INDIVIDUAZIONE DI FENOMENI FRANOSI SUPERFICIALI TRAMITE ANALISI SEMIAUTOMATICA DI IMMAGINI SATELLITARI OTTICHE PRE-POST EVENTI PIOVOSI INTENSI

Transcript

1 INDIVIDUAZIONE DI FENOMENI FRANOSI SUPERFICIALI TRAMITE ANALISI SEMIAUTOMATICA DI IMMAGINI SATELLITARI OTTICHE PRE-POST EVENTI PIOVOSI INTENSI Filippo Gregori, Leonardo Disperati Università degli Studi di Siena, Dipartimento di Scienze Fisiche, della Terra e dell Ambiente gregori.filippo@gmail.com disperati@unisi.it Massimo Perna CNR Ibimet/Consorzio LaMMA perna@lamma.rete.toscana.it Francesco Manetti Consorzio LaMMA manetti@lamma.rete.toscana.it Carlo Villoresi, Guido Lavorini SITA Regione Toscana guido.lavorini@regione.toscana.it

2 L Italia è uno dei paesi maggiormente interessati da fenomeni franosi. Nel solo anno 2014, l ISPRA (Istituto Superiore per la Protezione e la Ricerca Ambientale) ha riportato ben 211 eventi franosi principali, cioè con vittime, feriti, evacuati e danni ad edifici, beni culturali ed infrastrutture di comunicazione. Per molti di questi fenomeni, il fattore scatenante è rappresentato da eventi meteorici di particolare entità, in relazione alle normali condizioni meteo-climatiche. Entità Durata dell afflusso meteorico influenzano Grado di saturazione del suolo Distribuzione dei volumi d acqua trattenuti dal sistema suolo/substrato (LaMMA, 2014)

3 Altri fattori importanti sono: Condizioni di umidità preesistenti alla pioggia: Capacità di intercettazione del soprassuolo Evapotraspirazione Infiltrazione superficiale Velocità di percolazione nel sistema suolo/substrato Presenza di copertura nevosa: (Linsley et al., 1958) Influisce sulla risposta idraulica di versanti ed interi bacini

4 OBIETTIVI Miglioramento delle conoscenze sui fenomeni franosi superficiali e sulle interazioni con gli eventi piovosi intensi Approfondimento delle conoscenze sui principali eventi di precipitazione intensa verificatisi negli ultimi due decenni in Toscana

5 AREA DI STUDIO MAR LIGURE ALPI APUANE (Geoscopio, 2015)

6 AREA DI STUDIO Pontremoli 1600 mm/yr La Spezia 1350 mm/yr Alpi Apuane 3300 mm/yr Massa 1200 mm/yr (Google Earth, 2015)

7 EVENTO A EVENTO B DICEMBRE OTTOBRE 2011 (Satellite MODIS, 2009) (LaMMA2009)

8 EVENTO A Camporgiano Pusignara EVENTO B Canale di Borra Grande Torrente Mangiola

9 ACQUISIZIONE IMMAGINI SATELLITARI RapidEye Costellazione composta da 5 satelliti Satelliti allineati sulla stessa orbita eliosincrona Tempo di rivisitazione: 1 giorno Sensore pushbroom multispettrale passivo Risoluzione spaziale elevata: 5 metri Ampiezza di swath: 77 km (blackbridge.com/rapideye, 2009)

10 Dicembre 2009 Giugno 2010 Novembre 2010 EVENTO A dicembre 2009 t = 120 giorni Dicembre 2010 Giugno 2011 Novembre 2011 EVENTO B 25 ottobre 2011 t = 16 giorni

