METODOLOGIE AUTOMATICHE NELL ELABORAZIONE DI IMMAGINI SATELLITARI STEREOSCOPICHE AD ALTA RISOLUZIONE PER APPLICAZIONI INGEGNERISTICHE

Transcript

1 METODOLOGIE AUTOMATICHE NELL ELABORAZIONE DI IMMAGINI SATELLITARI STEREOSCOPICHE AD ALTA RISOLUZIONE PER APPLICAZIONI INGEGNERISTICHE R. Brigante Università di Perugia Dipartimento di Ingegneria Civile e Ambientale (DICA) Via Duranti, Perugia raffaella.brigante@unipg.it KEY WORDS: Telerilevamento, Classificazione multispettrale, DTM, DSM, GIS ABSTRACT: Negli ultimi anni il telerilevamento è diventato una delle principali tecniche di rilievo del territorio, grazie alla capacità di registrare immagini in tempi brevi, anche su zone interdette al volo o in caso di calamità naturali. Il lancio dei satelliti commerciali ad alta risoluzione geometrica, iniziato circa 10 anni fa, ha aperto la strada a numerose applicazioni fino ad allora di esclusiva competenza della fotogrammetria aerea, come la produzione di ortofoto, la generazione di modelli digitali della superficie, la creazione di mappe tematiche dell'uso del suolo. In quest'ultimo campo, il telerilevamento consente di ottenere buoni risultati grazie alla possibilità dei sensori a bordo dei satelliti di acquisire immagini in più bande spettrali, che combinate fra loro consentono di ottenere informazioni sui vari oggetti presenti sul territorio ripreso. Le applicazioni del telerilevamento sono molteplici; si possono ricordare quelle relative alla valutazione dei cambiamenti (macroscopici) del territorio, che avvengono confrontando immagini relative alla stessa area ma di epoche diverse, o ancora studi di tipo ambientale sulla presenza e sullo stato della vegetazione. Molto interessante è la possibilità offerta dagli strumenti GIS di integrare tra loro dati di natura diversa (raster e vettoriali, planimetrici e altimetrici), in modo da poter ottenere ulteriori informazioni riguardanti l area di studio. 1. INTRODUZIONE Questa sperimentazione parte da un Accordo per attività di ricerca, avente per oggetto Ortofotoproiezione e generazione di modelli digitali del terreno da immagini satellitari ad alta risoluzione per studi territoriali ed ambientali tra l Università di Perugia e il Comune di Foligno (PG) e si basa sull analisi e l elaborazione di due coppie stereoscopiche di immagini satellitari ad alta risoluzione (pancromatiche e multispettrali) riprese dal satellite Ikonos nell'ottobre del L obiettivo principale della sperimentazione è quello di valutare le possibili applicazioni ingegneristiche delle immagini satellitari ad alta risoluzione spaziale, quali la generazione di ortofoto tramite la correzione geometrica delle distorsioni e la georeferenziazione, la classificazione multispettrale per la creazione di mappe di copertura del suolo, la generazione di modelli digitali della superficie (Digital Surface Model e Digital Terrain Model); in particolare si vuole testare una metodologia automatica (o semiautomatica) per estrarre informazioni riguardanti gli elementi antropici presenti sul territorio, quali gli edifici, mediante una integrazione tra informazioni planimetrica ed altimetriche. Le applicazioni di tale metodologia possono essere molteplici, a partire dall aggiornamento della cartografia esistente o dall individuazione degli abusi edilizi, fino ad arrivare alla valutazione dei cambiamenti (macroscopici) del territorio dovuti ad esempio a calamità naturali. 1.1 Area di studio e materiale utilizzato L'area di studio corrisponde ad una parte del comune di Foligno (Perugia) avente un'estensione di circa 150 km 2 (Figura 1). Ha una morfologia abbastanza complessa, in essa infatti vi sono aree rurali e boschive piuttosto estese, piccoli centri storici, edifici isolati, piccole aree industriali; anche le quote sono diverse in quanto variano tra i 300 e i 1200 m s.l.m. Figura 1. Area di studio Il materiale utilizzato nella sperimentazione consiste in due coppie stereoscopiche (standard geometrically correct) riprese dal satellite Ikonos nell ottobre del 2006, pancromatiche, con risoluzione geometrica pari a 1 m (Figura 2), multispettrali nelle

