,30 = 1) dei CP (90 m) per i quali è vericata l'ipotesi Hp1. A titolo di

32 5.4. APPLICAZIONE A DUE CASI REALI 27 esempio, in Figura 5.2 (in alto a sinistra) sono visibili pixel costieri di questo tipo, e i relativi valori di L 30 riportati sulla mappa. 2. Ai sotto-pixel dei pixel interamente coperti da acqua (f w,90 = 1) sono assegnati i corrispondenti valori L 90 dell'immagine originale ASTER Figura 5.2, in alto a destra, in rosso). 3. Per i sotto-pixel ottenuti nel passaggio 2 e che sono completamente circondati da altri sotto-pixel interamente coperti da acqua si procede ad una interpolazione bilineare (su un intorno 3x3) per migliorane l'andamento spaziale (valori L 30,int in Figura 5.2 in basso e in rosso). Questa operazione è basata sull'ipotesi ragionevole che su superci interamente ricoperte da acqua non vi siano forti discontinuità spaziali. E' importante notare che con questo passaggio alcuni di questi sotto-pixel (stelle in Figura 5.2 in basso) risentono dei valori L 30 ottenuti nel passaggio Applicazione a due casi reali L'algoritmo per il miglioramento della mappatura termica di corpi idrici ottenuta da immagini ASTER è stata applicata a due aree di studio: la prima su un'area della laguna di Venezia, la seconda su un'area del delta del ume Po (Figura 5.3). Nel presente lavoro sono riportati solo i risultati ottenuti con la banda 14 di ASTER (11.3 µm) in quanto non si sono riscontrate dierenze signicative al variare della banda TIR. Delta del Po L'immagine ASTER utilizzata è stata acquisita il giorno 22/08/2008 alle ore 10:10 GMT. Da essa è stata estratta un' area di studio, mostrata in Figura 5.4 in alto, di m (direzione x) x m (direzione y). Questa area è caratterizzata sia dalla presenza di lunghi tratti costieri, con molte lagune ed insenature spesso paludose, che da lunghi percorsi uviali di varia larghezza. Il ramo principale del Po ha una larghezza variabile dai 200 m ai 600 m, mentre le ramicazioni principali che formano il delta del ume scendono anche a poche decine di metri. Laguna di Venezia L'immagine ASTER utilizzata è stata acquisita il giorno 05/09/2007 alle ore 10:07 GMT. Da essa è stata estratta un'area di studio, mostrata in Figura 5.5 in alto, di m (direzione x) x 7200 m (direzione y). Questa area comprende una ampia parte della laguna di Venezia, nella quale sono presenti ambienti paludosi, isole (fra le quali l'isola urbanizzata di Venezia) e l'insediamento industriale di Porto Marghera, caratterizzato da ampi canali articiali. Al ne di poter valutare sia le prestazioni dell'algoritmo sia per vericare l'ecacia del miglioramento spaziale della mappatura termica, in emtrambi i casi è stata costruita anche

33 28 Capitolo 5. Miglioramento spaziale delle mappature termiche di ASTER Figura 5.2: Fasi della mappatura termica. Fase 1: in alto a sinistra. Fase 2: in alto a destra. Fase 3: in basso la mappatura termica ottenuta con semplice interpolazione bilineare dei pixel puri di acqua dell'immagine originale ASTER (ricampionamento a 30 m e quindi interpolazione bilineare sui pixel puri di acqua). In pratica questa mappatura la si ottiene applicando sole le fasi 2 e 3 dell'algoritmo (capitolo 5). Questo tipo di mappatura è stato indicato con BINT (Bilinear INTerpolation) Pre-elaborazione delle immagini Prima di procedere alla mappatura termica e delle immagini ASTER e all'applicazione dell'algoritmo per il miglioramento spaziale delle mappe, le immagini sono state sottoposte ad alcune fasi di pre-elaborazione (capitolo 3).

34 5.4. APPLICAZIONE A DUE CASI REALI 29 Figura 5.3: Aree studiate (rettangoli tratteggiati) Le immagini VIS-NIR e TIR ASTER sono state anzitutto correte dagli eetti atmosferici e trasformate in riettanza superciale (bande VIS-NIR) o in radianza emessa dalla supercie (bande TIR) utilizzando procedure basate sull'uso dei modelli di trasferimento radiativo 6S e MODTRAN [Bogliolo et al., 2004], [Teggi et al., 1998]. In seguito, le immagini VIS-NIR a 15 m, sono state classicate nelle tre classi di copertura considerate: acqua, suolo non vegetato e suolo vegetato. La classicazione è stata fatta utilizzando il software ENVI ( Data la buona separabilità di queste tre macro-classi la classicazione, basata su approccio misto a soglia e a massima verosimiglianza, non ha presentato fasi o aspetti degni di nota e pertanto non viene ulteriormente discussa. Dalla classicazione a 15 m sono poi state ottenute le frazioni di copertura f w,30, f s,30, f v,30. Un passaggio meno banale dei precedenti è stato il calcolo degli indici NDV I, P V I e SAV I alle diverse risoluzioni spaziali. Ragionando a 15 m di risoluzione spaziale, questi indici possono essere direttamente calcolati dai valori in riettanza nelle bande ASTER 2 e 3. Per le altre risoluzioni si hanno due strade possibili: utilizzare il valore medio degli indici oppure ricalcolare gli indici utilizzando il valore medio delle riettanze. Per questo motivo sono state fatte varie prove applicando l'algoritmo in un caso oppure nell'altro. Le dierenze che si sono riscontrate sono molto basse e sono state ritenute non signicative. In questa relazione sono presentati i risultati ottenuti con la seconda opzione. Le immagini sono state mantenute nel sistema di riferimento originale, in quanto la loro

35 30 Capitolo 5. Miglioramento spaziale delle mappature termiche di ASTER Figura 5.4: Delta del Po: immagine ASTER nel VNIR (alto); temperatura dell'acqua ottenuta con interpolazione bilineare semplice (centro); temperatura dell'acqua ottenuta con l'algoritmo (basso)

36 5.4. APPLICAZIONE A DUE CASI REALI 31 Figura 5.5: Laguna di Venezia: immagine ASTER nel VNIR (alto); temperatura dell'acqua ottenuta con interpolazione bilineare semplice (centro); temperatura dell'acqua ottenuta con l'algoritmo (basso)

37 32 Capitolo 5. Miglioramento spaziale delle mappature termiche di ASTER georeferenziazione non è rilevante per i test dell'algoritmo (lo sarebbe ad esempio qual'ora le mappe termiche dovessero essere importate in progetto GIS). Trattandosi di zone pianeggianti l'ortorettica non è necessaria Risultati Delta del Po Dal confronto fra le immagini in Figura 5.4 in alto (VNIR) e al centro è immediato vedere che la mappatura termica ottenuta direttamente dai dati ASTER (algoritmo BINT) esclude numerosi corsi d'acqua ben visibili nell'immagine VIR. Ad esempio, nell'immagine VNIR sono ben distinguibili quattro corsi d'acqua: il lungo tratto del Po di Goro, nel settore in basso a sinistra dell'immagine, che inizialmente scorre quasi parallelamente al Po, poi si dispone in direzione perpendicolare. In questo tratto il Po di Goro ha una larghezza variabile fra 60 m e 140 m. il Po di Gnocca, parallelo e vicino al tratto nale del Po di Goro, con larghezza variabile fra 60 m e 170 m. il Po delle Tolle, parallelo al Po di Gnocca, nella parte nale del Po, con larghezza variabile fra 100 m e 220 m. un tratto del Po di Levante, in alto a sinistra, con larghezza variabile fra 50 m e 70 m. Di questi corsi d'acqua, a parte qualche sporadico punto, solo il Po di Tolle è visibile nella mappatura termica BINT. Mentre essi risultano ben delineati nella mappa termica ottenuta con l'algoritmo. Questo sembra avvalorare la regola (capitolo 4) che solo i dettagli con dimensioni maggiori di 2 pixel sono rappresentabili. Il miglioramento della mappatura termica prodotto dall'algoritmo è inoltre ben visibile osservando i numerosi tratti di costa delle lagune interne o del mare. Per evidenziare meglio questo aspetto in Figura 5.6 è riportata la mappa termica dell'area del Delta. Un particolare interessante che emerge da questa Figura 5.6 è la mappatura termica del Po della Pila, largo da 50 m a 90 m ed indicato dalla freccia bianca nell'immagine ottenuta con l'algoritmo (destra) e che anche in questo caso non è visibile nell'immagine BINT (sinistra). Ciò che rende interessante questo particolare è che nel punto indicato dalla punta della freccia vi è la centrale termoelettrica di Porto Tolle, che potrebbe rappresentare un tipico soggetto di studio per il problema degli scarichi di calore in acqua da impianti industriali. Laguna di Venezia Anche in questo caso, dal confronto fra le immagini in Figura 5.5 in alto (VNIR) e al centro è immediato vedere che la mappatura termica ottenuta direttamente dai dati ASTER (algoritmo BINT) esclude molti dettagli ben visibili nell'immagine VIR ed invece presenti nell'immagine ottenuta con l'algoritmo.

