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, 93 – 06125 – Perugia
[email protected]
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 2006.
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 km2 (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
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
Spazio
immagine
Fugura 2. Immagini pancromatiche
P’ (ξ ,η)
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: 10 000 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 1:10 000 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
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).
Oi’’
O’i
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
modello 3d è possibile ottenere delle immagini “realistiche”
dell’area di studio come quella mostrata in figura 12.
∆h (m)
0÷2
2÷5
5 ÷ 10
10 ÷ 20
20 ÷ 50
50 ÷ 100
%
69.18
24.06
3.45
1.80
1.27
0.23
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
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 DSM2.
Figura 12. Sovrapposizione ortofoto al modello 3D
2.4 Classificazione multispettrale
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
(m)
0÷1
1÷2
2÷4
4 ÷ 10
10 ÷ 20
20 ÷ 100
> 100
DSM1
%
29.40
30.87
22.88
11.07
2.83
1.84
1.10
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).
DSM2
%
25.50
24.04
29.17
14.32
2.21
2.92
1.78
Tabella 1. Differenze DSM – punti quotati CTR
Figura 14. Firma spettrale per diverse superfici
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
tetto
ombre
strada
strada1
coltura1
coltura2
bosco
Figura 16. Classificazione multispettrale
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
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 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.
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
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
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).
Figura 19. Visualizzazione indice NDVI
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 20. Individuazione dei bordi radiometrici tramite il filtro
di Sobel
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 24. Immagine a destra : miglioramento della
classificazione tramite il filtro mediano
Figura 25. Immagine a destra: edifici individuati sull’immagine
filtrata più corrispondenti a quelli sulla CTR
Figura 21. A sinistra immagine originale e a destra immagine
filtrata con Sobel
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
differenziazione altimetrica
multispettrale
–
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.
Elementi
individuati
-
Edifici
Errori
53
-
Classificazione
multispettrale
46
42
4
Differenziazione
altimetrica
51
46
5
Integrazione
38
38
0
Ortofoto
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.
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.
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, 2007.
Baiocchi, V., Brigante, R., and Radicioni, F. Evaluation of the
damages provoked by seismic events through teledetected
imagery. Atti 28 EARSEL Symposium, Istanbul, Turchia, 2008.
Brigante, R., Radicioni, F. Estrazione di elementi naturali ed
antropici attraverso immagini satellitari ad alta risoluzione. Atti
Envi User Group, 2008.
Dial, G., Bowen, H., Gerlach, F., Grodecki, J, and Oleszczuk,
R. High quality image matching and automated generation of 3d tree models. International Journal of Remote Sensing, 2008.
Favretto, A. Strumenti per l’analisi geografica GIS e
telerilevamento. Patron Editore, Bologna, 2006.
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
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
