Rivista bimestrale - anno XXV - Numero - 2/2021 - Sped. in abb. postale 70% - Filiale di Roma
Mar/Apr 2021 anno XXV N°2
INFORMAZIONE GEOGRAFICA
3D
CATASTO
RILIEVO TOPOGRAFIA FOTOGRAMMETRIA
GNSS BIM
CAD
REMOTE SENSING CARTOGRAFIA
GIS
WEBGIS
SPAZIO AMBIENTE URBANISTICA
BENI CULTURALI EDILIZIA
SMART CITY
LiDAR
NETWORKS TERRITORIO
GNSS E DRONI AEREI:
LBS UAV
G eolocalizzare
i N umeri c ivici
Droni e Vertiport
Il Commercial UAV Expo Europe, che si tiene normalmente ad Amsterdam, è stato posticipato al gennaio 2022 a causa del COVID-19. E’ un evento che normalmente si tiene in Dicembre
e attira molti visitatori anche per il periodo pre-natalizio particolarmente interessante ad Amsterdam, oltre che essere collocato insieme alla Amsterdam Drone Week (ADW) e all'EASA
High Level Conference.
Un elemento interessante in questa Expo sarà la conferenza di alto livello dell'EASA (European Union Aviation Safety Agency), che avrà come tema principale quello della Mobilità Aerea Urbana, con il motto "UAM Becoming a Reality". Si parlerà infatti di governance multilivello dei
cieli urbani e dei punti di atterraggio verticali, i vertiport.
Fantasia dei fans degli UAV? Sicuramente no, se si pensa che tutto ciò è stato già pubblicamente annunciato dall’amministratore della NASA James Bridenstine, che nel mentre ricordava al pubblico che la prima "A" della NASA sta per "aeronautica", evidenziava come e perché l'amministrazione da lui diretta non si rivolge solo agli obiettivi spaziali, ma anche all'aviazione,
sia con equipaggio che senza equipaggio.
"Gli UAV e la mobilità aerea urbana (UAM) sono il futuro, ma prima di raggiungere quel futuro dobbiamo lavorare sodo per perfezionare i sistemi di gestione del traffico aereo e risolvere i problemi
di infrastruttura e certificazione", ha detto Bridenstine alla folla che ha partecipato all’ultimo Commercial UAV Expo America, poco tempo fa.
Ha anche spiegato in dettaglio come la NASA stia lavorando con l'industria dei droni e il mondo accademico per sviluppare aerodinamica e prestazioni, ma anche per rilevare ed evitare
ostacoli con sistemi DAA (Detect and Avoid Systems for Unmanned Aircraft ) basati su nuova tecnologia radar.
Si apre con questo un interessante mercato per la geomatica e in particolare per il rilievo e la determinazione di ostacoli con informazioni simili a quelle che vengono inserite oggi nelle
attuali Carte Ostacoli aeroportuali, mantenute e aggiornate dalle istituzioni dedicate delle singole nazioni con metodi e standard armonizzati ai vari livelli competenza.
Tutti gli elementi che concorrono consentiranno l'integrazione del nostro attuale controllo del traffico aereo con un sistema di gestione del traffico senza pilota che rappresenta oggi una
delle più grandi sfide della NASA, un’agenzia spaziale che comincia a dirigere i suoi budget anche su progetti come questo, molto terrestre. Bridenstine ha previsto l’operatività della UAM
per il 2028 in contemporanea alla previsione di ritorno degli Americani sulla Luna, ma il suo Presidente lo ha obbligato a stringere i tempi per la Luna al 2024.
Per il momento ci limitiamo ad osservare che le necessità del controllo aereo dei droni a guida automatica, contribuiranno alla crescita del settore geomatico non solo come un avanzamento degli strumenti di ripresa aerea per consentire semplici ma ridotte applicazioni fotogrammetriche, ma sarà elemento portante per la creazione di modelli digitali della realtà che ci circonda. Uno dei trend più forti del momento, di cui parlano spesso i gestori delle Smart City, che promuovono le Digital Twin per la realizzazione di piattaforme di controllo e
simulazione di eventi, mentre ovviamente nella navigazione aerea la conoscenza digitale della realtà in cui ci si cala o viene conosciuta prima (3DCity) o si rileva al momento. L’importante,
per evitare l’ostacolo, è necessario che le due posizioni Drone-Ostacolo siano reciprocamente ben conosciute ed accurate anche in relazione al tempo, come richiede la prassi della ricerca nel
PNT (Positioning, Navigation and Timing).
Buona lettura, Renzo Carlucci
FOCUS
i
N questoNumero
...
GEOmedia, bimestrale, è la prima rivista italiana di geomatica.
Da più di 20 anni pubblica argomenti collegati alle tecnologie dei processi di acquisizione, analisi e interpretazione dei dati, in particolare strumentali, relativi alla superficie terrestre.
In questo settore GEOmedia affronta temi culturali e tecnologici per l’operatività degli addetti ai settori dei sistemi informativi geografici e del catasto, della fotogrammetria e cartografia,
LE RUBRICHE
24
IMMAGINE ESA38
MERCATO42
AUGMENTED REALITY46
AGENDAi
NtelliGeNza artificiale eortofoto peril ceNsimeNtoe laGestioNe delle areepascolabiliiN ambieNte alpiNoDI LUCA BERGAMASCO, FRANCESCA
BOVOLO, MARCO CRISTOFORETTI, ANDREA GOBBI, DANIELE LEO, PIETRO
MOLFETTA, RICCARDO PASI, PAOLA ROGANI
6
report focus
i
Ntervistaav
alerioz
uNiNodellas
tudiosit
srlACURADI RENZO CARLUCCI
14
Nell'immagine di copertina osserviamo l'area metropolitana di Roma: i puntini rossi indicano la copertura del rilevamento dei numeri civici nel territorio comunale.
iNtervista
GNss
e droNiaerei:
uN coNNubioviNceNte perapplicazioNidi telerilevameNto
,
sorveGliaNza
,
sicurezza e loGistica
DI MARCO LISI, ALBERTO
MENNELLA, MARCO NISI
18
GEOmedia, la prima rivista italiana di geomatica.
ISSN 1128-8132
Reg. Trib. di Roma N° 243/2003 del 14.05.03 Direttore
RENZO CARLUCCI, direttore@rivistageomedia.it Comitato editoriale
Vyron Antoniou, Fabrizio Bernardini, Mario Caporale, Roberto Capua, Luigi Colombo, Mattia Crespi, Luigi Di
Redazione
VALERIO CARLUCCI, GIANLUCA PITITTO, redazione@rivistageomedia.it
Diffusione e Amministrazione
TATIANA IASILLO, diffusione@rivistageomedia.it Progetto grafico e impaginazione
DANIELE CARLUCCI, dcarlucci@rivistageomedia.it Editore
Condizioni di abbonamento
La quota annuale di abbonamento alla rivista è di € 45,00.
Il prezzo di ciascun fascicolo compreso nell’abbonamento è di € 9,00. Il prezzo di ciascun fascicolo arretrato è di € 12,00. I prezzi indicati si intendono Iva inclusa.
L’editore, al fine di garantire la continuità del servizio, in mancanza di esplicita revoca, da comunicarsi in forma scritta entro il trimestre seguente alla scadenza dell’abbonamento, si riserva di inviare il periodico anche per il periodo successivo.
La disdetta non è comunque valida se l’abbonato non è in regola con i pagamenti.
Il rifiuto o la restituzione dei fascicoli della Rivista non costituiscono disdetta dell’abbonamento a nessun effetto. I fascicoli non pervenuti possono essere richiesti dall’abbonato non oltre 20 giorni dopo la ricezione del numero successivo.
