LE APPLICAZIONI DEL
TELERILEVAMENTO A
MICROONDE
ALL’IDROLOGIA
S. PALOSCIA, E. SANTI, P. PAMPALONI, S. PETTINATO
Istituto di Fisica Applicata – Consiglio Nazionale delle Ricerche (IFAC-CNR)
Giornate dell’Idrologia Trento 27-29 Giugno 2016
INTRODUZIONE
• I sensori a microonde operanti da satellite nel range 1-36 GHz sono uno strumento ormai
consolidato per il monitoraggio dei parametri del ciclo idrologico.
VANTAGGI: sensibilità diretta al contenuto d’acqua dei bersagli osservati,
indipendenza dall’illuminazione solare e dalle condizioni meteorologiche.
SVANTAGGI: i dati non sono visivamente interpretabili ma richiedono una
elaborazione complessa per estrarre il parametro di interesse.
• Il gruppo di Telerilevamento a Microonde dell’IFAC-CNR ha messo a punto modelli che
utilizzano questi dati per la stima a scala locale e globale di
umidità del terreno
biomassa agricola e forestale
spessore ed equivalente in acqua della neve.
• Gli algoritmi implementati sono basati su reti neurali, allenate con dati raccolti in
campagne sperimentali con sensori propri, simulazioni di modelli elettromagnetici e
sottoinsiemi di dati satellitari su specifiche aree di test.
Giornate dell’Idrologia Trento 27-29 Giugno 2016
Campagne sperimentali
con radiometri a microonde
Implementazione di Modelli elettromagnetici
Modelli di scattering superficiale
Suolo non vegetato: AIEM, IEM, OH
Modelli di scattering di volume
Vegetazione:
Radiative Transfer Theory
forests
crops
Crown
Layer n
Layer 3
Layer 2
Soil Trunk
Neve:
SFT, DMRT, Bicontinuous
Layer 1
Estrazione ed Elaborazione dati satellitari
•
SCATTEROMETRI: ASCAT, AQUARIUS
•
SAR: (ERS, JERS, ENVISAT), Radarsat, Sentinel , ALOS2, COSMO, TerraSARX…
•
RADIOMETRI: (SMMR, AMSR-E), AMSR2, SSM/I, SMOS, SMAP…
Algoritmi di inversione
RETI NEURALI miglior compromesso tra accuratezza della stima e tempi di
calcolo rispetto a simatori Bayesiani e metodi di minimizzazione
• Tipo: feed-forward multi-layer perceptron (FF-MLP).
• Allenamento: basato sulla back-propagation learning rule (BPR).
• Training set: Combina dati misurati e simulati tramite modello e.m.
• Architettura: definita con un processo di ottimizzazione
PARAMETRI STIMABILI
Umidità del suolo (SMC)
• range 0.05 – 0.45 m3/m3
• Accuratezza < 0.05 m3/m3
Biomassa agricola (PWC)
• range 0 – 8 Kg/m2
• Accuratezza < 1 Kg/m2
Spessore ed equivalente in acqua della neve (SD/SWE)
• range 20 - 250 cm
• Accuratezza < 10-15 cm
HydroAlgo-Rad
• Algoritmo per la stima di
SMC, PWC e SD a scala
globale da radiometro
multifrequenza AMSRE/AMSR2.
• Risoluzione 10 Km2
• Rivisita giornaliera
• Scala globale
Santi et al. 2012 – HESS, Mladenova et al. 2014 RSE
HydroAlgo-SAR
• Algoritmo per la stima di
SMC, PWC e SWE da dati SAR
in banda C/X (Envisat, ALOS2,
COSMO, …)
• Risoluzione 10-100 m2
• Rivisita dipende dal sensore
non meglio di 1-2 settimane
• Scala regionale/ di bacino
Paloscia et al. 2013 – RSE, Pettinato et al. 2013 TGRSL, Santi et al. 2015 JAG
HydroAlgo-RAD – validazione SMC
Validazione vs. in-situ
Validazione vs.