2 quattro bande R, G, B e vicino infrarosso, con risoluzione geometrica pari a 4 m e pansharpened, con risoluzione geometrica pari a 1 m ottenute in questa sperimentazione dalla fusione tra le immagini pancromatiche e quelle multispettrali (Zhang, Y., 2004, Figura 3). 2.1 Correzione geometrica delle immagini La correzione geometrica delle immagini satellitari è necessaria a causa delle forti distorsioni presenti su esse. Per effettuare tale correzione sono utilizzati dei modelli che stabiliscono il legame tra le coordinate oggetto e le coordinate immagine dei vari punti (Toutin, 2003, Figura 4). In questa sperimentazione sono stati utilizzati sia il modello parametrico rigoroso (Toutin, 2003b) che utilizza la equazioni di collinearità correggendole per tener conto delle distorsioni presenti sull immagine e i cui parametri hanno significato fisico, che quello non parametrico, in cui il legame tra le coordinate oggetto e le coordinate immagine è ottenuto mediante delle funzioni polinomiali razionali (Hu, Y., et al., 2004). Oi Fugura 2. Immagini pancromatiche P (ξ,η) Spazio immagine Figura 3. Immagine pansharpened ottenuta dalla fusione tra l immagine pancromatica e quella multispettrale Inoltre è stata utilizzata la Carta Tecnica Regionale in formato vettoriale dell intera area di studio in scala 1: e 1:5 000, soprattutto in fase di controllo dei risultati sia per quanto riguarda l individuazione degli edifici, sia per la validazione del modello digitale di superficie estratto. Altro materiale utilizzato per la validazione del modello digitale della superficie consiste nei tracciati cinematici rilevati durante le campagne di misura dei punti di appoggio sulla maggior parte delle strade presenti nell area di studio. 2. FASI DELLA SPERIMENTAZIONE Tutto il lavoro si è articolato nelle seguenti fasi: correzione geometrica delle immagini, effettuata sia con il modello rigoroso che con quello non rigoroso; estrazione del modello digitale della superficie, effettuata con diversi software (Socet Set, PCI Geomatics, LPS), in modo da valutarne le differenze e le possibili applicazioni; generazione dell'ortofoto dell'intera area di studio, tramite mosaicatura delle due ortofoto prodotte, effettuata con il software Envi; validazione dei risultati tramite confronto con CTR vettoriale alla scala nominale 1: e tracciati cinematici, avvenuta in ambiente GIS; classificazione dell'uso del suolo, mediante l algoritmo di massima verosimiglianza e un approccio pixel- based con il software Envi (classificazione supervisionata) e con il software Free and Open Source Grass GIS (classificazione non supervisionata); integrazione tra informazioni planimetriche ed altimetriche, sempre in ambiente GIS, per l'individuazione degli edifici. P (X,Y,Z) Spazio oggetto Figura 4. Corrispondenza tra punti oggetto e punti immagine Per valutare i parametri di passaggio tra le coordinate oggetto e le coordinate immagine è necessario conoscere un certo numero di GCP (Ground Control Point), la cui posizione sia nota sia nel sistema di riferimento esterno (oggetto) che nel sistema di riferimento interno (immagine). I 48 punti di controllo utilizzati per la correzione e per la creazione del modello stereoscopico, sono stati scelti ben distribuiti sull'intera area di studio (Figura 5); sono stati misurati con tecnica satellitare GNSS, sfruttando la rete di stazioni permanenti della Regione Umbria e dell'università di Perugia (Figura 6). Durante le campagne di misura dei GCP sono stati rilevati anche i tracciati cinematici lungo le strade percorse. Figura 5. Distribuzione GCP e tracciati cinematici rilevati sull area di studio

3 Figura 8. DSM estratto dalla coppia stereo Figura 6. Esempi di GCP misurati 2.2 Estrazione del modello digitale della superficie e produzione dell ortofoto Avendo a disposizione un modello digitale della superficie e l immagine di partenza è stata generata l ortofoto dell intera area di studio, ottenuta mediante mosaicatura delle singole ortofoto. Il confronto con la carta tecnica regionale e con i tracciati cinematici è stato effettuato sia planimetricamente sull'ortofoto (Figure 9 e 10), ritrovando una buona sovrapposizione sia in prossimità delle strade che degli edifici, che altimetricamente sul modello digitale della superficie. La possibilità di estrarre un modello digitale della superficie (DSM) è una delle novità introdotte dai satelliti di ultima generazione che consentono di riprendere immagini stereoscopiche dell'area di studio (Figura 