Gli articoli firmati impegnano solo la responsabilità dell’autore. È vietata la riproduzione anche parziale del contenuto di questo numero della Rivista in
Science & Technology Communication
Science & Technology Communication
una pubblicazione
Codevintec 45
Datronix 37
Epsilon 39
ESRI 48
Geomax 41
GIS3W 22
Gter 36
Planetek Italia 47
Stonex 29
StrumentiTopografici 2 TechnologyforAll 45
Teorema 46
INSERZIONISTI
ESA - Space Coast, Florida (17 aprile 2021)
Cape Canaveral è un promon- torio ed una città nella contea di Brevard, nella Florida centro-orientale. Andando da est verso ovest il promontorio è separato dalla terraferma dal fiume Banana, dall’isola di Merritt e dal fiume India.
L’area è parte della regio- ne nota come Space Coast ed ospita il Kennedy Space Center, che include l’infra- struttura di atterraggio dello Space Shuttle, un centro per i visitatori, la Cape Canaveral Air Force Station ed un edifi- cio per l’assemblamento dei veicoli spaziali in costruzio- ne. La piattaforma di lancio Complex 39A, visibile lungo la costa, è quella dove il raz- zo Saturno V che trasportava l’Apollo 11 - con a bordo Neil Armstrong, Michael Collins ed Edwin ‘Buzz’ Aldrin - ini- ziò il suo viaggio verso la Luna nel 1969.
Crediti:
ESA - Image of the week.
Traduzione: Gianluca Pititto
N
oNsolodalcielo.
“t
heW
iNeGrover”
DI EDUARDODE FRANCESCO
u
NaGraNdemappaperuNa piccola isola
:
ilrilevameNto delleisolef
aroeDI ELOISE MITCHELL
26
i
l droNe asupportodellapiaNificazioNe deGli scaviNella cavadi sabbiadella
“m
oNtaGNab
iaNca”
iNp
oloNiaDI TOPCON POSITIONING GROUP
30
34
FOCUS
L
a superficie dei pascoli alpini trentini ammonta ad almeno 50 mila ettari, di cui oltre il 90% di proprietà pubblica (comunale o frazio- nale): per questo territorio è particolarmente importante preservare i sistemi zootec- nici e garantire una gestione sostenibile e multifunzionale, che consideri aspetti ecologi- ci, ambientali, paesaggistici, storico-culturali ed economici.Se un tempo il problema era il sovraccarico dei pascoli, negli ultimi decenni si è fatto sempre più evidente il problema del sottocarico, con il conseguente degrado delle superfici pascoli- ve. Per coordinare le previsioni della pianificazione forestale, tra il 2015 ed il 2018, la Giun-
ta della Provincia Autonoma di Trento (PAT) ha approvato lo Schedario provinciale dei pa- scoli – che con le unità di pa- scolo (UPAS) identifica le zone ammissibili al pascolamento all’interno di ciascuna proprietà assestata. Insieme al sistema dei procedimenti amministra- tivi per le richieste di aiuti o agevolazioni legate alla Politica Agricola Comunitaria (PAC), questo permette di semplifica- re i procedimenti e di gestire correttamente gli interventi a sostegno del mantenimento di pascoli e malghe.
Lo Schedario provinciale dei pascoli, che è stato integrato all’interno del Sistema Infor- mativo Agricolo Provinciale (SIAP), si compone di tre basi
di dati georeferenziate:
1. il Catasto dei pascoli: indi- vidua – in armonia con la pianificazione forestale – le aree potenzialmente pasco- labili (UPAS);
2. il Catasto delle malghe:
individua e classifica le mal- ghe intese come edifici fun- zionalmente legati ad una o più UPAS;
3. il Catasto delle superfici pascolabili: quantifica all’in- terno di ciascuna UPAS la consistenza delle super- fici pascolabili secondo la classificazione – basata sul criterio della tara – stabilita dall’Agenzia per le Erogazio- ni in Agricoltura (AGEA) per le superfici eleggibili ai fini delle domande di aiuto.
Viene presentato un sistema automatico per il censimento di aree pascolabili basato sull’uso di ortofoto e dell’intelligenza artificiale. Il sistema migliora le capacità di cura, preservazione e valorizzazione del territorio montano, è stato validato con successo sul territorio della Provincia Autonoma di Trento (PAT) ed è esportabile ad altri ambienti alpini.
Intelligenza artificiale e ortofoto per il censimento e la gestione delle
aree pascolabili in ambiente alpino
di Luca Bergamasco, Francesca Bovolo, Marco Cristoforetti, Andrea Gobbi, Daniele Leo, Pietro Molfetta, Riccardo Pasi, Paola Rogani
Fig. 1 - Griglia delle ortofoto AGEA 2017.
FOCUS
FOCUS
alcune non sono significative rispetto al problema considerato (es., corsi d’acqua, manufatti) e sono state quindi mascherate ed escluse; le restanti classi sono state analizzate più approfondi- tamente e aggregate in funzione del significato semantico, della similarità spettrale, spaziale e temporale. Il censimento dei pascoli è quindi definito come segue [i numeri tra parentesi indicano i codici attribuiti da AGEA alle classi di superfici eleggibili e non:
Prato permanente tara 0 (638): tara dallo 0 al 5%;
Prato permanente tara 20 (659): tara dal 5 al 20%;
Prato permanente tara 50 (654): tara dal 20 al 50%
Bosco (650/656): definita come accorpamento di Bo- sco (650) e tara 70 (656);
Aree non pascolabili (770/780): definita come ac- corpamento di Aree non col- tivabili (770) e Tare (780).
Nel Catasto delle superfici pa- scolabili la proporzione relativa Quest’ultimo strato informativo
è stato prodotto manualmente dai tecnici di APPAG (Agenzia Provinciale per i Pagamenti in Agricoltura) mediante fotointer- pretazione dell’ortofoto AGEA 2017. Il processo di censimento per fotointerpretazione si è ri- velato soggetto ad errori dovuti alla soggettività degli operatori, in particolare per quelle classi di tara intermedie la cui assegna- zione risulta più aleatoria e per le quali soltanto il controllo in campo tramite sopralluogo può considerarsi dirimente.
Al fine di limitare la necessità di sopralluoghi, ridurre i costi ed i tempi di gestione – nonché dei futuri aggiornamenti previsti a cadenza triennale – del Catasto delle superfici pascolabili, si è sviluppato un sistema per il cen- simento automatico dei com- pendi malghivi del Trentino.
L’iniziativa ha previsto lo studio e la messa a punto di nuovi stru- menti di intelligenza artificiale (Artificial Intelligence - AI) che classifichino automaticamente le aree pascolabili e non in zone prevalentemente alpine quali quelle del Trentino. Le mappe tematiche sono accessibili tra- mite un plugin QGis (QGis.org 2021) che offre la possibilità di interrogare e rielaborare la map- pa di classificazione rimuovendo eventuali artefatti, filtrando aree troppo impervie, lisciando i contorni dei poligoni ottenuti e modificando i criteri di eleg- gibilità.
Di seguito sono descritti la defi- nizione dei requisiti e la creazio- ne del dataset, l’allenamento e la validazione del sistema di AI, la classificazione delle superfici pa- scolabili all’interno delle UPAS e la realizzazione degli strumenti di Data Science e geoinformati- ca; e sono documentati i risulta- ti di classificazione e il funziona- mento del plugin QGis.
Fig. 2 - UPAS del Trentino in verde. L’ambito 2 (nord-est) e le aree in rosso sono rimosse dall’addestramento del sistema in quanto considerate poco attendibili dai fotointerpreti.