38 5.4. APPLICAZIONE A DUE CASI REALI 33 Figura 5.6: Mappatura termica del Delta del Po ottenuta col metodo BINT (sinistra) e con l'algoritmo (destra). La freccia indica la posizione della centrale termoelettrica di Poto Tolle. Poiché le considerazioni che si possono fare sono del tutto analoghe a quelle del caso precedente e dato che questo caso di studio sarà utilizzato nei capitoli successivi per la presentazione dei metodi di indagine delle anomalie termiche, al momento ci si limita ad evidenziare solo due particolari interessanti. Il primo è che i canali all'interno della zona industriale di Porto Marghera (a sinistra nell'immagine), che è un'area potenzialmente interessante per lo studio dell'iquinamento termico, con larghezze variabili fra 90 m e 300 m, sono solo parzialmente visibili nella mappa di temperature BINT, mentre sono ben dettagliato nella mappatura termica ottenuta con l'algoritmo. Il secondo aspetto rilevante emerge dall'osservazione delle mappature termiche ottenute per il Canal Grande. La larghezza di questo canale supera solo in pochi punti i 60 m e raggiunge un valore minimo di 40 m. Si può notare che ne il metodo BINT ne l'algoritmo sviluppato sono stati in grado di stimare le temperature di questo corpo d'acqua, e questa può essere una ulteriore conferma che il minimo dettaglio ottenibile nelle mappature termiche su acqua è di 2 pixel. Come ultima valutazione, mirata a sottolineare l'importanza dell'uso di mappature termiche con buona risoluzione spaziale di almeno, sono state confrontate le temperature estratte lungo le mezzerie del Po delle Tolle (Figura 5.7 a sinistra, lunghezza del percorso m, larghezza del corso d'acqua m) e di uno dei canali articiali della zona industriale di porto Marghera (Figura 5.7 a destra, lunghezza del percorso 5000 m, larghezza del corso d'acqua m). I valori di temperatura calcolati con il metodo BINT e con l'algoritmo sono stati gracati, in funzione della distanza, nelle Figure 5.8 e 5.9. In entrambi i casi si può notare come il prolo BINT sia a tratti incompleto, mentre

39 34 Capitolo 5. Miglioramento spaziale delle mappature termiche di ASTER Figura 5.7: Percorsi d'estrazione delle temperature: Po delle Tolle (sinsitra) e un canale di Porto Marghera quello ottenuto con l'algoritmo sia maggiormente continuo. Nel primo caso il metodo BINT ha fornito stime per una lunghezza complessiva di 7770 m (259 pixel), l'algoritmo per una lunghezza complessiva di m (360 pixel, +39% ). Nel secondo caso il metodo BINT ha fornito stime per una lunghezza complessiva di 2790 m (93 pixel), l'algoritmo per una lunghezza complessiva di 4740 m (158 pixel, +70% ). Gli andamenti di temperature estratti lungo le mezzerie dei corsi d'acqua non sono però del tutto appropriati per l'analisi degli scarichi di calore nei corsi d'acqua. La normativa (capitolo 2.2) infatti prevede la valutazione della temperatura media lungo le sezioni del corso d'acqua e questo tipo di valutazione è, fra le altre cose, l'oggetto dei prossimi capitoli.

40 5.4. APPLICAZIONE A DUE CASI REALI 35 Figura 5.8: Temperatura della linea di mezzeria del Po delle Tolle: BINT - cerchio vuoto, Algoritmo - Cerchio Pieno

41 36 Capitolo 5. Miglioramento spaziale delle mappature termiche di ASTER Figura 5.9: Temperatura della linea di mezzeria dei un canale di Porto Marghera: BINT - cerchio vuoto, Algoritmo - Cerchio Pieno

42 Capitolo 6 Studio dei campi di temperatura in corsi d'acqua e in zone costiere La valutazione del rilascio di calore in acque interne o in zone costiere da impianti industriali è solitamente fatta misurando la temperatura delle acque, mediante termometri ad immersione, nelle immediate vicinanze degli scarichi. Queste misure però soddisfano solo parte delle requisiti stabiliti dalla normativa. Ad esempio quella italiana (capitolo 2.2) prescrive che la temperatura dello scarico non deve superare i 30 o C per scarico in lago e i 35 o C per scarico a mare e questo tipo di controllo può eettivamente essere fatto con stazioni termometriche puntuali. Allo stesso tempo però, sempre la normativa italiana, prescrive che gli aumenti di temperatura del corpo idrico ricevente (impatto termico) debbano essere contenuti entro certi limiti in funzione della distanza. Inoltre, le misure da stazioni puntuali, non permettono l'individuazione di scarichi di calore imprevisto o abusivi. In altre parole, lo studio del rilascio di calore a mare si deve avvalere, oltre che di misure puntuali, anche dei campi di temperatura (mappatura termica) del corpo idrico recipiente. Spesso il campo di temperatura di un corpo idrico viene stimato andando ad interpolare le misure puntuali fatte da più stazioni puntuali. Queste ultime però, per motivi pratici, sono poco numerose, spesso solo qualche unità, rendendo così poco adabile il campo di temperatura interpolato. Ecco quindi che le mappature termiche ottenute da satellite possono orire una informazione spazialmente continua e completa, nei limiti della loro risoluzione spaziale, come discusso nei capitoli precedenti, in grado di completare la valutazione dell'impatto termico. E' importante sottolineare che le mappature termiche satellitari sono complementari alle misure da stazioni a terra e non sostitutive. Entrambi i tipi di misura hanno caratteristiche peculiari distinte: Misure a terra: Molto più precise del dato telerilevato; Temporalmente continue (serie temporali di misure); Bassi costi; 37

43 38 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Facili da elaborare ed interpretare; Immagini telerilevate: Spazialmente continue; Visione più ampia del territorio. In una sola immagine possono essere comprese varie decine di chilometri di tratti costieri e uviali. Visione più completa del territorio. Danno cioè anche informazioni territoriali contestuali al campo di temperatura (presenza di impianti industriali, morfologia della linea costiera, abitazioni, aree coltivate, ecc.) ; Nei capitoli precedenti è stato arontato l'argomento del come ottenere le mappature termiche da immagini telerilevate, nei capitoli successivi si aronterà l'argomento del - come interpretare le mappature termiche, si cercherà quindi di fornire alcune metodologie di elaborazione delle mappature termiche mirate ad ottenere informazioni utili al contesto normativo e, più in generale, utili per lo studio dell'impatto dovuto al rilascio di calore in corpi idrici. Le procedure individuate sono focalizzate sull'uso dei software ENVI e Deniens, e di seguito sono illustrate, passo passo, le sequenze procedurali utilizzando come caso-esempio la mappatura termica ottenuta sulla laguna di Venezia sia col metodo BINT che con l'algoritmo per il miglioramento della risoluzione spaziale. La scelta di usare negli esempi entrambi i tipi di mappatura è motivata dall'intenzione di indagare ulteriormente l'importanza di una risoluzione spaziale del sensore di almeno 30 m. Nelle sezioni successive sono riportate numerose tabelle e gure e si fa riferimento a diversi prodotti intermedi dei processi di analisi indicandoli con nomi di lavoro, usando cioè gli stessi nomi che sono realmente stati riportati nei settaggi dei software. Questo a volte potrebbe generare confusione e una precisazione è doverosa: Le mappature termiche ottenute utilizzando direttamente le immagini TIR ASTER hanno nominalmente una dimensione dei pixel di 30 m x 30 m ma in realtà, trattandosi di una semplice interpolazione bilineare, l'informazione in esse contenuta ha un dettaglio di 90 m. Stessa cosa dicasi per i prodotti da esse derivati. Il riferimento a queste immagini e ai prodotti da esse derivati è fatto utilizzando indistintamente le sigle 90 m, 90 o BINT come parti dei nomi assegnati o nel testo; Le mappature termiche ottenute utilizzando le immagini TIR ASTER migliorate spazialmente tramite l'algoritmo presentato nel capitolo 5 hanno eettivamente una dimensione dei pixel di 30 m x 30 m, corrispondente al dettaglio spaziale dell'informazione in esse contenuta. Stessa cosa dicasi per i prodotti da esse derivati. Il riferimento a queste immagini e ai prodotti da esse derivati è fatto utilizzando indistintamente le sigle 30 m, 30 o ALG come parti dei nomi assegnati o nel testo;