7). O i Oi P (ξ,η ) P (ξ,η ) Figura 9. Sovrapposizione CTR ortofoto prodotta P (X,Y,Z) Figura 7. Ripresa stereoscopica Along Track Tale modello è ottenibile mediante tecniche di matching applicate alle immagini stereo. La maggior parte degli algoritmi di matching automatico delle immagini si basano sulla ricerca del massimo della correlazione tra i pixel delle due immagini costituenti la coppia, valutando il coefficiente di correlazione (Zhang, L. and Gruen, A., 2004, Dial, G. et al., 2008). In questa applicazione sicuramente l'elevata risoluzione radiometrica delle immagini (11 bit) migliora i risultati della correlazione. Spesso il prodotto che si vuole ottenere è un DTM, ovvero un Modello Digitale del Terreno, diverso dal DSM in quanto depurato da edifici e vegetazione. In questa sperimentazione invece si è sfruttata la presenza di tali elementi sul DSM per estrarre le informazioni altimetriche relative agli edifici. Figura 10. Sovrapposizione tracciati cinematici - ortofoto Dell area di studio è stato estratto sia un modello digitale in formato GRID con risoluzione pari a 1 m, che un modello TIN che consente di identificare in maniera più corretta le discontinuità presenti sulla superficie, quali ad esempio gli edifici. Il modello GRID, invece, consente di ottenere più facilmente con i diversi software dedicati ulteriori prodotti, quali ad esempio carte a curve di livello, mappa delle esposizioni (Figura 11) e delle pendenze, bacini idrografici, ecc (Guo Liu J. And Mason, P., 2009); inoltre, dall unione tra l ortofoto e un

4 modello 3d è possibile ottenere delle immagini realistiche dell area di studio come quella mostrata in figura 12. h (m) % Tabella 2. Differenze DSM tracciati cinematici Sono state indagate le possibili cause di differenze di elevazione tra il DSM estratto e i punti appartenenti ai tracciati cinematici superiori a 20 m e si è visto che questi sono situati essenzialmente lungo i bordi delle immagini, nelle zone d ombra in cui fallisce la correlazione automatica delle immagini durante la fase di estrazione del modello digitale e in prossimità di strade alberate (Figura 13). Figura 11. Carta delle esposizioni ottenuta dal DSM GRID Figura 13. Maggiori errori del DSM Figura 12. Sovrapposizione ortofoto al modello 3D 2.3 Validazione DSM estratto Il DSM ottenuto è stato validato mediante confronto altimetrico con i punti quotati appartenenti alla Carta Tecnica Regionale (Tabella 1), ottenendo una differenza di elevazione media pari a 2.6 m e con i tracciati cinematici rilevati (Tabella 2), per i quali si è ottenuto che per il 93 % dei punti considerati la differenza di elevazione è inferiore ai 5 m (Baiocchi, V. et al, 2007). h DSM1 DSM2 (m) % % > Tabella 1. Differenze DSM punti quotati CTR E stato anche effettuato un confronto qualitativo delle curve di livello estratte dal DSM e quelle presenti sulla CTR, ritrovando una buona corrispondenza. Sui punti di controllo utilizzati per la correzione geometrica delle immagini si è ritrovata una differenza di elevazione media pari a 0.5 m per il DSM1 e 0.7 m per il DSM Classificazione multispettrale La classificazione multispettrale è una tecnica che consente di ricavare da una immagine delle informazioni sulla copertura del suolo, ottenendo così mappe tematiche del territorio. L approccio pixel-based utilizzato in questa sperimentazione parte dalla diversità che hanno le varie superfici presenti nell area di studio di riflettere o assorbire la radiazione luminosa nelle diverse bande, dando luogo a diverse firme spettrali (Favretto, 2006, Figura 14). Figura 14. Firma spettrale per diverse superfici

5 La capacità dei sensori per il telerilevamento di riprendere la scena in più bande è di enorme importanza, infatti ogni elemento ha una propria curva caratteristica nelle diverse regioni dello spettro. Ad esempio elementi come l acqua assorbono tutta l energia luminosa nella banda dell infrarosso, per questo, visualizzando la scena in questa banda, un corso d acqua apparirà nero o molto scuro, mentre la vegetazione sarà molto più evidente nelle bande del verde e del blu. Tradizionalmente la creazione di mappe tematiche del territorio avveniva mediante fotointerpretazione dell immagine, molto influenzata dall operatore e quindi non oggettiva. Oggi ovviamente si cerca di