Formulazione del problema di classificazione delle aree a pascolo e dati
Ai fini delle domande di aiuto legate alla PAC, le aree adibite a pascolo si distinguono sulla base della loro percentuale di tara (il contenuto non erbaceo e quindi di fatto non pascolabile). Tanto più la percentuale di tara è bas- sa, tanto più è pregiato il pasco- lo. Distinguere classi di pascolo per la sola percentuale di tara tramite un algoritmo automa- tico di elaborazione immagini telerilevate è molto complesso poiché tali classi hanno una risposta spettrale molto simile.
Ci si è quindi focalizzati sulle sole aree all’interno delle UPAS;
la classificazione dei suoli in esse contenuta, frutto della fo- tointerpretazione dei tecnici di APPAG, è stata utilizzata come riferimento per l’allenamento e la validazione del sistema (ad eccezione delle aree dell’ambito 2 e di quelle in rosso in Fig. 2, la cui fotointerpretazione è stata ritenuta meno affidabile dai tecnici di APPAG). Nelle aree identificate esistono 14 classi:
FOCUS
complessità del problema e pro- duciamo una mappa che associa a ciascun pixel una classe.
Il modello si basa su una Resi- dual Neural Network (ResNet) (He 2016) ovvero una Con- volutional Neural Network (CNN) (LeCun 1995) caratte- rizzata da collegamenti che uni- scono gli output di due diversi layer convoluzionali. Questo collegamento facilita l’allena- mento del modello, che impara solo la differenza d’informazio- ne tra gli output di due layer connessi riducendo la quantità d’informazione da imparare e il numero di patch per l’allena- mento. L’insieme dei layer con- voluzionali che sono collegati dallo stesso shortcut è chiamato blocco residuale. Qui sono usati 63 layer convoluzionali sud- divisi in 20 blocchi residuali, ognuno composto da 3 layer convoluzionali, con dimensioni del filtro convoluzionale pari a 1x1, 3x3, e 1x1 e seguito da un layer di normalizzazione e da una funzione di attivazione.
Il modello può essere diviso in due parti principali: compres- sione (40 layer convoluzionali), delle cinque classi ottenuta sulla
base della fotointerpretazione è leggermente sbilanciata:
Tara 0: 12.87% (6706 ha), Tara 20: 16.22% (84.50 ha), Tara 50: 25.51% (13291 ha), Bosco: 27.80% (14485 ha), e Non pascolabile: 17.60%
(9168 ha).
Il sistema di AI per il censimen- to si avvale: i) delle ortofoto AGEA 2017 (canali spettrali RGB) acquisite nell’autunno 2017 con 20 cm di risoluzione spaziale (riportati qui alla riso- luzione spaziale di 1 m), ii) del canale del Vicino-Infrarosso (NIR) che fornisce informazioni sulla presenza di vegetazione, e iii) della mappa delle pendenze ricavata dal Modello Digitale del Terreno (DTM). Per l’adde- stramento sono escluse le aree con una pendenza tra i 50° e i 90°. Indipendentemente dalla tara, esse non sono eleggibili come pascolabili poiché la pen- denza ne impedisce l’accesso e/o la fruizione e sono quindi equiparate alla classe “Non pascolabile”. I dati disponibili
sono organizzati in 470 tile (se- condo l’organizzazione originale dell’ortofoto - Fig. 1).
Il problema è altamente com- plesso poiché presenta:
classi molto simili (tutte as- sociate alla presenza di erba);
limitata informazione spettrale (solo quattro ca- nali spettrali) in relazione alla tipologia di classi e in funzione della data di ac- quisizione (la classe erba nei canali spettrali e nella data – autunno – di acquisizione è poco marcata);
l’assenza di informazione multitemporale (l’andamen- to temporale della firma spettrale delle aree adibite a pascolo è diverso da quelle non eleggibili e ne facilite- rebbe l’identificazione);
l’elevata risoluzione geome- trica.
Il sistema basato su AI per l’identificazione dei pascoli
Uno dei più recenti sistemi di AI è il Deep Learning (DL).
Qui proponiamo l’uso di DL per la segmentazione di imma- gini formulato in funzione della
Fig. 3 - Grafico della ResNet a 50 layer.
FOCUS
e decompressione (23 layer) (Fig. 3). In fase di compressione la rete dimezza le dimensioni dell’input e incrementa il nu- mero di feature estratte ad ogni passo e la ResNet impara featu- re molto complesse. In fase di decompressione, le feature ven- gono aggregate per ottenerne di nuove e più complesse, e le loro dimensioni vengono incremen- tate fino a ricostruire le dimen- sioni delle immagini in input.
Il risultato di questa operazione viene classificato dal layer finale della rete.
Durante la fase di training, il modello di DL impara a classi- ficare le patch di allenamento minimizzando l’errore di clas- sificazione tra la predizione e la classe reale nel dataset di allena- mento e validazione. Quest’ul- timo è costituito da un insieme di patch quali unità base per l’allenamento e la validazione.
Tra tutte le patch disponibili è stato selezionato un sottoinsie- me rappresentativo che include patch:
provenienti dalle sole UPAS la cui classificazione per fotointerpretazione è consi- derata affidabile (Fig. 2).
contenenti una delle classi definite sopra.
posizionate ai bordi delle UPAS per garantire una maggior continuità dell’in- formazione spaziale.
omogenee dal punto di vi-
pari a 0.0001 (Kingma 2014).
Per classificare tutta la superfi- cie delle UPAS della Provincia Autonoma di Trento, l’ortofoto è suddivisa in patch di dimen- sione leggermente maggiore rispetto a quelle usate per l’al- lenamento (192x192 pixel) per analizzare un’area più ampia più velocemente e ottenere una classificazione più coerente dal punto di vista spaziale. Per ogni patch sistema (Fig. 4) assegna un’etichetta ad ogni pixel e le mappe di classificazione otte- nute per ciascuna patch sono aggregate in una mappa di tutte le UPAS.
Risultati
Di seguito si riportano l’analisi qualitativa e quantitativa delle mappe di classificazione prodot- te dal sistema di AI per le UPAS usando come riferimento la fotointerpretazione. Come per il dataset d’allenamento anche per quello di validazione sono rimosse le UPAS appartenenti all’ambito 2 (Fig. 2) e le aree considerate poco affidabili (in rosso - Fig. 2). Inoltre, è stata pesata l’affidabilità delle etichet- te assegnate alle zone di confine tra una classe di tara e l’altra (in particolare tra tara 20 e 50) dove le classi sono molto simili e predomina la soggettività del fotointerprete. In tali situazioni le matrici di confusione risulta- no meno significative in termini sta della classe rappresentata
limitando così l’influenza della soggettività della fo- tointerpretazione nelle zone di transizione da una classe all’altra.
Le patch sono leggermente so- vrapposte e hanno una dimen- sione di 128x128 pixel selezio- nata per massimizzare il numero di patch per tile. Il modello così addestrato può essere utilizzato per censire le aree pascolabili del Trentino (Fig. 4).
Settaggio sperimentale e risultati
Il modello è stato allenato per un massimo di 200 epoche (si definisce epoca l’utilizzo di tutte le patch contenute nel dataset per l’allenamento del modello), utilizzando 65.179 patch di allenamento. All’inizio di ogni epoca le patch di allenamento sono mescolate e incrementa- te secondo un paradigma di augmentation: le patch sono specchiate da destra a sinistra e/o dall’alto in basso, e possono essere ruotate di 90, 180, 270 gradi in modo aleatorio. L’infor- mazione di allenamento conti- nua così a cambiare riducendo l’overfitting. Le patch sono suddivise in gruppi di 80, per stabilizzare il processo secondo pratiche note (Ruder 2016). Il modello è ottimizzato utilizzan- do ADAM, un algoritmo allo stato dell’arte, con learning rate
Fig. 4 - Schema a blocchi dell’allenamento della rete e del processo di classificazione.