modello idrologico
Confronto con altri
prodotti (es. LPRM)
Italia 2012 -2015 Dati di verità a terra da modello SWBM dell’IRPI di Perugia
HydroAlgo-RAD – validazione PWC e SD
Africa 2002 - 2004
SD Alpi 2002 -2012
PWC Australia 2012 – 2015
SD Siberia 2002 -2004
ESEMPI A SCALA REGIONALE:
MAPPE SMC ITALIA CENTRALE
CONFRONTO CON SMC SIMULATA DA MODELLO SWBM (IRPI – PERUGIA)
ANNI 2002 - 2012
SMC HydroAlgo (AMSR-E)
Santi et al. 2016 - JSTARS
SMC SWBM
Errore Assoluto
Mappe a scala globale - SMC
winter
summer
Mappe a scala globale - PWC
Inverno
Estate
Mappe a scala globale - SD
December 2009
February 2010
Santi et al. 2014 - RSE
Hydroalgo SAR – modulo SMC
Dati dal 2003 al 2012 Italia (4 aree), Spagna e Australia totale > 600 punti per Envisat e
> 500 punti per Cosmo con corrispondenti misure in-situ di SMC, rugosità e vegetazione
Risoluzione 10 – 100 m
Paloscia et al. 2013 – RSE, Santi et al. 2015 JAG
Hydroalgo SAR – modulo PWC
Dati COSMO 2011 – 2012
Area agricola vicina a Firenze
Risoluzione 10 m
Hydroalgo SAR – modulo SWE
• Dati COSMO 2009 –
2012 Alpi Orientali
• Risoluzione 10 – 100 m
CONCLUSIONI
• I MIGLIORAMENTI TECNOLOGICI ED IL LANCIO DELLE RECENTI MISSIONI DEDICATE (SMOS, SMAP, SENTINEL 1,
AMSR2…) HANNO CONSOLIDATO IL POTENZIALE DEI SENSORI A MICROONDE OPERANTI DAL SATELLITE PER IL
MONITORAGGIO DEI PARAMETRI DEL CICLO IDROLOGICO
• IL GRUPPO DI TELERILEVAMENTO A MICROONDE DELL’IFAC-CNR, UTILIZZANDO SIA SENSORI PROPRI (RADIOMETRI A
MICROONDE AEROTRASPORTATI) CHE SATELLITARI, HA MESSO A PUNTO METODOLOGIE PER LA STIMA DEI
PRINCIPALI PARAMETRI DEL CICLO IDROLOGICO E LA CONSEGUENTE GENERAZIONE DI MAPPE TEMATICHE MULTITEMPORALI DI UMIDITÀ DEL TERRENO, BIOMASSA AGRICOLO-FORESTALE, EQUIVALENTE IN ACQUA E SPESSORE
DELLA NEVE.
• LA STIMA DEL PARAMETRO DI INTERESSE DAL DATO TELERILEVATO VIENE OTTENUTA MEDIANTE ALGORITMI BASATI
SU RETI NEURALI, CHE SI SONO DIMOSTRATE IL MIGLIOR COMPROMESSO TRA TEMPO DI CALCOLO E
ACCURATEZZA RISPETTO AGLI STIMATORI BAYESIANI ED AI METODI DI MINIMIZZAZIONE.
• QUESTI ALGORITMI SONO STATI APPLICATI AI DATI DEI PRINCIPALI SENSORI SATELLITARI CON RISULTATI ACCETTABILI
ANCHE PER UN UTILIZZO APPLICATIVO. IN PARTICOLARE A SCALA GLOBALE DA DATI AMRS-E/AMSR2 SONO STATE
OTTENUTE:
•
MAPPE DI UMIDITÀ DEL TERRENO CON UN’ACCURATEZZA <0.05 M3/M3
• MAPPE DI BIOMASSA AGRICOLA CON UN’ACCURATEZZA <1KG DI BIOMASSA/M2.
• MAPPE DI SPESSORE DEL MANTO NEVOSO CON UN’ACCURATEZZA <15 CM
•
RISULTATI ANALOGHI SONO STATI OTTENUTI ANCHE CON SENSORI SAR, IN QUESTO CASO A SCALA LOCALE,
OVVERO CON UNA RISOLUZIONE A TERRA DI 10-20M.
GRAZIE PER
L’ATTENZIONE
ALLENAMENTO DELLE RETI NEURALI
The main constraint for obtaining a good accuracy with ANN approaches is the
“robustness” of the training, that has to be representative of a variety of surface
conditions as wide as possible.
The datasets derived from experiments are not enough for training ANNs for large
scale/global monitoring.
Training set is therefore obtained by combining experimental data and
electromagnetic forward models simulations based on RTT.
The consistency between experimental data and model simulations is obtained by
deriving the range of input parameters from the experimental data.
EO + ground
truth
Range of: SMC/PWC/LST/…
Nelder Mead
Minimization
Range of other inputs:
Tau/Omega/HSTD/…
Training & validation
datasets
Forward EM
models simulations
SFIM (DISAGGREGAZIONE)
Le caratteristiche del sensore fanno si che ad un campionamento del
dato ogni 10 km2 corrisponda un area di vista del sensore molto più
grande (oltre 50 km2 alle frequenze più basse)
• E’ stata sviluppata una tecnica di
disaggregazione basata sulla
“smoothing filter-based intensity
modulation technique – SFIM” (Liu
2000) proposta originariamente per
applicazioni data fusion ottico –
pancromatico.
• Proprietà fondamentale è che il
contenuto informative dell’immagine
originale viene preservato.
(Liu et al., 2000; Santi, 2010)