utilizzare il più possibile algoritmi che in maniera automatica (o semiautomatica) individuino le varie classi di copertura del suolo, svincolando i risultati dalla soggettività dell operatore. La classificazione multispettrale identifica quindi regioni omogenee dal punto di vista radiometrico sull immagine e le assegna a categorie rappresentative delle coperture del suolo, usando le informazione spettrali rappresentate dai Digital Number (DN) in più bande. Può essere effettuata in due modalità (Figura 15): - supervisionata, se l operatore conosce già le classi di copertura del suolo, seleziona alcuni pixel rappresentativi delle varie classi (o regioni di interesse) e l algoritmo procede con l assegnazione di ogni pixel dell immagine ad una classe in base alla sua vicinanza spettrale; - non supervisionata, se prescinde dalla conoscenza della realtà al suolo e si basa solo su criteri di similarità spettrale; in questo caso l operatore interviene alla fine del processo classificativo andando ad assegnare le varie regioni identificate dall algoritmo a particolari classi di copertura del suolo. Legenda Figura 16. Classificazione multispettrale tetto ombre strada strada1 coltura1 coltura2 bosco Durante il processo di classificazione si è fatta particolare attenzione alla classe edifici, isolandola dal resto delle classi di copertura del suolo, in quanto un riconoscimento automatico di tale classe risulta molto utile se si vuole ad esempio effettuare un aggiornamento della cartografia esistente, o un monitoraggio dei cambiamenti (macroscopici) del territorio. La classificazione supervisionata degli edifici effettuata per diversi ritagli dell area di studio ha fornito buoni risultati, identificando anche edifici non presenti sulla CTR e difficilmente distinguibili sull ortofoto (Figura 17). Figura 17. Individuazione edifici Figura 15. A sinistra classificazione supervisionata a destra classificazione non supervisionata Un ulteriore metodo per classificare la copertura del suolo utilizza un approccio object oriented che tiene conto anche della forma e dell estensione degli oggetti presenti sul territorio (Brigante, R and Radicioni, F., 2008), oltre che della loro firma spettrale. In questa sperimentazione i risultati migliori sono stati ottenuti con una classificazione multispettrale supervisionata mediante l algoritmo di massima verosimiglianza effettuata su diversi ritagli rappresentativi dell area di studio di cui uno è mostrato in figura 16. Alcuni errori di classificazione si notano invece in aree aventi radiometria uniforme; ad esempio, per il ritaglio mostrato in figura 18, sono stati classificati come edifici alcuni pixel di un campo avente stesso colore dei tetti. Figura 18. Errata classificazione Per distinguere le varie superfici presenti nell area di studio molto utile è anche effettuare una combinazione tra bande; in particolare l indice di vegetazione NDVI, ottenuto combinando la banda del rosso e dell infrarosso vicino, consente di effettuare una pre-classificazione molto efficace soprattutto per

6 quanto riguarda le aree coperte da vegetazione e di separarle dalle aree edificate (Figura 19). Il miglioramento del DSM è evidente sia dalla diminuzione del 4% del numero di punti in cui fallisce la correlazione automatica, sia sull ortofoto corrispondente (Figura 22). Figura 22. Miglioramento DSM e ortofoto Figura 19. Visualizzazione indice NDVI Per quanto riguarda la classificazione multispettrale, migliori risultati sono stati ottenuti pretrattando le immagini da elaborare con il filtro mediano, il quale elimina nella zona di interesse i picchi isolati di intensità (Figura 23). 2.5 Miglioramento dei risultati Si è cercato a questo punto di migliorare i risultati fin qui ottenuti, sia per quanto riguarda l estrazione del modello digitale della superficie, sia per la classificazione multispettrale. In particolare si sono utilizzate delle tecniche di filtraggio sulle immagini originali, rieseguendo le elaborazioni e confrontandone i risultati. Avendo riscontrato che gli errori maggiori nel DSM si ritrovano essenzialmente nelle zone d ombra e nelle zone a tessitura uniforme, si è utilizzato il filtro di Sobel per pretrattare le immagini originali prima di procedere all estrazione del DSM. Tale filtro utilizzato per effettuare il