44 6.1. DEFINIENS DEVELEPER E L'APPROCCIO OBJECT ORIENTED Deniens Develeper e l'approccio Object Oriented Innanzitutto è necessaria una breve premessa per comprendere il funzionamento del software Deniens Developer e quale approccio applica nell'elaborazione delle immagini. In questo modo sarà possibile comprendere il motivo di utilizzo di algoritmi e parametri nell'analisi delle immagini oggetto di questo studio. Deniens è un software per l'analisi e la classi- cazione con approccio object-oriented. È creato per lavorare con ogni tipo di immagine, VHR, Radar, ecc.. Il software interpreta le immagini in modo simile alla mante umana, analizzando e tenendo conto, cioè, del contesto in cui si trovano. La tecnologia di Deniens è quindi basata sugli oggetti, con tutte le loro caratteristiche spettrali o meno, e sul contesto. L'approccio objectoriented è basato sul concetto che le informazioni necessarie per interpretare un immagine non sono contenute nel singolo pixel ma in oggetti signicativi dell'immagine e nelle loro reciproche relazioni. In generale, gli oggetti presenti su un immagine portano con loro molte più informazioni rispetto ai singoli pixel, come: statistiche di colore; forma; dimensione; tessitura; contesto La procedura di segmentazione Il primo passo di un approccio Object-Oriented per denire gli oggetti nei quali suddividere l'immagine è la segmentazione, che può essere eseguita utilizzando diverse metodologie. Figura 6.1: Livelli di segmentazione e relazioni tra gli oggetti

45 40 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Visto poi che ogni tipo di classicazione lavora ad una certa scala, la segmentazione può essere eseguita anche a diversi livelli di risoluzione spaziale per una stessa immagine. Un progetto di elaborazione potrà quindi contenere una rete gerarchica di più livelli di oggetti a diverse scale, in cui gli oggetti più piccoli sono sub-oggett di oggetti più grandi di livello superiore (super-oggetti). La segmentazione multirisoluzione, la più comunemente utilizzata, è una procedura di ottimizzazione che minimizza l'eterogeneità degli oggetti immagine ad una certa risoluzione. L'eterogeneità presa in considerazione è sia spettrale (numero digitale del pixel), che geometrica (forma dei poligoni creati). La segmentazione multirisoluzione separa regioni adiacenti di un immagine che presentano un signicativo contrasto. In questo modo anche immagini con elevati livelli di tessitura possono essere classicate. È possibile impostare in vari modi alcuni parametri (Figura 6.2) in modo da ottenere una migliore segmentazione: Scale parameter : misura del massimo cambiamento in eterogeneità ammesso durante la fusione degli oggetti. Per un medesimo scale parameter, in presenza di dati molto eterogenei gli oggetti creati durante il processo di segmentazione saranno più piccoli di quelli che si avrebbero con dati omogenei. Peso del layer: più è alto il peso assegnato a un layer maggiore è l'informazione in esso contenuta ad essere usata nel processo di segmentazione; Composizione del criterio di omogeneità: sinonimo di minima eterogeneità, è diviso in due parti, un criterio per la forma (shape) e uno per il colore (color). Con questi due parametri si può decidere se l'omogeneità dell'immagine si basa di più sulla forma o sui valori spettrali. Il parametro color non può avere un valore inferiore a 0.1 perché gli oggetti risultanti non possono essere completamente scollegati alle informazioni spettrali dell'immagine. Nella maggior parte dei casi il criterio del colore è il più importante per creare oggetti signicativi ma spesso un certo grado di eterogeneità nella forma migliora la qualità degli oggetti estratti. Il criterio della forma è poi suddiviso in altri due parametri: compactness e smoothness. Il parametro smoothness (regolarità) consente di ottimizzare gli oggetti in relazione alla regolarità dei bordi. Viene utilizzato nel caso di dati molto eterogenei per evitare di creare poligoni con i bordi frastagliati. L'altro parametro invece, la compactness (compattezza), è utilizzato, come suggerito dal nome stesso, per ottimizzare la compattezza degli oggetti. Viene aumentato, per esempio, quando oggetti compatti dell'immagine sono separati da altri non compatti da un contrasto spettrale debole. Questi parametri possono essere modicati dall'utente no all'ottenimento del risultato desiderato. Gli oggetti devono essere il più grandi possibile, ma caratterizzati dal livello minimo di eterogeneità. In questo modo si possono separare regioni dell'immagine a diversa copertura anche quando hanno valori spettrali simili (ad esempio: alberi e prato).

46 6.1. DEFINIENS DEVELEPER E L'APPROCCIO OBJECT ORIENTED 41 Figura 6.2: Schema dei parametri di segmentazione. Altri esempi di algoritmi di segmentazione disponibili sono: Chessboard segmentation: raggruppa i pixel in oggetti quadrati della stessa dimensione costruendo una griglia allineata ai bordi dell'immagine (Figura 6.3 in alto). Quad Tree Based segmentation: raggruppa i pixel in una griglia di quadrati di diversa dimensione costruiti ad albero (Figura 6.3 in basso). Spectral Dierence segmentation: usata per fondere oggetti dal punto di vista dell'intensità radiometrica. Due oggetti vicini sono fusi se hanno una dierenza nel valore di intensità media inferiore a quello denito dall'utente. Figura 6.3: Chessboard segmentation (in alto) e Quad Tree Based segmentation (in basso) La procedura di classicazione In Deniens la classicazione in è di tipo supervisionato e in particolare viene molto utilizzata la logica fuzzy. Questa non è altro che un approccio matematico per quanticare le incertezze che sostituiscono le aermazioni vero e falso con un intervallo continuo che va da 0 (sicuramente falso) a 1 (sicuramente vero), avvicinandosi maggiormente in tal modo al pensiero umano. La descrizione di una classe in Deniens, come già accennato precedentemente, si può basare su numerose caratteristiche (features) che sono associate agli oggetti e non più ai singoli pixel. Queste caratteristiche sono:

47 42 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Spettrali: parametri statistici della risposta radiometrica; Geometriche: area, perimetro, dimensione frattale (rapporto area/perimetro), forma, ecc..; Topologiche: relazioni con gli oggetti vicini dello stesso livello (vicinanza perimetro di contatto,...); Gerarchiche: relazioni con gli oggetti di livelli inferiori o superiori. La logica fuzzy applicata alla classicazione, permette un'analisi più dettagliata dell'immagine e l'elaborazione di immagini di dicile interpretazione. Il processo di classicazione con i sistemi fuzzy prevede tre step: 1. Fuzzication: transizione da un sistema boleano ad un sistema fuzzy, cioè l'assegnazione di un valore di appartenenza (membership) tra 0 e 1 per ogni feature. La transazione tra i due valori estremi viene descritta da una funzione detta membership function ed è selezionata dall'utente. 2. Fuzzy rule base: combinazione di più regole fuzzy all'interno della classe ai ni della descrizione. 3. Defuzzication: traduzione dei dati di nuovo in formato boleano in modo che siano leggibili come mappe. Un oggetto pur avendo gradi di membership per più classi viene assegnato ad una sola di queste, mentre se il grado di membership di un oggetto non supera un certo valore soglia (tra 0 e 1) prestabilito per nessuna classe, questo non viene classicato. 6.2 Elaborazione della mappatura termica Immagini e le utilizzati Le metodologie individuate per l'elaborazione delle mappe in temperatura sono basate sui software Deniens Developer 7.0 ed ENVI 4.4. Lo scopo di questo studio è l'individuazione di procedure (rule set) per l'analisi dei campi di temperatura delle acque con particolare riferimento agli aspetti normativi, come quelli espressi dal decreto legislativo 152 del La presentazione della metodologia di elaborazione è mostrata, passo-passo, applicandola alle mappature termiche ottenute per la laguna di Venezia col metodo BINT (dettaglio spaziale 90 m) e con l'applicazione dell'algoritmo (ALG) per il miglioramento della risoluzione spaziale (dettaglio spaziale 30 m), presentate nel capitolo 5.4. Per richiamare l'attenzione sull'area studiata in Figura 6.4 è riportata una composizione a falsi colori (RGB: banda 3, banda 2, banda 1) dell'immagine ASTER. Gli elementi oggetto di studio sono stati tre:

48 ELABORAZIONE DELLA MAPPATURA TERMICA Figura 6.4: Immagine ASTER VNIR (RGB:3-2-1) dell'area studiata. i corsi d'acqua, in particolare l'andamento lungo il corso d'acqua della temperatura media delle varie sezioni trasversali; i plume di termici nella zona costiera; l'andamento della temperatura lungo un percorso una certa distanza dalla costa. Lo studio dei plume termici è stato e ettuato sia sulla mappatura BINT che ALG in modo da fare un confronto. Come sarà evidenziato in seguito, i campi di temperatura BINT si sono invece rivelati inadeguati negli altri due casi. I le utilizzati in questo studio, disponibili nel materiale allegato alla relazione, sono: Aster_venezia_90: immagine in temperatura BINT; Aster_venezia_30: immagine in temperatura ALG; Fraction30AS: le costituito da 3 bande contenenti le frazioni di copertura fv,30 (rispettivamente acqua, suolo e vegetazione) alla risoluzione spaziale fw,30,fs,30, di 30 m; Horizz e Vertical: le immagine ausiliari spiegati in seguito. Tutte le immagini utilizzate hanno dimensione di 625 colonne per 242 pixel. Alla relazione vengono allegati anche i progetti sviluppati in De niens e che possono essere ricaricati e nuovamente eseguiti dal software. In Figura 6.5 sono riportate le due immagini BINT (alto) e ALG (centro) caricate in ambiente ENVI. Le zone in nero sono pixel di terraferma o misti per i quali non è riportato il valore di temperatura e codi cati imponendo un valore negativo. Sempre Figura 6.5, in basso, è mostrata la composizione RGB delle coperture del suolo fw,30 (red), fs,30 (blu) e fv,30 (green).