FOCUS
di valori assoluti e l’analisi dei risultati è supportata da consi- derazioni qualitative. Tale atti- vità può essere svolta da tecnici esperti con l’ausilio del plugin descritto nel seguito.
L’analisi quantitativa è stata svi- luppata: i) a livello di PAT e per tile; ii) considerando la mappa a cinque classi prodotta dal si- stema di AI e studiandola a tre scale di dettaglio:
scala a 5 classi (Tara 0, 20, 50, Bosco, Non Pascolabile) quella nativa prodotta dal sistema di AI. Analizza le prestazioni nel risolvere il problema del censimento
nella sua maggior complessi- tà.scala a 3 classi (Tara 0, 20, 50). Analizza la capacità del sistema rispetto alle sole classi eleggibili.
scala a 2 classi per le classi raggruppate in eleggibi- li (Tara 0, 20, 50) e non eleggibili (Bosco, Non Pascolabile). È quella con minor dettaglio e analizza le prestazioni rispetto alle due classi semantiche di maggior rilevanza e criticità.
Le tre scale consentono di analizzare il comportamento del sistema in funzione della
tipologia di errore e dalla loro rilevanza. Inoltre, sono analiz- zate nel dettaglio due aree del Trentino selezionate da APPAG per la loro complessità e rile- vanza: i) malga Cioca (a nord- ovest di Trento, tra Pinzolo e Madonna di Campiglio) e ii) un’area nei pressi di passo Vez- zena (a sud-est di Trento, vicino a Levico-Terme). I risultati sono analizzati quantitativamente considerando l’accuratezza to- tale (Overall Accuracy - OA), l’accuratezza dell’utente (User Accuracy - UA), e l’accuratezza del produttore (Producer Accu- racy - PA).
Analisi quantitativa
Il sistema proposto raggiunge una buona accuratezza totale (OA) di circa il 70% rispetto alla fotointerpretazione. Si può osservare (Tab. 1) che la classifi- cazione produce ottimi risultati nell’identificazione delle classi di Tara 0, Bosco e non pascola- bile, con, rispettivamente, una PA del 81.57%, del 80.57%, e del 76.16% e una UA del 75.69%, del 75.16%, del 67.44%. Come atteso, le classi Tara 20 e Tara 50 sono meno accurate delle altre in quanto la differenza tra Tara 20-Tara 50 e tra Tara 50-Bosco è complessa da modellare. Ciò è conferma- to nella matrice di confusione dove si osservano errori tenden- zialmente concentrati tra Tara 20, Tara 50, e Bosco.
Classificato
Tara 0 Tara 20 Tara 50 Bosco Non pasc. PA
Fotointerpretato Tara 0 54.70 5.10 3.76 2.61 0.89 81.57%
Tara 20 9.91 44.02 16.69 6.41 7.48 52.09%
Tara 50 4.49 12.73 76.83 20.23 18.63 57.8%
Bosco 2.13 2.40 16.37 117.26 6.70 80.85%
Non pasc. 1.04 4.26 7.05M 9.50 69.83 76.16%
UA 75.69% 64.25% 63.66% 75.16% 67.44% OA = 69.6%
Fig. 5 - Istogrammi delle accuratezze della classificazione per tile valutata sulla scala a 5 classi (a), 2 classi (b), e 3 classi (c).
Tab. 1 - Matrice di confusione totale su UPAS (in Milioni di pixel).
FOCUS
La Fig. 5 mostra gli istogrammi delle accuratezze per tile (ogni barra specifica quante tile han- no raggiunto il livello di accu- ratezza indicato sull’asse delle ascisse). L’accuratezza media di classificazione rispetto al fotoin- terpretato a 5 classi (Fig. 5.a) è
di circa il 70% con una variabi- lità di circa il 10%. La scala a 2 classi mostra un’accuratezza me- dia molto superiore, circa l’83%
(Fig. 5.b). Ovvero focalizzando sulle classi di maggior rilevanza e criticità (eleggibile e non), il sistema ha elevate performance.
Ciò conferma che la maggior parte degli errori di classificazione avvengono tra classi molto simili tra di loro e complesse da distingue- re. Allo stesso tempo, gli errori tra queste classi sono meno critici ai fini dell’applicazione. L’accu- ratezza tra le sole classi eleggibili è molto buona, circa il 77%.
Analisi qualitativa e quantitativa di aree sele- zionate
Per l’analisi di dettaglio della zona di malga Cio- ca e della zona immedia- tamente a sud del passo Vezzena, si confrontano le mappe di classificazio- ne prodotte in automati- co dal sistema proposto con quelle ottenute per fotoin- terpretazione. Entrambe sono rappresentate su uno sfondo realizzato con l'ortofoto a colori naturali (RGB).
Nella zona di Malga Cio- ca l’accuratezza è elevata, in
Tab. 2 - (a) OA sulle 5, 3, 2 classi. (b) Confronto tra le estensioni in ettari delle classi nel fotointerpretato e nella mappa prodotta dal sistema di AI – area della malga Cioca.
OA scala a 5 classi 66.53%
OA scala a 3 classi 74.12%
OA scala a 2 classi 81.78%
Estensione totale UPAS 823.25 ha
Tara 0 Tara 20 Tara 50 Non eleggibile
Foto-interpretato 247.01 ha 102.18 ha 105.43 ha 368,64 ha
Classificato 254.1 ha 53.15 ha 139.94 ha 376.06 ha
OA scala a 5 classi 74.57%
OA scala a 3 classi 77.24%
OA scala a 2 classi 87.54%
Estensione totale UPAS 500.77 ha
Tara 0 Tara 20 Tara 50 Non eleggibile
Foto-interpretato 189.33 ha 63.24 ha 59.59 ha 188.61 ha
Classificato 219.21 ha 13.03 ha 87.99 ha 180.54 ha
a)
b)
a)
b)
Tab. 3 - (a) OA 5, 3, 2 classi. (b) Confronto tra le estensioni in ettari delle varie classi del fotointerpretato e sistema AI - area a sud del passo Vezzena Fig. 6 - Fotointerpretato (a sinistra) e classificazione prodotta dal sistema AI – area della malga
Cioca (tile 059021w, 059022w, 059023w, 059024w, 059061w).
FOCUS
particolare alla scala 2 classi è pari OA=81.78% (Tab. 2). Le estensioni delle classi stimate dal classificatore sono in linea con le superfici identificate per fotointerpretazione. Ciò è par- ticolarmente vero per Tara 0 e non eleggibile, mentre Tara 20 viene sottostimata per lo più a vantaggio della Tara 50. Ovvero la sottostima si manifesta come errore poco critico. Il sistema proposto classifica in modo sod- disfacente anche dettagli molto piccoli (es., in Fig. 6, le piste da sci che durante il periodo estivo vengono usate come pascoli e sono estremamente piccole e sottili).
Nella zona a sud del passo Vez- zena i risultati sono in linea con la fotointerpretazione (Fig. 7).
Il sistema discrimina accura- tamente classi eleggibili e non (OA=87.54%), mentre la Tara 20 viene sottostimata a favore di Tara 0 e 50.
Plug in
A corredo del modello AI è sta- to sviluppato un Plugin python per sistema operativo Linux e Windows che utilizza librerie per l’elaborazione di dati geo- grafici quali rasterstats, geopan- das, rtree, rasterio, fiona e gdal.