riconoscimento dei contorni, mediante convoluzione sull immagine originale di un operatore matematico, crea una nuova immagine in cui i bordi radiometrici sono più esaltati (Figura 21), valutando pixel per pixel il gradiente della funzione luminosità (massimo in corrispondenza dei bordi radiometrici) nelle due direzioni dell immagine. Utilizzando le immagini originali filtrate con Sobel per effettuare l estrazione automatica del DSM è stato ottenuto un miglioramento del successo della correlazione. Figura 23. A sinistra immagine originale e a destra immagine filtrata con il filtro mediano L immagine filtrata non appare molto diversa da quella originale, ma, avendo una radiometria dei pixel più uniforme, le classi di copertura del suolo individuate automaticamente dall algoritmo di massima verosimiglianza sono molto più corrispondenti a quelle effettive (Figure 24 e 25). Inoltre si ha un miglioramento anche per quanto riguarda la separabilità delle regioni di interesse, il che determina una classificazione più accurata. Figura 20. Individuazione dei bordi radiometrici tramite il filtro di Sobel Figura 24. Immagine a destra : miglioramento della classificazione tramite il filtro mediano Figura 21. A sinistra immagine originale e a destra immagine filtrata con Sobel Figura 25. Immagine a destra: edifici individuati sull immagine filtrata più corrispondenti a quelli sulla CTR

7 3. INDIVIDUAZIONE DEGLI EDIFICI 3.1 Informazione altimetrica Le informazioni altimetriche contenute in un DSM costituiscono un utile supporto per l individuazione di elementi presenti sul terreno, quali ad esempio gli edifici. Sicuramente un modello GRID dà la possibilità di valutare l elevazione delle costruzioni, anche se una risoluzione non molto elevata (1m) potrebbe generare dei problemi in corrispondenza delle pareti verticali dell edificio, in quanto vi è uno smoothing tra i tetti degli edifici e il terreno circostante. Un modello TIN, invece, se integrato con delle breaklines prese ad esempio dalla CTR, consente di modellare in maniera più opportuna le pareti degli edifici (Figura 26). Figura 28. Raster delle differenze sovrapposto al ritaglio Gli errori riscontrati con questa tecnica per l individuazione degli edifici si trovano quindi in corrispondenza della vegetazione alta. 3.2 Integrazione classificazione multispettrale differenziazione altimetrica Lo stesso ritaglio è stato sottoposto a classificazione multispettrale supervisionata, ottenendo per la classe edifici i risultati mostrati in figura 29. Figura 26. Profilo verticale in prossimità di un edificio: in alto su modello GRID, in basso su TIN con breaklines A questo punto si è pensato di effettuare una differenziazione altimetrica tra il DSM ottenuto dalle immagini satellitari e un DTM estratto tramite le curve di livello contenute nella CTR, entrambi i modelli in formato grid e risoluzione pari a 1 m. Tale differenziazione, avvenuta in ambiente GIS, ha creato un nuovo raster in cui pixel per pixel sono rappresentate le differenze di elevazione tra la superficie e il suolo, ovvero tutti gli elementi presenti sulla superficie del terreno, come gli edifici ma anche la vegetazione (Figura 27). Figura 29. Classificazione multispettrale degli edifici In questo caso gli errori di classificazione degli edifici si riscontrano su campi (quota terreno) aventi stesso colore dei tetti. Si è così pensato di combinare le due informazioni, planimetrica ottenuta dalla classificazione multispettrale e altimetrica ottenuta dalla differenziazione, in un unico raster che mostrasse gli elementi individuati da entrambe le tecniche (Figura 30). Figura 27. Differenziazione altimetrica tra DSM e DTM Tale metodologia è stata testata su un ritaglio rappresentativo dell area di studio, in cui sono presenti diverse tipologie di edifici con un altezza variabile tra i 3 e i 12 m. Il raster delle differenze è stato sovrapposto all ortofoto (Figura 28) e sono stati così individuati la maggior parte degli edifici, ma anche la vegetazione alta (riquadrata in giallo). Figura 30. Integrazione tra la classificazione multispettrale e la differenziazione altimetrica E stato effettuato un conteggio degli edifici individuati con le due tecniche separatamente e con l integrazione tra le due, ottenendo i risultati mostrati in Tabella 3.