49 44 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.5: Mappature termiche BINT (alto), ALG (centro) e frazioni di copertura (basso) f w,30 (red), f s,30 (blu) e f v,30 (green) caricate in ambiente ENVI.

50 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 45 Le immagini Horizz e Vertical sono costituite da linee orizzontali o verticali (Figura 6.6) di larghezza pari ad un pixel. In pratica sono due immagini con lo stesso numero di righe e colonne delle immagini da elaborare e nelle quali ogni pixel contiene o il numero della linea (Horizz) o il numero della colonna (Vetical) Quando queste immagini saranno segmentate con Deniens utilizzando l'informazione spettrale si otterranno dei lunghi rettangoli orizzontali o verticali. Parte di questi rettangoli costituiranno le sezioni normali all'asse del corsi d'acqua che si vogliono studiare e lungo le quali verranno estratti i valori di temperatura delle sezioni trasversali. Questi le sono costruiti con ENVI nel seguente modo: dal menù File si selezioni Generate Test Data e successivamente nel campo Output Image Value si selezionino Horizontal Ramp o Vertical Ramp. Le dimensioni dell'area studiata sono 625 x 242, quindi per creare il le Horizz si inserirà come valore minimo 1 e come valore massimo 625, mentre per il le Vertical si inserirà come valore minimo 1 e come valore massimo 242. In Figura 6.7 si riportano le nestre di ENVI per la generazione dei due le. Figura 6.6: Immagini ausiliarie Vertical (alto) e Horizz (basso).

51 46 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.7: Generazione delle immagini ausiliarie Vertical e Horizz con ENVI Studio di tratti uviali (ALG) Questa analisi è stata fatta considerando solo la mappatura termica ALG, cioè con un dettaglio spaziale di 30 m. Nel software Deniens ogni le viene caricato come un layer. Se i le sono costituiti da due o più bande ogni singola banda costituisce un layer a sé stante. Per lo studio dei tratti uviali vengono caricati i le indicati in Tabella 6.1. Tabella 6.1: File e layer usati per lo studio dei tratti uviali Nome del le Layer Nome assegnato al layer Banda 1 Acqua Fraction30AS Banda 2 Veg Banda 3 Non veg Aster_venezia_30 Banda1 Temp_30 Horizz Banda1 Horizz Vertical Banda1 Vertical Si dispone quindi di 6 layer con cui operare. Il progetto viene denominato Livello1_30 e viene fornito in allegato. Segmentazione

52 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 47 In primo luogo l'immagine deve essere segmentata. E' necessaria una segmentazione iniziale di base per distinguere tra loro le zone di acqua, di vegetazione e di non vegetazione. Per fare questo viene creato un primo processo denominato segmentazione base. I suoi tre sottoprocessi, o processi gli, (Figura 6.8) servono rispettivamente per distinguere le macroaree di copertura e per dividere i tratti uviali. Figura 6.8: Processo di segmentazione e suoi sottoprocessi Il livello 1 e il livello 2 permettono di distinguere tra le aree di acqua, vegetazione e non vegetazione. Se si desidera una segmentazione più accurata è indicato il livello 2. In Tabella sono indicati i parametri utilizzati nei due livelli (da inserire nella nestra di Editing dei processi in Figura 6.8). Tabella 6.2: Parametri per la segmentazione base dell'immagine Livello 1 Livello 2 Algorithm Multiresolution segmentation Multiresolution segmentation Image object domain Pixel level Pixel level Level name Liv 1 Liv 2 Acqua = 1 Acqua = 1 Veg = 1 Veg = 1 Image layer Non Veg = 1 Non Veg = 1 weights Temp_30 = 0 Temp_30 = 0 Horizz = 0 Horizz = 0 Vertical = 0 Vertical = 0 Scale parameter Shape 0 0 Compactness Come si vede dalla Tabella 6.2 viene assegnato peso unitario ai layer del le Fraction30AS che contengono le caratteristiche delle classi di copertura, mentre peso nullo hanno gli altri layer. Il parametro di forma (shape) ha valore nullo in quanto per la segmentazione si vogliono utilizzare solo le informazioni spettrali relative ai tre layer selezionati. Sono queste infatti che consentono di realizzare la divisione tra le macroaree. Il parametro compactness non ha importanza dal momento che si è posto shape = 0.

53 48 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere I valori riportati in Tabella 6.2 vengono inseriti nella nestra di editing dei rispettivi sottoprocessi (si veda ad esempio la nestra di editing del sottoprocesso Livello 1 in Figura 6.9). Figura 6.9: Finestra di editing di un sottoprocesso di segmentazione Il Livello 2 è più preciso del Livello 1, quindi sarà questo ad essere utilizzato. Dopo aver editato il processo si clicca su execute e il risultato della segmentazione è quello rappresentato in Figura Si riporta solo una parte dell'area di interesse, quella vicina ai canali che si andranno ad analizzare. Figura 6.10: Immagine segmentata al livello 2 A questo punto serve un'ulteriore segmentazione per distinguere i tratti uviali che, come si nota in Figura 6.10, risultano un unico oggetto collegato con la laguna ed il mare. Per fare questo ci possono essere due soluzioni:

54 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 49 tagliare gli oggetti manualmente con il comando Cut Object che si trova nella barra dei comandi manuali (Manual Editing); creare un nuovo livello di segmentazione che si basi, stavolta, sulla forma più che sulle caratteristiche spettrali dell'immagine. Si è deciso di procedere seguendo la seconda soluzione e creando così il livello 2b con i seguenti valori: Tabella 6.3: Parametri per la segmentazione dei tratti uviali Algorithm Image object domain Level name Livello 2b Multiresolution segmentation Pixel level Liv 2b Acqua = 1 Veg = 0 Image layer weights Non Veg = 0 Temp_30 = 0 Horizz = 0 Vertical = 0 Scale 10 Shape 0.6 Compactness 0.5 Viene dato peso pari a 1 solo al layer che contiene la frazione di acqua, perché è la forma di quella frazione che interessa, e il parametro shape aumenta no a 0.6. Anche lo scale parameter aumenta in modo da avere oggetti di dimensioni non troppo ridotte. La segmentazione che ne risulta nei tratti uviali è mostrata in Figura Ora si devono andare ad identicare i tratti di canale da studiare e si deve creare un'ulteriore segmentazione in tali tratti. Per farlo bisogna però distinguere tra i canali ad asse orizzontale o ad asse verticale perché dovranno essere trattati in maniera dierente con l'ausilio dei le Horizz e Vertical. Si creano quindi altri due processi denominati segmentazione tratti orizzontali e segmentazione tratti verticali, con due sottoprocessi per ognuno (Figura 6.12). Nelle nestre di editing dei sottoprocessi inserisco i parametri in Tabella 6.4: Come si vede dalla Tabella 6.4 viene dato peso 1 solo ai layer Horizz e Vertical dei quali si utilizza non la forma ma l'informazione spettrale-numerica, infatti il parametro shape è posto uguale a zero. I livelli 4 e 6 sono analoghi rispettivamente al 3 e al 5, cambia solamente il nome. È necessario creare più di un sottoprocesso poiché per studiare ogni tratto di ume è necessario un livello a sé stante.

