Identificazione da remoto degli affioramenti di Natural Occurring Asbestos - NOA

Transcript

1 Identificazione da remoto degli affioramenti di Natural Occurring Asbestos - NOA Stefano Pignatti (CNR IMAA - Institute of Methodologies for Environmental Analysis)

2 Outlines NOA Le immagini da remoto disponibili/utilizzate Rationale degli algoritmi hard/soft per il riconoscimento dei NOA Esempi di applicazione MIVIS aereo Hyperion, S2, WW3 satellite PRISMA ->2019

3 NOA Per Amianto di origine naturale intendiamo «presenza di minerali di amianto di origine geologica, affioramenti o sepolti, in rocce o nei prodotti di disgregazione e disfacimento delle stesse in contenuti variabili, casuali e non definibili in via preventiva» (INAIL, 13/12/28) Le ofioliti occupano le posizioni più interne e strutturalmente più elevate rispetto alle altre unità tettoniche. Pur rappresentando lembi di litosfera oceanica queste ofioliti conservano delle peculiarità, che le rendono indiscutibilmente simili tra loro: età riferibile al Giurassico Medio-Superiore; prodotti magmatici ad affinità MORB; successioni ridotte: sedimenti pelagici direttamente sul basamento peridotitico serpentinizzato (localmente intruso da gabbri).

4 Dati remoti utilizzati x NOA in Italia Aereo MIVIS (VNIR-SWIR-TIR) Parco del POLLINO 06/1998 Rocce contenti amianto (serpentiniti) Dati disponibili: RAD, RIFL/EMISS (6/7 m GSD) Satellite Hyperion (VNIR-SWIR) Parco del POLLINO 4/12/2001 Rocce contenti amianto (serpentiniti) Dati disponibili: RIFL (30 m GSD) Satellite Sentinel 2 (VNIR-SWIR) Aosta 14/10/2017 Rocce contenti amianto (serpentiniti) Dati disponibili: RIFL (10 m GSD) Balangero (TO) 03/11/2017 Dati disponibili: RIFL (10 m GSD) San Severino Lucano (Pollino) 15/10/2017 Dati disponibili: RIFL (10 m GSD) Livorno 22/08/2017 Dati disponibili: RIFL (10 m GSD) Parma 14/10/2017 Dati disponibili: RIFL (10 m GSD) Polcevera (GE) 14/10/2017 Dati disponibili: RIFL (10 m GSD) Monte Reventino (CZ) 02/09/2017 Dati disponibili: RIFL (10 m GSD) Prato-Figline-Monte Piccioli 20/08/2017 Dati disponibili: RIFL (10 m GSD) Ulteriori immagini d archivio sono disponibili nei data base delle varie missioni multispettrali (S2, Landsat, ASTER, etc)

5 Algoritmi Architettura per classificatori HARD Attribuiscono ciascun pixel ad un numero finito di classi Architettura per classificatori SOFT Ricostruiscono la riflettanza spettrale del pixel attraverso un numero finito di spettri di riferimento (detection, abbondanza) Valutazione delle prestazioni k n i n ij j 1 n k j n ij i 1 OA k i 1 n n n PO n ii jj j uguale al numero di campioni della categoria i nella classificazione derivata da dati remoti il numero di campioni classificati nella categoria j nei dati di riferimento overall accuracy numero totale di correttamente pixel classificati (somma degli elementi lungo il diagonale maggiore) diviso per il numero totale di pixel di riferimento producer accuracy il numero di pixel correttamente classificato in ogni categoria (sulla diagonale maggiore) diviso il numero di pixel di riferimento "noti" come tali categoria (la colonna totale) UO n n ii i user accuracy il numero di correttamente classificato pixel in ogni categoria diviso per il numero totale di pixel nella colonna corrispondente

6 Algoritmi NOA utilizzati Pixel based: Attribuiscono ad ogni pixel dell immagine una sola delle classi considerate. La metrica adottata per misurare la vicinanza di un pixel ad un dato cluster è di frequente la distanza di Mahalanobis. Spectral Angle Mapper (SAM): confronta la somiglianza spettrale tra i pixel dell immagine e quelli di training sulla base della loro distanza angolare; la scelta di tale algoritmo, poco sensibile ad effetti di illuminazione dati ad esempio dalla diversa esposizione delle superfici Expectation Maximization (EM): assume noto il numero di cluster presenti nella scena e trova il numero di cluster che massimizzano la verosimiglianza. Target detection: Stimano statisticamente il background per evidenziare la presenza del MCA Matched Filtering (MF) è una partial unmixing, fornisce l abbondanza di un target nel pixel rispetto al bck Adaptive Coherence Estimator ACE è derivato da Generalized Likelihood Ratio (GLR) si basa sulla conoscenza della covarianza del background. ACE è invariante ad eventuali effetti di scala degli spettri di input. Constrained Energy Minimization (CEM) è una estensione della Linear Mixing Model e come la MF, si basa su un operatore lineare che minimizza la risposta del background rispetto allo spettro del materiale d interesse Spectral features: Si basano sull analisi del picco di asorbimneto caratteristico dei MCA DBA Band Depth Analysys