Esso permette di rielaborare le mappe ottenute dal modello congiuntamente ad altri layer informativi per identificare i poligoni eleggibili in base a criteri definiti da esperti e pa- rametrizzati nell’interfaccia del plugin. È possibile:
selezionare un’area da ana- lizzare tramite bounding box (BB), estensione attuale o po- ligono presente nel progetto corrente di QGis,
personalizzare la maschera di pendenza per escludere zone impervie,
applicare dei filtri di sieve per rimuovere artefatti (sia sulla mappa di classificazione che
su quella delle pendenze), applicare algoritmi di smo- othing per lisciare i contorni dei poligoni relativi alle aree pascolabili,
personalizzare i criteri di eleg- gibilità tramite parametri di prossimità (distanza da strade o da altre aree eleggibili).
Le operazioni descritte si av- valgono di layer informativi:
la distanza dalle strade/sentieri e malghe, la mappa delle pen- denze e i poligoni di strade e laghi. Per una zona selezionata il plugin produce una mappa poligonale (Fig. 8 a destra) e per ogni poligono le variabili ripor- tate in Fig. 8 (in basso a destra).
I tempi di esecuzione ed even- tuali messaggi vengono mostrati nel box presente nella parte inferiore dell’interfaccia (Fig. 8 a sinistra). È previsto un siste- ma di caricamento/salvataggio delle impostazioni per facilitare la riproducibilità dei risultati e tracciare gli esperimenti.
In Tab. 4 sono riportati i tempi di esecuzione per un’area di circa 60km² con il sistema di coordinate di riferimento EPSG 25832 considerando 4 risolu- zioni (1, 4 e 20 metri) nel caso di presenza/assenza della classe bosco (650) e utilizzando o meno le operazioni di enriching (per riportare la percentuale delle varie classi nei poligoni a seguito delle operazioni di sieve, non indispensabili per la defini- zione della eleggibilità).
Si nota che i tempi si riducono molto passando da 1 a 4 m di risoluzione. La riduzione è meno significativa passando da 4 a 20 m perché la parte com- putazionalmente più pesante è a valle della generazione dei po- ligoni (che non dipende troppo dalla risoluzione se applica un sieve importante sulla mappa di classificazione). I tempi aumen- tano di circa il 12% se si separa
Risoluzione
1m 4m 20m
Con enriching 1026 s 703 s 813 s
Senza enriching 707 s 385 s 372 s
Con Bosco Con enriching 1277 s 830 s 918 s
Senza enriching 864 s 463 s 489 s
Fig. 7 - Foto-interpretato (a sinistra) e mappa di classificazione prodotta dal sistema AI (a destra) - area a sud presso passo Vezzena (tile 081042w, 082012w, 082013w, 082014w, 081081w, 082054w).
Tab. 4 - Tempi di computazione del plugin utilizzando diverse configurazioni.
FOCUS
la parte boschiva dalla classe 770 (dipende quindi dalla mappa di classificazione utilizzata inizial- mente).
Conclusioni e sviluppi futuri
È stato sviluppato un sistema automatico basato su intelligen- za artificiale e concetti di deep learning per il censimento delle aree a pascolo in zone alpine secondo il criterio della tara, come previsto da AGEA per la determinazione della superficie eleggibile netta da ammettere a contributo; il sistema interagisce con un plug-in GIS per l’accesso e l’elaborazione dei dati. I risul- tati ottenuti costituiscono un utile riferimento oggettivo per i tecnici della PAT sia per validare il lavoro di fotointerpretazione svolto all’interno delle UPAS, sia per ottenere una prima clas- sificazione speditiva di tutte le aree potenzialmente pascolabili (anche fuori UPAS). Infine – posto che le prossime ortofoto AGEA (2020, 2023, etc.) non si discostino troppo da quella del 2017 per caratteristiche spettrali e geometriche – il sistema po- trà costituire un utile supporto anche per l’aggiornamento pe- riodico dell’eleggibilità dei suoli dello Schedario dei pascoli. Il sistema può essere impiegato in aree alpine con caratteristiche assimilabili a quella qui conside- rata, prevedendo eventualmente
minimi adattamenti (tuning dell’addestramento).
Il sistema si dimostra preciso, con accuratezze medie tra il 70% e l’83% a seconda della complessità del problema e picchi a seconda della tile al di sopra del 90%. Nel caso più complesso a 5 classi, dove la somiglianza semantica e il grado di frammentazione delle classi sono elevati, si osserva una ten- denza alla sottostima della classe Tara 20 a favore della Tara 50.
Le mappe sono consultabili tra- mite un sistema di Data science che elabora dinamicamente le mappe di classificazione. È pos- sibile personalizzare il processo di generazione dei poligoni della classificazione automati- ca, permettendo l’adattamento della classificazione alle diverse caratteristiche fisiche, geomorfo- logiche, di accessibilità, etc. dei diversi contesti territoriali.
Come sviluppo futuro si preve- de di introdurre l’informazione temporale impiegando ortofoto acquisite in diverse stagioni (se disponibili) o di immagini satellitari (es. le immagini della missione ESA - European Space Agency Sentinel-2). È inoltre possibile estendere il sistema sviluppato e arricchire il plugin per la generazione e gestione di prodotti per altri ambiti quali l’agricoltura, le foreste.
BIBLIOGRAFIA
He, K., Zhang, X., Ren, S. and Sun, J., 2016.
Deep residual learning for image recognition.
In Proceedings of the IEEE conference on computer vision and pattern recognition, pp.
770-778.
Le Cun, Y. and Bengio, Y., 1995. Convolu- tional networks for images, speech, and time series. The handbook of brain theory and neural networks, 3361(10), p.1995.
Ruder, S., 2016. An overview of gradient de- scent optimization algorithms. arXiv preprint arXiv:1609.04747.
Kingma, D.P. and Ba, J., 2014. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.
QGIS.org, 2021. QGIS Geographic Informa- tion System. QGIS Association. http://www.
qgis.org
PAROLE CHIAVE
Intelligenza Artificiale; Sistemi In- formativi; Ortofoto; Pascoli; Gestione Montana
ABSTRACT
Mountain areas include precious environ- ments like pastures that require preservation strategies by the appointed authorities. Here we present a system that processes orthopho- tos acquired by Agenzia per le Erogazioni in Agricoltura using Artificial Intelligence to re- duce the time and costs of human inspection in pasture management activities. The system is trained to automatically classify multiple kinds of pasture and no-pasture areas. A user interface allows to query and refine the pas- ture maps. The map can be updated as new orthophotos come in. The system achieves good performance in the Provincia Autonoma di Trento (PAT), but it is suitable for similar mountain areas as well.
AUTORE Luca Bergamasco lbergamasco@fbk.eu
Fondazione Bruno Kessler – www.fbk.eu Università degli Studi di Trento – www.
unitn.it
Francesca Bovolo bovolo@fbk.eu Marco Cristoforetti mcristofo@fbk.eu Andrea Gobbi agobbi@fbk.eu
Fondazione Bruno Kessler – www.fbk.eu Daniele Leo
daniele.leo@provincia.tn.it Pietro Molfetta
pietro.molfetta@provincia.tn.it Riccardo Pasi
riccardo.pasi@provincia.tn.it Paola Rogani
paola.rogani@provincia.tn.it
Provincia Autonoma di Trento, APPAG - http://www.appag.provincia.tn.it/
Fig. 8 - Interfaccia del plugin (sinistra), raster generato dal modello AI (in alto a destra) e poligonale generata dal plugin con le informazioni associate ai poligoni (in basso a destra).