55 50 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.11: Particolare di segmentazione nei tratti uviali Figura 6.12: Albero dei processi: i procesi e i sottoprocessi di segmentazione

56 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 51 Per comprendere come poter utilizzare questa segmentazione si prenda ad esempio lo studio del tratto di ume evidenziato dal rettangolo rosso in Figura Il canale studiato viene considerato ad asse orizzontale nonostante la lieve inclinazione. Ciò è possibile perché si è visto che questa ipotesi non incia i risultati. Figura 6.13: Tratto di ume preso ad esempio come caso di studio Il tratto di ume che si desidera studiare è stato suddiviso in 2 oggetti dalla segmentazione al livello 2b. Quindi manualmente innanzitutto è necessario unire questi due oggetti. Il comando è Merge Object e si trova nella barra degli strumenti di Manual Editing. Si selezionano con il mouse i due oggetti da unire, poi si preme il tasto destro e si seleziona il comando Merge selection, come mostrato in Figura 6.14, e i due oggetti vengono uniti. Figura 6.14: Metodologia per l'unione manuale di due oggetti In questo modo è possibile segmentare solo il tratto di ume che interessa lo studio. Il tratto viene selezionato e il sottoprocesso (livello 3 nel caso preso ad esempio) viene eseguito

57 52 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere solo sull'oggetto selezionato con il comando Execute on selected object. La segmentazione che risulta è mostrata in Figura Figura 6.15: Segmentazione nel tratto uviale studiato Il ume viene diviso così in sezioni normali all'asse orizzontale sulle quali verrà studiata la temperatura media, massima e minima. Inoltre sarà possibile estrarre il prolo di temperatura lungo l'asse uviale. Il procedimento per segmentare i tratti verticali è analogo, solo si utilizzeranno i sottoprocessi 5 e 6. Per ogni tratto uviale preso in esame è necessario un sottoprocesso con un nome dierente da quello precedente, la procedura risulta assai semplicata dal fatto che i sottoprocessi possono essere copiati ed incollati a piacimento. Nella Figura 6.16 si riportano altri esempi di tratti uviali verticali ed orizzontali segmentati in questo modo. Classicazione La fase successiva è la classicazione dell'immagine. Innanzitutto sarà necessaria una classicazione di base che distingua le due macroaree acqua e non acqua. Si creano quindi le tre classi principali: Acqua; Non Acqua; Unclassied. Per assegnare gli oggetti dell'immagine alle varie classi si creano il processo classicazione base e tre processi gli (uno per classe) come mostrato in Figura I parametri per l'identicazione delle classi saranno inseriti nelle nestre di editing dei processi. Nella Tabella 6.5 sono riportati i parametri utilizzati per l'editing dei sottoprocessi.

58 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 53 Tabella 6.4: Parametri per segmentare i tratti uviali in sezioni orizzontali o verticali Livello 3 Livello 5 Algorithm Multiresolution segmentation Multiresolution segmentation Image object domain Liv 2b Liv 2b Level name Liv 3 Liv 5 Level usage Create below Create below Acqua = 0 Acqua = 0 Veg = 0 Veg = 0 Image layer weights Non Veg = 0 Non Veg = 0 Temp_30 = 0 Temp_30 = 0 Horizz = 1 Horizz = 0 Vertical = 0 Vertical = 1 Scale 1 1 Shape 0 0 Compactness Figura 6.16: Altri esempi di segmentazione di tratti uviali

59 54 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.17: Albero dei processi con segmentazione e classicazione base Tabella 6.5: Decrizione dei sottoprocessi di classicazione per acqua, no acqua e oggetti non classicati Acqua Non Acqua Unclassied Algorithm Classication Assign class Assign class Image object domain Liv 3 Liv 3 Liv 3 All object / / unclassied Condition Mean acqua 0.5 Mean acqua = 0 / Active Classes/Use Acqua Non Acqua Unclassied class Erase old Classication No / / Use class description Yes / /

60 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 55 Il simbolo / sta ad indicare che il valore già presente di default non va modicato oppure che per l'algoritmo scelto il comando non è presente. La classe Acqua viene denita quando il valore medio del layer Acqua (del le Fraction30AS) dell'oggetto considerato è maggiore di 0.5, ossia si ha una percentuale maggiore del 50% di acqua; Non acqua invece è tutto ciò che ha il valore del layer Acqua uguale a zero. Ciò che resta fuori viene raggruppato nella classe Unclassied. Importantissima è la voce Image object domain, che deve sempre corrispondere all'ultimo livello di segmentazione eseguita. In Figura 6.18 si può osservare questa prima grossolana classicazione. Figura 6.18: Classicazione di base dell'immagine nelle tre macro frazioni A questo punto devono essere create delle sottoclassi di Acqua relative ai canali che si vogliono analizzare e delle sottoclassi di temperatura. In Figura 6.19 sono riportate le classi individuate. Figura 6.19: Gerarchia delle classi

61 56 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Per ogni canale debbono essere create delle sottoclassi in temperatura, ma l'operazione risulta semplicata dal fatto che è possibile o copiare e incollare le classi, oppure studiare un canale per volta e quindi creare solo una sottoclasse di Acqua denominata Canale oggetto di studio. Ogni classe di temperatura viene descritta da una funzione di membership. Il nome della classe corrisponde alla temperatura centrale della funzione. Per descrivere la classe si prema sulla classe con il tasto destro del mouse e poi sul comando Insert class description. Si va ad inserire così una espressione utilizzando come parametro la media del layer Temp_30 che raccoglie le informazioni in temperatura degli oggetti. Nella Figura 6.20 si mostrano i passaggi da seguire per esempio per la creazione della classe 17: Figura 6.20: Descrizione della funzione di membership per la creazione della classe 17. Vengono inserite analoghe funzioni di membership per tutte le classi tranne che per la prima, che indica oggetti con temperature minori di 15 o C, e per l'ultima,, che indica oggetti con temperature maggiori di 26 o C. Per queste classi si utilizzano gli intervalli chiusi mostrati in Figura A questo punto viene classicato prima il canale da analizzare come Canale 1 e successivamente tutta la classe Acqua,o solo il canale che si sta studiando,con le classi di temperatura per avere un riscontro cromatico dell'andamento della temperatura. Per la classicazione del canale devo ricorrere alla classicazione manuale che si trova nella toolbar di Manual editing. Si selezionano con una linea (pulsante 1 Figura 6.22) i rettangoli che compongono il tratto uviale di interesse e si classicano (pulsante 2 Figura 6.22) come Canale 1 (pulsante 3 Figura 6.22). I rettangoli selezionati sono evidenziati in rosso in Figura Ora è necessario creare un altro sottoprocesso di Classicazione base per assegnare le classi in temperatura. Si può classicare anche solo il Canale 1 (Figura 6.23).

62 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 57 Figura 6.21: Funzioni di membership per la creazione delle classi 15 < e 26> Figura 6.22: Metodologia per la classicazione manuale degli oggetti

63 58 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere I parametri da assegnare nella nestra di editing del sottoprocesso sono riassunti in Tabella 6.6. Tabella 6.6: Parametri per la classicazione delle classi di temperatura Classi di temperatura Algorithm Classication Image object domain Liv 3 All object Canale 1 (o Acqua) Condition No condition Active Classes/Use 15<, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, class 26> Erase old Classication No Use class description Yes Non si inseriscono condizioni perché queste sono già presenti nella descrizione di ogni singola classe (sono le membership function denite in precedenza). Il risultato della classicazione è mostrato in Figura Per applicare la classicazione anche ad altri assi uviali senza dover copiare e incollare le classi si può procedere creando un sottoprocesso della classicazione con i parametri riportati in Tabella 6.7. Tabella 6.7: Rimozione della classicazione Rimozione della classicazione Algorithm Remove classication Image object domain Liv 3 All object / Condition No condition Classes Canale 1, 15<, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26> Process Yes Manual Yes In questo modo si elimina la classicazione della classe Canale 1 e delle classi di temperatura e si può procedere all'analisi di altri canali. Analisi dei risultati Per eseguire l'analisi dei risultati ottenuti sui canali analizzati è necessario creare un ulteriore processo denominato appunto statistiche, che permetterà di estrarre il prolo di temperatura e altri parametri d'interesse dell'immagine classicata. Sono necessari due sottoprocessi (Figura 6.25):

64 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 59 Figura 6.23: Albero dei processi completo delle procedure di segmentazione e classicazione Figura 6.24: Tratto uviale classicato

65 60 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere il primo serve per individuare grandezze statistiche sul dominio considerato (massimo, minimo, deviazione standard..); il secondo serve per estrarre il prolo di temperatura dell'asse del canale studiato. Figura 6.25: Albero dei processi: in evidenza il processo denominato statistiche e i suoi sottoprocessi In Figura 6.26 è riportata la nestra di editing del primo sotto processo. Figura 6.26: Finestra di editing del sottoprocesso Domain statistics. L'algoritmo Export domain statistics viene utilizzato solo sulla classe Canale 1, che è quella di interesse. La Feature da considerare è la media della temperatura. Si richiedono, tramite la nestra in Figura 6.26, tutte le operazioni statistiche che l'algoritmo consente di fare. Il risultato è un le consultabile tramite un foglio di calcolo (Excel o equivalente), riportato in Tabella 6.8. Più interessante è il secondo sottoprocesso che consente l'estrazione del prolo di temperatura lungo l'asse del canale. Si riporta in Figura 6.27 la nestra di editing.