7 Algoritmi spettrali Soft Spectral based Si basano sulla firma spettrale del materiale d interesse (BDL= livello minino di profondità della firma registrabile da uno strumento) funzione del sensore e dell assorbimento spettrale caratteristico dei NOA (nello SWIR/LWIR) considerando che il rumore limita la capacità dello strumento di individuare la firma/assorbimento spettrale PRISMA per BDL: 2.32mm ~200 Band 2.32µm ~ 7.6 nm Hyperion per BDL: 2.32µm ~20 Band 2.32µm ~ 10 nm Rb BD R BDL SNR CF c spectrumfwhm BandWidth R c = 0.264; R b = 0.228; Spectrum FWHM ~ 2.3micron BDL fmin 4.3% BD CF BDL( Hyperion) spectrumfwhm SNR BandWidth f min ( Hyperion) BDL BD 48% ASD Hyperion

8 Algoritmi R c - R b = R c - R b = CF BDL( Hyperion) spectrumfwhm SNR BandWidth f min ( Hyperion) BDL BD 48% 8micron

9 Data set sul Parco del Pollino (Basilicata) HYPERION Relative flight altitude: 3000m Pixel ground resolution: 6m MIVIS N MIVIS /

10 Basilicata - S. Severino MIVIS Spectral matching compara gli spettri di riferimento minimizzando lo spettro residuo attraverso il metodo statistico dei minimi quadrati Hyperion Spectral Feature Fitting Hyperion (R:681 nm; G:1649 nm; B:559 nm) 4/12/ /8/2012 SERPENTINI Emessivita Riflettanze

11 Basilicata - S. Severino STAZIONI DI MISURA E DI VERIFICA CALCITE FIUME FRIDO METABASITE S. SEVERINO SERPENTINITES

12 Valle da Aosta - S2

13 Toscana OS-2: Livorno, Dati S2 aerei e da satellite x NOA

14 Emilia Romagna OS-2: Dati Parma, aerei S2e da satellite x NOA Fornovo di Taro Roccamurata

15 Toscana - Prato, S2

16 Basilicata San Severino, S2

17 Basilicata - San Severino Lucano (Pollino), WV-3 25/10/2018 Acquisizione di 2 immagini multispettrali satellitari WorldView-3 (costo tot. ca 8000 Euro), area totale ca 100 Km 2 1 immagine WorldView-3 multispettrale 8 bande VIS-NIR ( nm) a 2 m di risoluzione spaziale 1 immagine WorldView-3 multispettrale 8 bande SWIR ( nm) a 7.5 m di risoluzione spaziale R: 832 nm G: 545 nm B: 480 nm R: 2260 nm G: 1210 nm B: 1660 nm

18 Basilicata - San Severino Lucano (Pollino), WV-3 Pre-processing delle nuove immagini orto-rettificate WV-3 1. Calibrazione radiometrica applicando i fattori di gain e offset forniti da DigitalGlobe nel file (.TIL) 2. Correzione atmosferica utilizzando il codice di trasferimento radiativo MODTRAN (FLAASH) RGB VNIR 2m/pixel RGB SWIR 7.5m/pixel

19 Basilicata - San Severino Lucano (Pollino), WV-3

20 Basilicata - San Severino Lucano (Pollino), WV-3 vs S-2 28/10/2018 Acquisizione di 1 immagine multispettrale satellitare Sentinel-2 (costo 0 Euro) 1 immagine Sentinel-2 multispettrale 8 bande VIS-SWIR ( nm) con m di risoluzione spaziale WW-3 (7.5m) S2 (10m) MIVIS (7.5)

21 Sorvolo TASI ch (8-12micron) San Severino Lucano (PZ) Roccamurata (PR)

22 Conclusioni Le rocce asbestiformi presentano features spettrali caratteristiche sia nello SWIR che nel LWIR tali da essere riconosciute da remoto sia da piattaforma aerea che satellitare; Buoni risultati sono stati ottenuti sia utilizzando classificatori pixel base che soft base per la detection degli affiormanenti; I dati multispettrali (S2 & WV3) forniscono una buona stima degli affioramenti; I dati aerei iperspettrali (VSWIR e LWIR) permettono di indentificare anche depositi secondari; caratterizzazione della mineralogia degli affiormenti open issue I nuovi dati iperspettrali satellitari (30m/pixel; PRISMA, EnMAP) dovrebbero permettere di identificare pixel NOA quando la sua concentrazione è dell ordine del 5% (~50mq).

23 GRAZIE PER L ATTENZIONE!!!

24 ASBESTOS CEMENT VSWIR/LWIR DETECTION RESULTS Emissivity Reflectance