8 Elementi Edifici Errori individuati Ortofoto Classificazione multispettrale Differenziazione altimetrica Integrazione Tabella 3. Numero di edifici individuati Dei 53 edifici presenti sull ortofoto, la classificazione multispettrale ne individua 42 ma genera 4 errori in corrispondenza dei campi, mentre la differenziazione altimetrica ne individua 46 con 5 errori in corrispondenza della vegetazione. L integrazione tra le due tecniche diminuisce il numero di edifici individuati (38 su 53), ma, per il ritaglio considerato, non sono stati riscontrati errori di individuazione degli edifici. Anche a questo proposito è importante sottolineare come una corretta individuazione degli edifici possa essere la base per effettuare ulteriori elaborazioni, quali l individuazione dei cambiamenti macroscopici del territorio ad a causa di calamità naturali, disponendo ad esempio di materiale fotogrammetrico di archivio (Baiocchi, V. et al., 2008), oppure per l aggiornamento cartografico. Le stesse elaborazioni sono state effettuate su ritagli diversi, più complessi, con edifici ravvicinati e vegetazione più alta e fitta, ottenendo risultati analoghi. Inoltre sovrapponendo la CTR ai risultati ottenuti, si riescono ad individuare gli edifici non presenti su essa, potendo così passare ad un suo aggiornamento. Nelle figure 31 e 32 sono riportati in alto i risultati della differenziazione altimetrica (sinistra) e della classificazione multispettrale (destra), mentre in basso la combinazione delle due tecniche (sinistra) e la sovrapposizione con la CTR (destra) che consente l individuazione degli edifici non presenti su essa. Figura 31. Risultati differenziazione altimetrica, classificazione multispettrale, integrazione e sovrapposizione CTR Ritaglio1 Figura 32. Risultati differenziazione altimetrica, classificazione multispettrale, integrazione e sovrapposizione CTR Ritaglio2 Si può concludere che anche per ritagli più complessi con questa metodologia è stata individuata la maggior parte dell edificato. Gli errori maggiori si sono avuti con la differenziazione altimetrica in quanto vi è presenza di vegetazione alta, che vengono però corretti dalla classificazione multispettrale. 4. CONCLUSIONI E SVILUPPI FUTURI Le elaborazioni effettuate in questa sperimentazione hanno consentito di valutare la maggior parte delle problematiche relative al telerilevamento satellitare, con particolare riferimento alle immagini ad alta risoluzione geometrica. Innanzitutto è da sottolineare la necessità di effettuare una correzione geometrica delle immagini ed una loro georeferenziazione quando si vogliano utilizzare congiuntamente ad altro materiale (raster e/o vettoriale), oltre che per la creazione di ortofoto. Si è valutato che i prodotti principali ottenuti dalle immagini satellitari stereoscopiche Ikonos sul comune di Foligno hanno precisioni paragonabili a quelle di una Carta Tecnica Regionale a media scala (1:10000), rendendo così possibile il suo aggiornamento in tempi relativamente brevi. Le immagini multispettrali ortorettificate hanno consentito di ottenere una buona classificazione dell'uso del suolo, utilizzando le quattro bande disponibili per Ikonos (red, green, blue, near infrared), soprattutto per quanto riguarda le varie colture, il tracciato stradale, i corsi d'acqua, ma anche gli edifici. Uno degli obiettivi della sperimentazione era proprio quello di ricercare una metodologia automatica per l'individuazione degli elementi antropici presenti sul territorio. Per questo, sicuramente sono di ausilio i diversi algoritmi testati, quali il filtraggio delle immagini prima di procedere alla classificazione (buoni risultati si sono avuti utilizzando il filtro mediano), o l'algoritmo di massima verosimiglianza per il processo classificativo. Facendo riferimento agli edifici, i risultati della classificazione sono stati soddisfacenti, in quanto la maggior parte delle costruzioni è stata individuata, anche se con qualche errore su alcuni campi erroneamente classificati come edifici in quanto aventi stesso colore dei tetti. Per i ritagli considerati, quindi, gli errori riscontrati si trovano a quota terreno.