INTERVISTA
I
l numero civico prestandosi ad es- sere un elemento distintivo “stabile” e identificativo della po- sizione di un punto di interesse di qualsia-si tipo sul territorio, è il fulcro oggi di una se- rie di sistemi informa- tivi che basano su di esso importantissime attività che vanno dal- la semplice consegna di merci alla liceità di un allaccio di fornitu- ra energetica, al punto tale che in certe muni- cipalità non si procede a dare nuove utenze se non si ha contezza del civico certificato.E la certificazione della toponomastica e del civico diventa elemento importante della nostra economia sempre più sensibile al valore dell'informa- zione geolocalizzata in
un numero esponen- zialmente crescente di ambiti e servizi
Ma come vengono acquisite oggi tali posizioni? Nei primi grafi Teleatlas si trova- va un valore del civico all’inizio e alla fine del grafo determinandolo dalla semplice distri- buzione media della quantità di civici sulla lunghezza del grafo.
Ciò portava una ap- prossimazione anche di qualche decina di metri e forse bastava anche, ma oggi si sta arrivando ad appros- simazioni sempre migliori e molti di noi avranno notato l’in- cremento di precisione nel tempo dei naviga- tori stradali.
A questo proposito abbiamo incontrato recentemente nella nostra Redazione
Intervista a
Valerio Zunino
della Studio SIT Srl
Tempo fa nessuno avrebbe pensato che il
“numero civico” sarebbe potuto diventare nel tempo un importante oggetto geografico, tale da generare oggi una attività di rilevamento non trascurabile.
L’evoluzione dell’utilizzo commerciale e industriale della posizione del numero civico cominciò a prendere forma agli inizi degli anni 90 quando in America e in Europa rispettivamente apparvero due piccole realtà, Navteq e Teleatlas, quest'ultima in particolare veniva finanziata nell’ambito dei progetti di ricerca europei Eureka (EU 145 – Teleatlas, electronic publishing of cartographic and geographic daabases, Belgium, Netherlands), e diede inizio alla costruzione del database dei grafi stradali Teleatlas, una realtà che avrebbe dato il via ad una continua evoluzione fino alla acquisizione (2008) da parte della attuale TomTom, un brand il cui nome è diventato l’acronimo per eccellenza del navigatore stradale.
a cura di Renzo Carlucci
INTERVISTA
realizzate, anche a beneficio di questi grandi gruppi si svol- gono in buona parte nell'ambito del rile- vamento e mappatura della numerazione civica dell’intero territorio nazionale, compito in relazione al quale riteniamo di posizionarci in uno scenario all'interno del quale accuratezza geografica, comple- tezza e aggiornamen- to del dato siano elementi cruciali, ma nonostante ciò piuttosto difficili da riscontrare altrove.
G: Nell’ambito della espansione in atto della vostra attività in Italia quale futuro intravedete?
VZ: In questi ultimi anni la nostra attività, inizialmente foca- lizzata sui numerosi aspetti dell’informa- zione e dei sistemi geografici, è andata sempre più specia- lizzandosi su pochi livelli informativi e paradossalmente, in questa concentrazio- ne, sono aumentate le commesse: mentre le tipologie di atti- vità diminuivano, il numero dei clienti è andato aumentando.
G: Quali sono i clienti a cui dedicate attualmente la vostra produzione?
VZ: I nostri princi- pali clienti sono oggi le grandi multinazio-
a cura di Renzo Carlucci
‟
Intervista al CEO di StudioSIT
GEOmedia: La sua so- cietà vanta una ricono- sciuta posizione predo- minante nel settore del-
la geolocalizzazione dei numeri civici, ma quale è la situa- zione di riferimento del suo mercato?
Valerio Zunino:
STUDIO SIT srl è attualmente partner di riferimento delle principali major in- ternazionali del seg- mento di mercato che fino a qualche anno fa veniva age- volmente battezzato
“della navigazione per auto”.
Le attività da noi
‟ Tempo fa nessuno avrebbe pensato che
il “numero civico”
sarebbe potuto
diventare un importante oggetto geografico
Valerio Zunino CEO della Studio SIT srl, una società che da più di 30 anni opera nel settore dell’infor- mazione geografica e che recentemente ha avuto una importante crescita nel settore della geolocalizzazio- ne dei numeri civici.
Abbiamo chiesto al nostro ospite quale è la situazione italiana in questo settore e quale futuro si stia prospettando per gli operatori del settore.
INTERVISTA
nali che affrontano, con esclusività di attenzioni o meno, la grande offerta dell'au- tomatizzazione della guida, rivolta oggi naturalmente non più soltanto all'automobi- lista, ma ad una serie di soggetti, ivi com- presi turisti e pedoni affezionati o coinvolti dall'ampliamento delle funzionalità dei propri smartphones, che propongono una concreta facilitazio- ne dei loro viaggi e trasporti, per le varie necessità esistenziali e professionali.
G: E' possibile quan- tificare i territori di cui disponete di dati toponomastici civici georiferiti con accura- tezza?
VZ: In pratica possia- mo affermare di aver
acquisito la posizione geografica di quasi tutto il territorio italiano, tranne una residua porzione di comuni montani. La percentuale di coper- tura raggiunge oggi il 96% della popola- zione ed il 92% dei numeri civici, la cui numerosità comples- siva da noi stimata si attesta intorno ai 23,5 milioni, al netto dei duplicati e delle incongruenze riscon- trate sul campo.
G: Sarebbe interes- sante conoscere con che tipo di concor- renza vi dovete con- frontare, chi sono eventualmente i vostri competitors.
VZ: Come ho riferito poc'anzi, ad oggi nel nostro segmento tutto è diventato sempre
più funzione diretta del grado di qualità geografica, comple- tezza ed aggiorna- mento realizzato sul dato prodotto; di conseguenza in linea di massima i nostri concorrenti sono in prevalenza gli stes- si nostri clienti, in competizione dei quali difficilmente riteniamo di volerci schierare a meno che la richiesta che ci pervenga sia disalline- ata dalle applicazioni standard.
G: È necessario pro- cedere ad un aggior- namento costante di questi dati?
VZ: Assolutamente si, è oggi senza dub- bio l'elemento più rilevante. Facendo riferimento alla sola città metropolitana di
Roma, disponiamo ad esempio del supporto di quattro professio- nisti in pianta stabile che aggiornano co- stantemente i nostri dati. Chiaramente maggiore è il grado di urbanizzazione, maggiore sarà la fre- quenza di updating richiesta da qualsiasi tipologia di cliente, ma con riferimento alle grandi città e ad una popolazione co- stituita da quasi 10 milioni di abitanti, abbiamo attiva una procedura di aggior- namento costante del nostro dato geogra- fico toponomastico civico. In alcuni rari ma significativi casi, utilizziamo e norma- lizziamo la mappatura messa a disposizione
I puntini rossi indicano la copertura del rilevamento nel centro storico di Roma
Interessante e curiosa è anche la diffusione dei vari toponimi sul territorio nazionale, dove i primi quindici, nell'ordine, sono i seguenti:
ROMA
GIUSEPPE GARIBALDI GUGLIELMO MARCONI GIUSEPPE MAZZINI GIACOMO MATTEOTTI DANTE ALIGHIERI UMBERTO I
VITTORIO VENETO ANTONIO GRAMSCI GIUSEPPE VERDI CESARE BATTISTI TRIESTE
VITTORIO EMANUELE ALDO MORO
ALESSANDRO MANZONI
INTERVISTA
in Open Data da alcune realtà locali , le quali hanno realiz- zato una procedura corrente e collaudata - per conseguenza di- venuta affidabile - di questo livello infor- mativo; si distinguo- no fra queste la pro- vincia autonoma di Bolzano, alcuni tra i principali comuni ca- poluogo di provincia delle regioni Veneto, Emilia Romagna, Lombardia e Toscana, nonché altre cit- tà come Cagliari, Alessandria, Asti, Trieste, Macerata, Pesaro, Terni, e me ne dimentico sicu- ramente qualcuna, scusandomi. In linea generale però, il ri- lascio in Open Data non è affatto sinoni- mo di qualità, specie nel nostro ambito di lavoro, ma quando lo diventa come nei casi suesposti, quasi sempre lo fa grazie alla sopravvenuta presa di coscienza di quelle amministrazio- ni zelanti che hanno compreso l'importan- za della numerazione civica georiferita e del relativo dinamismo.
