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 carlo.villoresi @regione.toscana.it guido.lavorini@regione.toscana.it
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)
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
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
AREA DI STUDIO MAR LIGURE ALPI APUANE (Geoscopio, 2015)
AREA DI STUDIO Pontremoli 1600 mm/yr La Spezia 1350 mm/yr Alpi Apuane 3300 mm/yr Massa 1200 mm/yr (Google Earth, 2015)
EVENTO A EVENTO B 22-25 DICEMBRE 2009 25 OTTOBRE 2011 (Satellite MODIS, 2009) (LaMMA2009)
EVENTO A Camporgiano Pusignara EVENTO B Canale di Borra Grande Torrente Mangiola
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)
Dicembre 2009 Giugno 2010 Novembre 2010 EVENTO A 22-25 dicembre 2009 t = 120 giorni Dicembre 2010 Giugno 2011 Novembre 2011 EVENTO B 25 ottobre 2011 t = 16 giorni
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)
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.
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
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 ( ) 1 1586868,806 1586874,463 4914916,059 4914928,128 5,657 12,069 13,329 26 2 1590649,042 1590649,506 4913416,325 4913428,631 0,464 12,306 12,314 3 3 1595188,763 1595189,537 4912750,526 4912758,272 0,775 7,746 7,784 6 4 1598474,225 1598474,225 4912726,316 4912732,898 0,000 6,582 6,582 0 5 1599424,277 1599429,448 4911790,836 4911798,44 5,171 7,604 9,195 35 6 1604023,482 1604020,741 4910450,863 4910462,92 2,740 12,056 12,363 348 7 1607394,762 1607390,781 4909915,071 4909922,237 3,981 7,167 8,198 331 8 1611089,175 1611089,555 4909546,256 4909553,478 0,380 7,222 7,231 4 9 1613674,238 1613674,238 4909476,145 4909478,823 0,000 2,678 2,678 0 10 1617159,295 1617159,059 4908880,221 4908882,814 0,236 2,593 2,603 355 parametro DISTANZA ANGOLO (m) ( +/- da N) media 6,65 2 sdev 4,543 49,3 min 0,90-179 max 26,85 180
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
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
Mascheratura di: ANALISI MULTITEMPORALE INDIVIDUAZIONE DEI FENOMENI FRANOSI Mare Cave Neve Nuvole (e relative ombre) Versanti in ombra Aree con pendenza < 15%
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
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
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
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
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
CLASSIFICAZIONE NON SUPERVISIONATA Più semplice e veloce della classificazione supervisionata Metodo meno accurato E l utente a decidere quali classi sono interessanti
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
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
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
GRAZIE PER L ATTENZIONE
Rapideye 1,28$ / kmq Quickbird 17,5$ / kmq