66 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 61 Tabella 6.8: Grandezze statistiche sul canale studiato Sum Mean Mean Mean Std. Dev. Mean Min Mean Max Mean temp_30 temp_30 temp_30 temp_30 temp_ L'algoritmo utilizzato in questo caso è Export thematic raster les e viene applicato alla classe Canale 1. Stavolta come parametri di interesse vengono indicati la temperatura e la posizione (se ne potrebbero comunque selezionare molti altri). Il risultato è un le leggibile con foglio di calcolo (Tabella 6.9) dove ad ogni oggetto viene assegnato un numero identicativo progressivo e vengono riportati i valori desiderati. In questo modo è possibile ricostruire gracamente l'andamento dell'asse del ume (Figura 6.28) e anche il prolo di temperatura lungo tale asse (Figura 6.29). Si possono quindi confrontare i valori ottenuti dalle statistiche con i limiti di legge per vericarne il rispetto. Il Decreto 152 in materia di qualità dei corsi d'acqua aerma che: Per i corsi d'acqua la variazione massima tra temperature medie di qualsiasi sezione del corso d'acqua a monte e a valle del punto di immissione non deve mai superare i 3 o C. Su almeno metà di qualsiasi sezione a valle tale variazione non deve superare 1 o C.

67 62 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.27: Finestra di editing del sottoprocesso Tabella 6.9: Posizione e temperatura degli oggetti costituenti il canale studiato ID X Centeter Y Cen- Mean ID X Cen- Y Cen- Mean temp_30 ter ter temp_

68 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 63 Figura 6.28: Coordinate dell'asse del canale studiato Figura 6.29: Prolo di temperatura lungo l'asse del canale studiato

69 64 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Studio di tratti uviali (BINT) Lo studio dei canali uviali nell'immagine con risoluzione spaziale di 90 m non è stato eseguito poiché non avrebbe prodotto risultati signicativi. Per comprendere i motivi basta osservare la Figura 6.30 dove viene mostrato a sinistra un particolare dell'immagine dei canali a risoluzione 90 m. A destra invece si evidenziano in rosso le zone che a 30 m, dopo che l'immagine è stata elaborata dall'algoritmo per il miglioramento della risoluzione spaziale, vengono identicate come acqua. Figura 6.30: Particolare dei canali nell'immagine a 90 m (a sinistra) e a 30 m (a destra). Risulta evidente che sarebbe inutile procedere ad una analisi dei tratti uviale nell'immagine a risoluzione 90 m. Qui, infatti, i umi sono costituiti solo da qualche pixel. Nell'immagine di destra della Figura 6.30 si vede molto bene come l'elaborazione dell'algoritmo e il miglioramento della risoluzione spaziale faccia si che i canali si completino e permettano lo studio dell'andamento della temperatura.

70 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA Studio dei plume di temperatura (ALG) E' stata creata un'ulteriore procedura per lo studio dei plume di temperatura nel mare provocati degli scarichi della zona industriale. Questo perché la legge aerma che Per i laghi la temperatura dello scarico non deve superare i 30 o C. Per il mare e le zone di foce di corsi d'acqua non signicativi, la temperatura dello scarico non deve superare i 35 o C (Dlgs. 152 del 2006). Poichè la laguna di Venezia è molto chiusa sono stati presi come riferimento i limiti di legge per i laghi e non per il mare. Questa condizione è comunque più restrittiva e consente di operare in sicurezza e legalità. La procedura non può essere uguale alla precedente, poiché si necessita di un diverso tipo di segmentazione. I layer caricati in questo caso sono riassunti in Tabella Il progetto viene denominato Livello2_30 ed è fornito in allegato. Tabella 6.10: Layer caricati in Deniens per lo studio dei plume di temperatura Nome del le Layer Nome assegnato al layer Banda 1 Acqua Fraction30AS Banda 2 Veg Banda 3 Non veg Aster_venezia_30 Banda1 Temp_30 Segmentazione Come si vede dall'albero dei processi riportato in Figura 6.31, vengono creati due macroprocessi di segmentazione. Il primo, denominato segmentazione base, viene utilizzato per la divisione tra le tre macro aree di acqua, vegetato e non vegetato ed è analogo al processo già utilizzato per lo studio dei tratti uviali. Il secondo, denominato segmentazione plume, serve, come dice il nome stesso, a creare un'idonea segmentazione nel mare in modo da identicare e visualizzare facilmente i plume di temperatura. Figura 6.31: Albero dei processi: in evidenza il processo di segmentazione In Tabella 6.11 sono riportati i parametri utilizzati per i due sottoprocessi di segmentazione. Nel Livello 2 viene assegnato un peso unitario al layer contenente i dati in temperatura e un peso nullo agli altri tre layer. In questo modo la segmentazione si baserà sulla

71 66 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Tabella 6.11: Sottoprocessi di segmentazione per lo studio dei plume di temperatura Livello 1 Livello 2 Algorithm Multiresolution segmentation Multiresolution segmentation Image object domain Pixel level Pixel level Level name Liv 1 Liv 2 Acqua = 1 Acqua = 0 Image layer weights Veg = 1 Veg = 0 Non Veg = 1 Non Veg = 0 Temp_30 = 0 Temp_30 = 1 Scale 1 1 Shape 0 0 Compactness / / temperatura e sarà facile individuare i plume dopo la classicazione. Ovviamente in entrambi i casi per eseguire la segmentazione utilizzo solo l'informazione spettrale (shape = 0). Di conseguenza il valore assegnato al parametro compactness non ha nessuna importanza. L'immagine segmentata è riportata in Figura Figura 6.32: Segmentazione dell'immagine per lo studio dei plume di temperatura Classicazione Così com'era stato fatto per lo studio dei umi, anche in questo caso deve essere eseguita una prima classicazione per distinguere tra le tre macro frazioni di copertura. Il procedimento è esattamente il medesimo, dopo aver inserito le tre classi Acqua, Non Acqua e Unclassied, viene creato un processo chiamato classicazione costituito da tre sottoprocessi per assegnare gli oggetti dell'immagine alla classe corretta. Si riportano in Tabella

72 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA i valori immessi nelle nestre di editing dei sottoprocessi. Si veda il risultato di questa classicazione in Figura Tabella 6.12: Sottoprocessi per l'identicazione delle macrofrazioni di copertura Acqua Non Acqua Unclassied Algorithm Classication Assign class Assign class Image object domain Liv 2 Liv 2 Liv 2 All object / / unclassied Condition Mean acqua 0.5 Mean acqua = 0 / Active Classes/Use Acqua Non Acqua Unclassied class Erase old Classication No / / Use class description Yes / / A questo punto vengono create le classi in temperatura come per lo studio dei canali ed inserite come sottoclassi di Acqua. Le espressioni utilizzate per la descrizione delle classi sono le stesse già viste in precedenza. Viene però inserita una classe nuova denominata Acqua non vista che rappresenta tutto ciò che il processo precedente ha classicato come Acqua ma che non è stata riconosciuta come tale dall'algoritmo per il miglioramento della risoluzione spaziale e pertanto assume valore -1. La classe Acqua non vista è descritta dalla funzione di membership in Figura come estremi dell'intervallo sono stati presi i valori -2 e 1 in modo da essere sicuri di includere tutti gli oggetti. Si crea ora un quarto sottoprocesso che permetta di assegnare gli oggetti alle classi di temperatura. La nestra di editing del processo è riportata in Figura Nella Figura 6.35 sottostante si riportano l'albero dei processi e la gerarchia delle classi, mentre in Figura 6.36 è rappresentata l'immagine classicata. Dall'immagine soprastante in Figura 6.36 sono distinguibili ad occhio nudo le variazioni in temperatura assunte dall'acqua a seguito di scarichi industriali ed di correnti marine. La scala di temperatura va da circa 15 a 30 gradi Celsius, ed è indicata con scala cromatica che parte dal giallo per le zone più fredde, no ad un rosso intenso per le zone più calde. Analisi dei risultati Tramite l'utilizzo di algoritmi come quelli utilizzati per lo studio dei umi e possibile ricavare dall'immagine classicata i valori di parametri statistici d'interesse. Tramite l'algoritmo già visto in precedenza chiamato Export domain statistics è possibile ricavare i valori massimo e minimo di temperatura dell'immagine per confrontarli poi con i limiti di legge. Si può vedere in Tabella 6.13[ che la massima temperatura arriva a 29.2 o C, quindi rispetta i limiti imposti dal decreto 152.