G: Quale è l’accuracy standard che potete offrire? E la topono- mastica risponde?
VZ: A Roma e a Milano centro of- friamo 1-2 metri di accuratezza della po- sizione del civico, mi- surati sulla proiezione dell'apertura (ingresso
residenziale o eserci- zio commerciale) in corrispondenza del fronte bordo mar- ciapiede. Altrove e su tutto il territorio nazionale, compreso l'extraurbano, garan- tiamo un'accuracy in- dicativa di 2-3 metri.
Sui toponimi sia- mo costantemente allineati all'ufficia- lità dello stradario comunale. Le am- ministrazioni oggi devono inviare dati corretti all’Anagrafe Nazionale dei Numeri Civici delle Strade Urbane (ANNCSU) e la problematica più importante è la denominazione topo- nomastica, la norma- lizzazione del nome.
Anche in relazione a questo, la nostra esperienza ci ha por- tato a constatare che il Paese è diviso in 3 macroaree, con un Sud che spesso non procede ad una nu- merazione analitica di tutti gli ingressi delle abitazioni e della attività commer- ciali e dove sovente non è stata assegnata alcuna numerazione civica alle abitazioni insistenti nelle con- trade, un'area centrale della penisola dove si assiste alla presenza di una numerazione di variabile qualità e quantità, ed un Nord dove a latere di una copertura (anche di targhette) invidiabile, si incontrano nume- razioni chilometriche o suddivise per desti-
nazione d'uso, come nei casi di Genova, Firenze e Savona, ove il civico rosso fa ri- ferimento ai negozi, quello nero alle entra- te residenziali.
G: Sicuramente avrete una serie di aneddoti da raccontare in me- rito alle attività di ri- levamento sul campo.
Ce ne può raccontare uno?
VZ: I nostri collabo- ratori, circa cinquanta distribuiti sull'intero territorio italiano, ce ne descrivono molti.
Uno dei tanti: qual- che tempo fa, nell'im- mediato entroterra di Salerno, un nostro professionista nel chiedere la numera- zione civica di un'area caratterizzata da una ventina di edifici ubi- cati sul versante in favore di visuale della collina retrostante, si è sentito rispondere:
“Qui è tutto 6”!
G: Jack Dangermond e Esri stanno guar- dando alla Scienza del Dove (The Science of Where) come qual- cosa che va ben oltre il mondo dei GIS di una volta, lei come vede il futuro dell’in- formazione geogra- fica?
VZ: Noi ci stiamo at- trezzando verso l’ana- lisi del “dentro” (The Science of Inside), quella informazione geografica che ad esempio comincia a
guidare l’automobili- sta nei parcheggi. Ma stiamo guardando an- che all’Osservazione della Terra in modo particolare per indivi- duare i cambiamenti dell’urbanizzazione.
Abbiamo a questo scopo acquistato da AirBus / Planetek nu- merose aree di change detection edilizio, in modo da disporre ra- pidamente di uno dei tre segnali più impor- tanti di cambiamento sul territorio, capace di generare nuova to- ponomastica e nuovi numeri civici.
PAROLE CHIAVE
studiosit, geolocalizzazione, numeri civici, toponomastica, navigatori per auto, geoposi- tioning, accuracy, tomtom ABSTRACT
Interview with Valerio Zu- nino, CEO of Studio Sit srl, a company operating in the geographic information field since more than 30 years. Re- cently experiencing a significant growth in the geolocation of streets numbers.
AUTORE
a cura di Renzo Carlucci redazione@rivistageomedia.it
REPORT
L
e applicazioni tecnologi- camente più avanzate e ad alto valore aggiunto (cioè in grado di fornire servizi che soddisfano esigenze fonda- mentali degli utenti) derivano dall’integrazione sinergica fra quattro grandi “motori” tecno- logici:1) il telerilevamento, cioè la ca- pacità di raccogliere informa- zioni attraverso sensori sem- pre più sofisticati sulla realtà che ci circonda, estendendo i nostri cinque sensi e poten- ziandone la capacità. Questa tecnologia, limitata in passato ai satelliti ed alle prospezioni aeree, si è oggi potentemen- te estesa attraverso i sensori miniaturizzati (IoT e “smart dust”) ed i droni aerei;
2) la referenziazione geografi- ca e temporale, per lo più basata sui sistemi GNSS (“Global Navigation Satellite Systems”), cioè la capacità di associare le informazioni for-
nite dai sensori ad un luogo ed un tempo specifici, ad un preciso “qui ed ora”;
3) le telecomunicazioni, soprat- tutto quelle “wireless”, perché ubique, cioè in grado di rac- cogliere dati da sensori ovun- que posizionati, sulla terra e nello spazio, e di diffondere poi, dopo un adeguato pro- cessamento dei dati grezzi, in- formazioni e conoscenza agli utenti finali, quelli per i quali applicazioni e servizi sono concepiti;
4) i centri di processamento dei dati, basati su potenti capacità di calcolo e sempre più su agenti “intelligen- ti” (Intelligenza Artificiale,
“Machine learning”, “Deep Learning”), che elaborano l’enorme, spesso non struttu- rata, mole di dati raccolti per derivarne informazione e co- noscenza, che l’utente medio (agricoltore, architetto, opera- tore della logistica o marinaio
che sia) sia in grado di usare a proprio vantaggio.
In particolare, negli ultimi anni si è fatta sempre più evidente la sinergia fra la tecnologia di localizzazione basata sui satel- liti (GPS, Galileo) e quella dei droni aerei o UAV (“Unmanned Aerial Vehicles”).
Il ruolo dei droni aerei nelle applicazioni di telerilevamen- to, sorveglianza, sicurezza e logistica
Si definisce come drone aereo (in inglese UAV, “Unmanned Aerial Vehicle”) un aeromobile senza pilota a bordo. Si possono a questo punto dare due casi:
che il velivolo sia pilotato da un essere umano da remoto (ed in questo caso si parla più cor- rettamente di RPA, “Remotely Piloted Aircraft”), ovvero che sia in grado di volare con un grado più o meno alto di autonomia.
Il secondo caso, quello cioè della guida autonoma, è parti- colarmente importante in quelle applicazioni nelle quali il drone opera al di là della visuale ottica del pilota (in inglese “Beyond Visual Line of Sight”, BVLOS).
Per gli UAV che operano in BVLOS, piattaforme di naviga- zione che integrino un ricevito-
GNSS e droni aerei:
un connubio vincente per applicazioni di telerilevamento, sorveglianza, sicurezza e logistica
di Marco Lisi, Alberto Mennella, Marco Nisi
Fig. 1 - Il concetto di sistema del progetto Easy-PV.