11 CHANGE DETECTION ANALYSIS Processo di identificazione di cambiamenti nello stato di oggetti o di fenomeni attraverso l osservazione multitemporale. Cosa si intende per cambiamento? Alterazioni o modifiche di componenti o caratteristiche della superficie terrestre Variazioni spettrali/spaziali di un entità sulla superficie terrestre nel tempo Tipologie di cambiamento: o CONVERSIONE completa sostituzione di un tipo di copertura del suolo in un altro tipo o MODIFICA molto sottili variazioni che interessano il carattere della copertura senza alterare la sua classificazione generale Tasso di cambiamento, inteso come velocità di realizzazione: Cambiamento brusco (esempio: incendio) Sottile e/o graduale (esempio: accumulo di biomassa)

12 CHANGE DETECTION ANALYSIS La change detection permette un analisi attraverso due differenti punti di vista: ANALISI BI-TEMPORALE: confronto tra coppie di immagini ANALISI DEL TREND: studio di serie di immagini multi-temporali Nel nostro studio il cambiamento da ricercare nella copertura del suolo è del tipo: VEGETAZIONE (t 1 ) NON VEGETAZIONE (t 2 ) quindi una conversione di copertura molto brusca, causata da un evento meteorico preciso, ben collocato sulla scala temporale. Change detection analysis basata sull utilizzo di coppie di immagini PRE/POST evento.

13 PROCEDURA IMPLEMENTATA ACQUISIZIONE IMMAGINI PRE-PROCESSING P.C.A. I.C.A. FOTOINTERPRETAZIONE PRELIMINARE STRETCHING ELABORAZIONE IMMAGINI 1^ SIGNATURE D.V.I. P.C.A. I.C.A. CREAZIONE FEATURE SPACE ANALISI MULTITEMPORALE PLOT SUI F.S. DELLA 1^ SIGNATURE VALUTAZIONE RISULTATI CLASSIFICAZIONE SUPERVISIONATA/ NON SUPERVISIONATA 2^ SIGNATURE CLASSIFICAZIONE SUPERVISIONATA

14 PRE-PROCESSING CO-REGISTRAZIONE GEOMETRICA Valutazione della corrispondenza spaziale iniziale (fornita dalla RapidEye) Digitalizzazione di due feature class (PUNTI_PRE; PUNTI_POST) Analisi dello scostamento medio tra le coordinate dei punti omologhi ID COORD. x PRE (m) COORD. x POST (m) COORD. y PRE (m) COORD. y POST (m) Dx (m) Dy (m) DISTANZA (m) ORIENTAZIONE ( ) , , , ,128 5,657 12,069 13, , , , ,631 0,464 12,306 12, , , , ,272 0,775 7,746 7, , , , ,898 0,000 6,582 6, , , , ,44 5,171 7,604 9, , , , ,92 2,740 12,056 12, , , , ,237 3,981 7,167 8, , , , ,478 0,380 7,222 7, , , , ,823 0,000 2,678 2, , , , ,814 0,236 2,593 2, parametro DISTANZA ANGOLO (m) ( +/- da N) media 6,65 2 sdev 4,543 49,3 min 0, max 26,85 180

15 PRE-PROCESSING CO-REGISTRAZIONE RADIOMETRICA Individuazione P.I.F. (Pseudo Invariant Features) Analisi statistiche per ciascuna coppia di bande (PRE/POST) Correzione di una delle due immagini tramite equazione lineare su ciascuna banda (DN Bx, t1 )* = DN Bx, t1. tg α + k

16 ANALISI MULTITEMPORALE INDIVIDUAZIONE DEI FENOMENI FRANOSI FOTOINTERPRETAZIONE PRELIMINARE Approcci di elaborazione: 1. INDICE DI VEGETAZIONE 2. ANALISI DELLE COMPONENTI PRINCIPALI 3. ANALISI DELLE COMPONENTI INDIPENDENTI

17 Mascheratura di: ANALISI MULTITEMPORALE INDIVIDUAZIONE DEI FENOMENI FRANOSI Mare Cave Neve Nuvole (e relative ombre) Versanti in ombra Aree con pendenza < 15%