9 L introduzione dell'informazione altimetrica, relativa agli edifici, presente nel DSM estratto dalle immagini satellitari ha consentito di correggere tali errori, con il conseguente riconoscimento della maggior parte delle aree effettivamente edificate e con una notevole riduzione dei tempi necessari per il controllo dei risultati. Tutte le elaborazioni eseguite combinando, integrando, differenziando dati raster e vettoriali sono state effettuate mediante software GIS, indispensabili per analisi di questo tipo. Concludendo si può affermare che il telerilevamento satellitare è ormai diventato uno strumento importantissimo per il rilievo del territorio, grazie alla elevata risoluzione geometrica delle immagini. Le tecniche finora testate offrono numerosi spunti per successivi studi ed analisi, ad esempio la possibilità di organizzare i dati in Sintemi Informativi Geografici, divenuti ormai sostitutivi della cartografia digitale, integrando i risultati con rilievi eseguiti tramite altre metodologie. Sicuramente la bontà dei risultati dipende dal materiale di partenza; immagini ad altissima risoluzione, quali ad esempio quelle riprese dal satellite di ultima generazione GeoEye, con risoluzione spaziale pari a 50 cm, ed un DSM accurato per l intera area di studio offrirebbero infinite possibilità di analisi ed individuazione di elementi presenti nella scena. Toutin, T. Review paper: Geometric Processing of remote sensing image: models, algorithms and methods. International Journal of Remote Sensing, 2003a Toutin, T. Error tracking in Ikonos Geometric processing using a 3d parametric model. Photogrammetric Engineering and Remote Sensing, giugno 2003b Zhang, L. and Gruen, A. Automatic DSM generation from linear array imagery data. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences 35, 2004 Zhang, Y. Understanding image fusion. Photogrammetric Engineering and Remote Sensing 69, 2004 RINGRAZIAMENTI L autrice desidera ringraziare il Prof. Fabio Radicioni (Dipartimento di Ingegneria Civile e Ambientale, Università di Perugia) e il Dott. Valerio Baiocchi (La Sapienza, Università di Roma) per i preziosi consigli offerti durante i tre anni di ricerca. Si ringraziano inoltre Il Comune di Foligno (Vincent Ottaviani, Gianluca Massei) e la Regione dell'umbria (Direzione politiche territoriali, Ambiente e infrastrutture, Servizio informativo Territoriale, Sezione geografia del territorio) per il materiale fornito. RIFERIMENTI BIBLIOGRAFICI Baiocchi, V., Brigante, R., Fastellini, G., and Radicioni, F. Impiego di stereocoppie Ikonos per l estrazione di DSM con differenti algoritmi. Atti del Convegno Nazionale SIFET: Dal rilevamento Fotogrammetrico ai database Topografici, Baiocchi, V., Brigante, R., and Radicioni, F. Evaluation of the damages provoked by seismic events through teledetected imagery. Atti 28 EARSEL Symposium, Istanbul, Turchia, Brigante, R., Radicioni, F. Estrazione di elementi naturali ed antropici attraverso immagini satellitari ad alta risoluzione. Atti Envi User Group, Dial, G., Bowen, H., Gerlach, F., Grodecki, J, and Oleszczuk, R. High quality image matching and automated generation of 3- d tree models. International Journal of Remote Sensing, Favretto, A. Strumenti per l analisi geografica GIS e telerilevamento. Patron Editore, Bologna, Guo Liu, J. and Mason, P. Essential image processing and GIS for Remote Sensing. Wiley Blackwell, 2009 Hu, Y., Tao, V., and Croitoru, A. Understanding the rational function model: methods and application. Atti International Society for Photogrammetry and Remote Sensing, 2004