REPORT
• Trasporto di prodotti o pac- chi postali;
• Fotografia aerea;
• Agricoltura;
• Raccolta di dati (IoT);
• Manutenzione di infrastrut- ture distribuite
I droni in applicazioni di ma- nutenzione e logistica: i pro- getti Easy-PV e AMPERE
Un primo esempio di appli- cazione dei droni aerei e della georeferenziazione tramite GNSS è quello del progetto re GNSS sono essenziali perché
in quasi tutte le applicazioni si richiede una georeferenziazione molto accurata delle immagini;
inoltre il drone, non diretta- mente visibile dal suo operatore, ha bisogno di un’elevata capaci- tà in termini di posizionamento e navigazione, così da mantene- re la propria traiettoria, anche in aree abitate, mantenendosi a distanza di sicurezza da eventua- li ostacoli ed evitando collisioni.
Nelle operazioni BVLOS è ov- viamente anche necessario un sistema di telecomunicazione
“wireless” (eventualmente basa- to su network sia terrestri che satellitari) molto affidabile e ad alto “data rate”.
Sviluppati originariamente per applicazioni militari, gli UAV si stanno espandendo rapida- mente ad un’ampia gamma di applicazioni civili, tanto che oggigiorno il numero di UAV civili è di gran lunga maggiore di quelli militari. Tra le applica- zioni civili tipiche degli UAV ci sono:
• Sorveglianza;
• Rilevamento topografico;
• Monitoraggio dell’ambiente;
• Disastri naturali ed emergenze;
Easy-PV, finanziato dalla GSA (ora “European Union Space Programs Agency”, EUSPA) nell’ambito del programma della Commissione Europea Horizon 2020 e già positiva- mente conclusosi.
Il problema al quale Easy-PV si rivolge è quello della manu- tenzione di grandi installazioni per la produzione di energia fo- tovoltaica, nelle quali i pannelli fotovoltaici, esposti all’aperto ed alle escursioni termiche, sono soggetti a degradazioni o rotture
Fig. 4 - architettura del sistema SARA.
Fig. 3 - Il drone “tethered” del progetto SARA.
Fig. 2 - architettura di sistema del progetto AMPERE
REPORT
dei loro elementi, difficili da individuare.
La soluzione proposta da Easy- PV (figura 1) si basa su un si- stema automatico per acquisire, geo-referenziare e processare immagini ottiche e termiche raccolte da un drone (più pre- cisamente un RPA) mentre sor- vola il campo fotovoltaico.
Il progetto AMPERE, sem- pre finanziato da EUSPA in Horizon 2020, applica un ap- proccio simile a quello di Easy-
PV (drone dotato di fotocamere nel visibile e nell’infrarosso, nonché di radar ottico 3D in tecnologia LIDAR) per affron- tare il problema della mappatu- ra e quello della prevenzione di potenziali guasti nelle reti aeree per la distribuzione dell’energia elettrica (figura 2). Questo pro- getto, tuttora in corso, prevede una sperimentazione sul campo nella Repubblica Dominicana, attraverso l’università UNPHU di Santo Domingo.
Gli UAV nelle applicazioni di sorveglianza aerea: il progetto SARA
Sono molto numerosi i casi nei quali si richiede la sorveglianza continua, diurna e notturna, di una certa area, attraverso sensori nei campi visibile ed infrarosso.
Le circostanze possono essere le più varie: dalla protezione di un perimetro da intrusioni dall’e- sterno alla supervisione di ope- razioni complesse, per esempio di logistica, ovvero alla gestione coordinata dei soccorsi in caso di emergenze (per esempio, salvataggi in mare) e disastri naturali (incendi, inondazioni, terremoti).
I droni aerei forniscono soluzio- ni molto efficienti ed efficaci, nonché molto meno costose di altri mezzi, per esempio gli elicotteri.
Partendo dalla specifica esigen- za di supportare le operazioni di salvataggio (“Search and Rescue”, SAR) in mare, partico- larmente durante le ore nottur- ne, è stata sviluppata la tecno- logia dei droni “tethered”, cioè alimentati e comandati tramite un cavo elettrico fino ad altezze di cento e più metri attraverso il progetto Horizon 2020 de- nominato SARA (“Search And Rescue Aid”) (figura 3).
SARA è un sistema semi-auto- matizzato composto da un dro- ne “vincolato” e dal suo hangar, collegato saldamente all’imbar- cazione grazie ad un cavo molto resistente rivestito in kevlar, che viene utilizzato sia per l’alimen- tazione che per la trasmissione dati (figura 4).
Il principale vantaggio rispetto ad altri droni presenti sul mer- cato è la possibilità di dispie- gare in pochissimo tempo un
“Traliccio Virtuale” fino a 100 metri sulla superficie dell’im- barcazione. Inoltre il sistema SARA abilita le operazioni di volo in condizioni di scarsa
Fig. 6 - Architettura di sistema del progetto PASSport.
Fig. 5 - Drone “tethered” per le riprese aeree di eventi sportivi.
REPORT
visibilità grazie all’avanzato uso del posizionamento satellitare e quelle di avvistamento grazie all’impiego di un payload con camere ottiche e termiche (ad infrarossi).
Pur se originariamente svilup- pato per applicazioni marittime, il concetto del drone “tethered”
può essere ovviamente esteso a molte altre situazioni, general- mente ogni qual volta sia neces- saria la sorveglianza di una certa area da grande altezza e su tem- pi relativamente lunghi (come, ad esempio, le riprese aeree di avvenimenti sportivi, figura 5).
Sicurezza e gestione delle infrastrutture di trasporto e logistiche: il progetto PASSport
Nei mesi passati la pandemia da Covid-19 ha messo in evidenza l’importanza strategica per l’e- conomia delle infrastrutture di trasporto e di logistica, special- mente in periodi di crisi.
Le varie tipologie di trasporto condividono esigenze in larga parte comuni: la sicurezza in senso lato, sia intesa come pro- tezioni da azioni malevoli di varia origine, sia come preven- zione di incidenti che possano mettere a rischio la vita delle persone ed i beni trasportati.
Vale qui la pena di ricordare che molto spesso tali incidenti portano, se non alla perdita di vite umane, a gravi conseguenze sull’ecosistema (a causa, per esempio, di sversamenti sulla terra o in mare di sostanze chi- miche nocive).
Il progetto PASSport, anch’esso finanziato dalla Commissione Europea nell’ambito del pro- gramma Horizon 2020 ed ancora in corso, propone un sistema integrato di droni aerei e sottomarini, tutti assistiti dai più recenti servizi offerti dal si- stema GNSS europeo, Galileo, per dare pratica implementa-
zione alle stringenti direttive europee in tema di sicurezza dei trasporti marittimi e dei com- plessi portuali (figura 6).
Il sistema di sorveglianza e controllo PASSport è destinato alle infrastrutture complesse in senso lato, quindi anche ad aeroporti, linee ferroviarie, grandi complessi autostradali.
Fondamentale nella sua filo- sofia è l’integrazione e fusione di dati provenienti da svariate tipologie di sensori, non esclusi quelli provenienti da satelli- ti di osservazione della Terra (Copernicus). La quantità dei dati ingestiti e la complessità delle azioni di controllo da
prendere tempestivamente (quindi in modo spesso autono- mo) richiederanno un utilizzo massivo di tecnologie avan- zate di processamento, quali
“Artificial Intelligence” (AI) e
“Deep Learning”.
Integrazione di satelliti, droni e sensori “in situ” per la salva- guardia del patrimonio artisti- co: il progetto VESTA
ll progetto VESTA
(Acronimo di Valorizzazione E Salvaguardia del paTrimonio culturAle attraverso l’utilizzo di tecnologie innovative) si propone di offrire servizi atti a migliorare la salvaguardia e
Fig. 8 - Il parco archeologico di Paestum e Velia.
Fig. 7 - Droni sottomarini a guida autonoma (Università di Firenze).