18 ANALISI MULTITEMPORALE FOTOINTERPRETAZIONE PRELIMINARE Creazione di un dataset di fenomeni franosi di riferimento Dato ausiliario: ortofoto GEOscopio della Regione Toscana Creazione shapefile poligonale delle aree di frana Verifica accuratezza shapefile e fotointerpretazione (rilievo di campagna) PRE POST

19 Approccio 1: D.V.I. (Difference Vegetation Index) Approccio algebrico Basato su firme spettrali diverse Il risultato è un dato continuo DVI = [(Banda 5) (Banda 3)] ANALISI MULTITEMPORALE DDVI = DVI t 2 / DVI t 1 [ DVI < 1] indica il tipo di cambiamento ricercato

20 ANALISI MULTITEMPORALE Approccio 2: ANALISI COMPONENTI PRINCIPALI (PCA) Trasformazione lineare delle bande spettrali Passaggio da k variabili originali (bande) a k nuove variabili (componenti) Ridistribuzione secondo la massima varianza NO MASK MASK

21 ANALISI MULTITEMPORALE Approccio 3: ANALISI COMPONENTI INDIPENDENTI (ICA) Trasformazione lineare delle bande spettrali Sfrutta le statistiche di ordine più elevato (coeff. Correlazione, skewness, kurtosis) Ridistribuzione secondo la massima indipendenza NO MASK MASK

22 3^ COMPONENTE PRINCIPALE CLASSIFICAZIONE SUPERVISIONATA Una volta elaborate, le immagini trasformate sono state sottoposte a stretching per enfatizzare il contenuto radiometrico breakpoints); Creazione di una 1^ signature contenente la firma digitale dei corpi franosi (da stack multitemporale); Elaborazione dei 45 feature space; Plottaggio degli oggetti della 1^ signature in ciascun F.S. e scelta degli scatterogrammi migliori; Creazione di una 2^signature a partire dai feature space. CLASSIFICAZIONE 1^ COMPONENTE PRINCIPALE

23 CLASSIFICAZIONE NON SUPERVISIONATA Più semplice e veloce della classificazione supervisionata Metodo meno accurato E l utente a decidere quali classi sono interessanti

24 RISULTATI EVENTO A EVENTO B CLASS. SUPERVISIONATA [scatterogrammi] N DI PIXEL I.C.A. in frana (shp) 3663 CLASS. NON SUPERVISIONATA [Classe 9] N DI PIXEL I.C.A. in frana (shp) 3612 estratti dalla classificazione e ricadenti nei poligoni 288 estratti dalla classificazione e ricadenti nei poligoni 449 percentuale estratti nei poligoni (%) 7,9 percentuale estratti nei poligoni (%) 12,43

25 PROBLEMATICHE Legate a: SENSORE RAPIDEYE Limitata estensione areale delle frane (frequentemente 5-10 m 1 2 pixel) Difficoltà nel reperire immagini di archivio di buona qualità ( possibile programmare la ripresa delle immagini con costi aggiuntivi) QUALITA DELLA COPPIA DI IMMAGINI Grande differenza di qualità tra le immagini dei due eventi Elevato intervallo di tempo tra i momenti di presa Presenza di elementi accidentali (neve, nuvole) Presenza di ombre Orientazione sfavorevole di alcuni corpi di frana

26 CONCLUSIONI L uso di immagini RapidEye ha portato all individuazione di molti fenomeni franosi legati ad eventi meteorologici intensi, in particolare: Evento A 106 Evento B 90 L utilizzo di RapidEye ha permesso di lavorare ad un costo relativamente contenuto su un area molto vasta e con tempi di lavoro inferiori alla semplice attività di campagna. Importanza della scelta/disponibilità delle immagini pre-post evento Influisce in maniera rilevante sull accuratezza della capacità classificatoria Rende necessaria la mascheratura di aree, con perdita di informazioni Compromesso: Accuratezza classificazione Distribuzione spaziale dell informazione acquisita

27 GRAZIE PER L ATTENZIONE

28

29

30

31 Rapideye 1,28$ / kmq Quickbird 17,5$ / kmq

32