73 68 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.33: Membership function per la classe Acqua non vista Figura 6.34: Sottoprocesso per l'assegnazione degli oggetti alle classi di temperatura

74 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 69 Figura 6.35: Albero dei processi e gerarchia delle classi per lo studio dei plume di temperatura Figura 6.36: Immagine classicata in scala cromatica di temperatura Sum Mean Temp_30 Tabella 6.13: Statistiche di interesse per l'immagine studiata Mean Std. Dev. Min Mean Mean Mean Temp_30 Temp_30 Temp_ Max Mean Temp_30

75 70 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Studio dei plume di temperatura (BINT) Per un confronto viene eseguito lo studio dei plume di temperatura anche sull'immagine ottenuta con il metodo BINT. I le che vengono caricati in Deniens sono solo quelli in temperatura a 30 m e a 90 m (Tabella 6.14). Il processo viene chiamato Livello2_90. Tabella 6.14: Layer caricati in Deniens per lo studio dei plume di temperatura a 90 m Nome del le Layer Nome assegnato al layer Aster_venezia_30 Banda1 Temp_30 Aster_venezia_90 Banda1 Temp_90 Segmentazione L'inserimento nei layer del le di temperatura con risoluzione spaziale di 30 m permette di identicare e classicare anche ciò che a 90 m è visto come terreno mentre a 30 m è acqua. Per fare questo però occorre un'adeguata segmentazione multirisoluzione. Entrambi i layer dovranno avere peso unitario per inuenzare allo stesso modo la segmentazione. Importantissima sarà l'informazione spettrale, ma anche l'informazione di forma non può essere trascurata. I parametri da inserire nella nestra di editing del processo di segmentazione sono quindi riassunti in Tabella In Figura 6.37 è riportato invece l'albero dei processi no a questo punto. Si ottiene in tal modo una segmentazione adeguata per le zone di mare. Tabella 6.15: Parametri per la segmentazione Livello 1 Algorithm Multiresolution segmentation Image object domain Pixel level Level name Liv 1 Image layer Temp_30 = 1 weights Temp_90 = 1 Scale 2 Shape 0.2 Compactness 0.5 Classicazione Le classi che si vogliono individuare in questo caso sono certamente le classi di temperatura già viste per lo studio a 30 m, e inoltre, come accennato precedentemente, si aggiunge

76 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 71 Figura 6.37: Albero dei processi: segmentazione una classe denominata Acqua_30 che rappresenta l'acqua non vista a risoluzione 90 m. Le classi da inserire nel software sono quindi quelle presentate in Figura Figura 6.38: Gerarchia delle classi Per assegnare gli oggetti alla classe corretta viene creato il processo classicazione con quattro sottoprocessi: i primi tre sono per assegnare le macro classi di Acqua_30, Acqua_90 e Non acqua, mentre l'ultimo è per le classi di temperatura (Figura 6.39). Per individuare ciò che a 30 m è acqua ma a 90 m non lo è, si ricercano gli oggetti nei quali la media della temperatura a 90 m abbia valore -1 (cioè si ricerca ciò che a 90 m non viene visto come acqua). Successivamente si identica come Non acqua ciò che a risoluzione 30 m risulta avere valore pari -1. Tutto il resto è l'acqua che viene vista a 90 m. In Tabella 6.16 sono riassunti i parametri da inserire nelle quattro nestre di editing dei primi tre sottoprocessi. Le classi di temperatura vengono denite tramite funzioni di membership esattamente come nello studio dei umi o nello studio dei plume di temperatura a risoluzione 30 m.

77 72 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.39: Albero dei processo completo Tabella 6.16: Parametri dei primi tre sottoprocessi Acqua_30 Non Acqua Acqua_90 Algorithm Assign class Assign class Assign class Image object Liv 1 Liv 1 Liv 1 domain All object / / unclassied Condition Mean Temp_90 = -1 Mean Temp_30 / = -1 Use class Acqua_30 Non Acqua Acqua_90 Anche il sottoprocesso per assegnare gli oggetti a queste classi è il medesimo già incontrato in precedenza, i parametri da inserire vengono comunque riassunti in Tabella Tabella 6.17: Parametri per il processo che assegna gli oggetti alle classi di temperatura Classi di temperatura Algorithm Classication Image object domain Liv 1 All object Acqua_90 Condition No condition Active Classes/Use 15<, 16, 17, 18, 19, 20, class 21, 22, 23, 24, 25, 26> Erase old Classication No Use class description Yes Il risultato della classicazione è riportato in Figura Analisi dei risultati Anche in questo caso, come nell'immagine a 30 m, si possono calcolare le grandezze statistiche di interesse. Il procedimento è il medesimo di quello eettuato per lo studio

78 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 73 dell'immagine a 30 m (Export domain statistics), si riportano invece i risultati in Tabella Tabella 6.18: Grandezze statistiche calcolate sull'immagine a 90 m Num Sum Mean Temp_90 Mean Mean Temp_90 Std. Dev. Mean Temp_90 Min Mean Temp_90 Max Mean Temp_ Si vede subito la minor precisione nei dati ricavati. La temperatura massima risulta infatti molto inferiore a quella calcolata nell'immagine ALG (che era 29.2 o C). Confronto con l'immagine ALG (30 m) I vantaggi ottenibili dall'applicazione dell'algoritmo all'immagine sono evidenti anche solo osservando ad occhio nudo le due classicazioni. Per maggior chiarezza si riporta in Figura 6.41 l'immagine dove si evidenziano con il colore rosso le zone che a 90 m sono riconosciute come terreno, mentre a 30 m sono identicate come acqua. In Figura 6.42 si riportano le immagini già viste delle due classicazioni dei plume di temperatura a 30 m e a 90 m. E' evidente come nel primo caso migliori la situazione soprattutto in prossimità delle coste. Nell'immagine a 30 m si distinguono chiaramente gli aumenti di temperatura dovuti agli scarichi e invece quelli connessi a un reusso marino all'interno della laguna.

79 74 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.40: Immagine a 90 m di risoluzione spaziale classicata Figura 6.41: Immagine studiata. In rosso si evidenziano le zone che sono acqua nell'immagine a 30 m ma non in quella a 90 m

80 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 75 Figura 6.42: Immagine a 30 m (alto) e a 90 m (basso) classicate in temperatura)

81 76 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Studio della linea a 50 m dalla costa (ALG, 30 m) Il decreto legislativo 152 del 2006 dice che:per i laghi [..] l'incremento di temperatura del corpo recipiente non deve in nessun caso superare i 3 o C oltre 50 m di distanza dal punto di immissione. Già in precedenza è stato spiegato perché si ci riferisca ai laghi nel caso di Venezia e non al mare, quindi per vericare la condizione imposta dalla legge è stata creata una linea a distanza di 50 m dalla costa in modo da andare a studiarne il prolo di temperatura e controllare che non ci fossero variazioni sopra ai limiti dettati dalla normativa. Costruzione della linea di studio La linea è stata costruita tramite il software ENVI 4.4 con l'utilizzo di maschere e ltri. Si andranno ora a ripercorrere gli step necessari alla creazione della linea per poi vedere come il software Deniens è stato sfruttato per l'estrazione dei proli di temperatura. Poiché i pixel hanno dimensione di 30 m, non si riesce a costruire una linea esattamente a 50 m dalla costa ma si può scegliere tra 45 m e 60 m. Per operare in sicurezza si sceglie la linea a 45 m dalla costa. Si opera con l'immagine in temperatura a risoluzione spaziale 30 m (ALG) (Aster_venezia_30) e si crea un le chiamato Mask_acqua_costa tramite i comandi Basic Tools, Masking, Build mask. Si inserisce un range di valori con il comando Import data range, che fa comparire la piccola nestra sulla destra in Figura Come valore minimo si mette -1 e come massimo, 1. Importante è nel menù opzioni selezionare la voce Selected Areas O. Figura 6.43: Creazione della maschera acqua costa Si ottiene così l'immagine in Figura 6.44, che distingue con il valore 1 l'acqua e con lo zero ciò che non è acqua.

82 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 77 A questo punto si applicano a questa immagine due ltri passabasso con kernel rispettivamente 3 e 5. Per farlo si utilizzano in ordine i comandi Filter, Covolutions and morphology e dal menù opzioni si seleziona il ltro Low Pass (Figura 6.45). Si ottengono così le due immagini mostrate in Figura A questo punto si va a creare una nuova maschera e come data range si pone l'immagine ltrata con kernel 3 x 3 con valori 1 e 1, mentre quella con kernel 5 x 5 con valori 0 e 0 (vedere nestre di editing Figura 6.47). Nel menù opzioni si selezioni l'attributo logico And e l'immagine che si ottiene è quella in Figura Come si vede dalla Figura 6.48 è stata ottenuta l'immagine a 45 m dalla costa come desiderato. Questo le immagine verrà caricato ora sul software Deniens per lo studio dell'andamento della temperatura. Oltre a questo verrà caricata anche l'immagine in temperatura e il le che distingue tra le tre macro frazioni di copertura, come si vede dalla Tabella Tabella 6.19: File caricati per lo studio della linea a 50 m dalla costa Nome del le Layer Nome assegnato al layer Banda 1 Acqua Fraction30AS Banda 2 Veg Banda 3 Non veg Aster_venezia_30 Banda1 Temp_30 Linea_50m Banda1 Linea_50m Il progetto viene denominato Studio_linea_50m ed è fornito nel materiale allegato. Segmentazione base Viene creato il processo di segmentazione base, costituito da due sottoprocessi. Il primo di questi serve per la segmentazione della sola linea di costa che deve essere divisa da tutto il resto. Si assegna un peso unitario quindi al layer Linea_50m e nullo agli altri. Per segmentare si considerano solo le informazioni spettrali numeriche dell'immagine, poiché lungo la linea di costa i pixel hanno valore 1, mentre altrove hanno valore 0. Il secondo sottoprocesso invece serve per distinguere tra loro l'acqua, il terreno e la vegetazione. Per questa segmentazione si utilizzano i parametri già visti in precedenza sia per lo studio dei umi che dei plume di temperatura. In Tabella 6.20 si riportano i parametri da inserire nelle nestre di editing dei due sottoprocessi di segmentazione base. In questo modo l'immagine risulta segmentata come desiderato. E' necessaria innanzitutto una classicazione basilare per distinguere le macro aree. Successivamente si passerà all'analisi in dettaglio, con segmentazione e classicazione, della sola linea di costa. Classicazione base

83 78 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.44: immagine Acqua-Costa Figura 6.45: Finestra per l'applicazione del ltro passa basso

84 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 79 Figura 6.46: Immagine ottenuta con l'applicazione di un kernel pari a 3 x 3 (alto) e 5 x 5 (basso). Figura 6.47: Inserimento dei valori per la creazione della nuova maschera

85 80 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Tabella 6.20: Parametri per la segmentazione base Livello 1 Livello 2 Algorithm Multiresolution segmentation Multiresolution segmentation Image object domain Pixel level Pixel level Level name Liv 1 Liv 2 Acqua = 0 Acqua = 1 Veg = 0 Veg = 1 Image layer weights Non Veg = 0 Non Veg = 1 Temp_30 = 0 Temp_30 = 1 Linea_50m = 1 Linea_50m = 0 Scale Shape 0 0 Compactness / / Vengono create le tre classi già viste in precedenza di Acqua, Non Acqua e Unclassi- ed, ma questa volta, come sottoclasse di Acqua viene creata una quarta classe denominata Linea a 50 m dalla costa. Per la denizione delle prime tre classi si utilizzano i parametri già incontrati in precedenza che sfruttano l'informazione numerica derivante dai layer del le Fraction30AS. Per la denizione dell'ultima classe invece sarà sfruttato il layer Linea_50m come già era stato fatto per la segmentazione; infatti gli oggetti appartenenti alla classe Linea a 50 m dalla costa sono quelli in cui il valore del layer Linea_50m uguale a uno. In Figura 6.49 si riporta la Gerarchia delle classi, mentre in Tabella tab:t21i parametri per l'individuazione di queste prime quattro classi. Tabella 6.21: Sottoprocessi per l'identicazione delle classi Acqua, Non acqua, Unclassied e Linea a 50m dalla costa Acqua Non Acqua Unclassied Linea a 50 m dalla costa Algorithm Classication Assign class Assign class Assign class Image object Liv 2 Liv 2 Liv 2 Domain All object / / unclassied Acqua Condition Mean Acqua Mean Acqua / Mean Linea_50m Active Classes/ Use class Erase old Classication Use class Description = 1 = 0 = 1 Acqua Non Acqua Unclassied Linea a 50 m dalla costa No / / Yes / /

86 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 81 La linea a 50 m dalla costa risulta così ben visibile sull'immagine e può già, per esempio, essere esportata come shape le per essere utilizzata in Sistemi di Informazione Geograca o in altro modo. Si veda in Figura 6.50 la classicazione ottenuta no a questo punto. Segmentazione linea a 50 m dalla costa Per facilitare lo studio della linea di costa occorre dividerla in tratti più brevi che risultino più comodi da studiare. Per farlo si taglia manualmente l'oggetto linea di costa tramite il comando di Manual editing denominato Cut Object. Per dividere il tratto di interesse si tracciano semplicemente due segmenti come si vede in Figura Si crea ora una sottoclasse di Linea a 50m dalla costa denominata Linea 1 e si assegna manualmente il tratto di linea che abbiamo tagliato a questa classe come già visto nella procedura per lo studio dei umi. Si utilizza il comando del Manual editing chiamato Classify Image Object ed evidenziato in Figura Si esegue a questo punto una ulteriore segmentazione del tratto di linea individuato. Viene utilizzata una Chessboard segmentation con i parametri deniti in Tabella In questo modo il tratto di linea che si vuole studiare viene diviso in quadratini della dimensione del pixel. Sarà su questi che verrà eettuata la classicazione con le classi di temperatura. Tabella 6.22: Parametri utilizzati nella chessboard segmentation Livello 1 Algorithm Chessboard segmentation Image object domain Pixel level All object Linea a 50m dalla costa Object size 1 Classicazione linea a 50 m dalla costa Si creano come già visto in precedenza le classi di temperatura da 15 < a 26 > utilizzando l'informazione di temperatura a risoluzione 30 m. Queste vengono inserite come sottoclassi della classe Linea 1. Si ottiene così la gerarchia delle classi mostrata in Figura Si crea il processo classicazione linea a 50 m dalla costa e un sottoprocesso per le classi di temperatura. L'albero dei processi completo è mostrato in Figura 6.54 mentre in Tabella 6.23 sono evidenziati i parametri utilizzati per la classicazione in temperatura. Si ottiene così la classicazione del tratto di interesse riportata in Figura Analisi dei risultati Si procede ora con l'estrazione di grandezze statistiche dal tratto di linea a 50 m dalla costa. Come era stato fatto anche per lo studio dei canali, si crea un nuovo processo denominato statistiche e si inseriscono due processi gli: il primo per ricavare alcuni parametri

87 82 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.48: Linea a 50 m dalla costa Figura 6.49: Gerarchia delle classi Figura 6.50: Classicazione delle prime quattro classi

88 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 83 Figura 6.51: Metodo per la divisione manuale degli oggetti Figura 6.52: Toolbar per la classicazione manuale degli oggetti

89 84 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.53: Gerarchia delle classi Figura 6.54: Albero dei processi completo di segmentazione e classicazione

90 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 85 Tabella 6.23: Sottoprocesso per l'assegnazione degli oggetti alle classi in temperatura Classi di temperatura Algorithm Classication Image object domain Liv 2 All object Linea 1 Condition No condition Active Classes/Use 15<, 16, 17, 18, 19, 20, class 21, 22, 23, 24, 25, 26> Erase old Classication No Use class description Yes su tutto il tratto studiato, mentre il secondo per ottenere il prolo di temperatura lungo la linea. Si veda in Figura 6.56 l'albero dei processi completo. Tramite il primo dei due processi gli si ottengono alcune grandezze, quali il numero di oggetti, la somma, la medie, la deviazione standard, il minimo e il massimo. Queste ultime due in particolare possono essere utilizzate in merito al controllo del rispetto dei limiti di legge, in quanto la temperatura più alta corrisponderà a quella in prossimità dello scarico industriale, mentre la più bassa a quella dell'acqua imperturbata, quindi la dierenza tra questi due valori dovrà risultare minore di 3 o C per essere in accordo con i limiti di legge. Si veda la nestra di editing di questo sottoprocesso in Figura Il risultato è una Tabella come quella già vista per lo studio dei tratti uviali, a cui è stata aggiunta una colonna denominata Max-Min dove si riporta la dierenza tra i due valori estremi del tratto di linea studiato (Tabella 6.24). Tabella 6.24: Grandezze statistiche ottenute dall'immagine classicata Mean Temp_30 Num Sum Mean Std. Dev. Min Max Max -Min Come si vede dall'ultima colonna in Tabella 6.24 i valori stremali danno una dierenza che è maggiore di 3 o C, questo fa supporre che non si stanno rispettando i limiti di legge. In realtà, si deve tener presente che la linea si trova a meno di 50 m dalla costa e che si stanno considerando i limiti di legge ssati per i laghi, non per il mare. Quindi si può aermare che nel tratto di linea considerato i limiti vengano rispettati. Il secondo sottoprocesso è quello per l'estrazione del prolo di temperatura lungo tutta la linea. E' lo stesso già utilizzato nello studio dei canali, si veda comunque la nestra di editing in Figura Si richiedono come Feature non solo la temperatura ma anche la posizione degli oggetti (Tramite le due features XCenter e YCenter) e l'area dgli oggetti classicati per ogni classe (in pixel). Si vedano le features richieste nella Figura 6.59.

91 86 Capitolo 6. Studio dei campi di temperatura in corsi d'acqua e in zone costiere Figura 6.55: Classicazione in temperatura del tratto di linea di interesse Figura 6.56: Albero dei processi nale

92 6.2. ELABORAZIONE DELLA MAPPATURA TERMICA 87 Figura 6.57: Finestra di editing per il sottoprocesso Export Domain Statistics Figura 6.58: Finestra di editing per il sottoprocesso Export Object Statistics for report