Misurare con accuratezza le portate di un corso d’acqua è uno dei principali obiettivi dell’idrometria tecnica (Eltner et al., 2020) e rappresenta da decenni una vera e propria sfida per la comunità scientifica. Le osservazioni di deflusso nei corsi d’acqua sono di fondamentale importanza per qualsiasi applicazione idrologica e idraulica (Pizarro et al., 2020) e consentono di comprendere al meglio le dinamiche di processi complessi, come ad esempio le piene lampo (Perks et al., 2016). La portata è una grandezza fisica la cui stima è caratterizzata da considerevole incertezza. Gli approcci tradizionali prevedono una stima indiretta della grandezza, attraverso un metodo velocità-area, che consiste nell’effettuare misure multiple di velocità della corrente a diverse profondità e su diverse verticali, lungo una sezione trasversale del canale (Herschy, 1993). Gli strumenti tradizionalmente utilizzati per campionare la velocità sono i correntometri meccanici, il cui funzionamento è basato sulla relazione tra velocità dell’acqua e numero di giri compiuti da un mulinello durante un intervallo di misura. Nei correntometri elettromagnetici la velocità della corrente è misurata attraverso l’applicazione di un campo magnetico, valutando il potenziale elettrico generato dall’acqua. Questi strumenti vengono spesso sostituiti da alcuni tecnologicamente più avanzati, come ad esempio gli ADCP (Acoustic Doppler Current Profiler), che utilizzano gli ultrasuoni. Il metodo velocità-area è applicato in questo caso in maniera continua utilizzando un sensore acustico, spesso ancorato ad un catamarano di piccole dimensioni e messo in movimento lungo un transetto trasversale. La velocità dell’acqua è misurata sfruttando il principio dell’effetto Doppler. Il sensore consente inoltre la ricostruzione della batimetria e una misura dell’area bagnata grazie ad un tracciamento continuo del fondo alveo e della posizione dello strumento. Le tecniche sopra esposte prevedono un contatto diretto con l’acqua, sia degli strumenti che degli operatori addetti alle misure; le campagne di misura sono inoltre solitamente costose, impegnative e spesso pericolose in condizioni di alti deflussi (Ioli et al., 2020). I recenti avanzamenti tecnologici hanno dato un forte impulso allo studio di tecniche innovative per la misura delle velocità dei corsi d’acqua, rendendo possibile l’implementazione di metodi di monitoraggio da remoto e in real-time. Adottando un approccio basato sull’analisi di immagini è possibile una stima delle velocità superficiali dei corsi d’acqua in maniera non intrusiva. La superficie liquida è resa tracciabile utilizzando un opportuno tracciante galleggiante, già naturalmente presente sulla superficie o aggiunto artificialmente, il cui movimento viene catturato da una fotocamera. Questo approccio ha portato allo sviluppo di tecniche ottiche specifiche per applicazioni di pieno campo come la Large-Scale Particle Image Velocimetry (LS-PIV) (Fujita et al., 1998) e la Large-Scale Particle Tracking Velocimetry (LS-PTV) (Lloyd et al., 1995). L’applicazione operativa delle tecniche ottiche prevede quattro fasi principali: (i) seeding e recording, (ii) pre-processing, (iii) processing e (iv) post-processing. Dalla prima fase dipende l’accuratezza dei risultati delle fasi successive. È infatti necessario procedere ad una dispersione del tracciante (seeding) quanto più omogenea possibile ed effettuare le riprese in maniera adeguata. La fase di registrazione video (recording) può essere condotta da postazioni fisse (ad es., da ponte) o con dispositivi mobili comandati adistanza, come i droni (UAV – Unmanned Aerial Vehicle). Durante le riprese è auspicabile mantenere la camera quanto più perpendicolare possibile alla superficie liquida per minimizzare le distorsioni prospettiche. La fase di pre-processing è utile per stabilizzare, ortorettificare e migliorare graficamente le immagini acquisite. La stabilizzazione rimuove dalle immagini movimenti non desiderati della fotocamera; l’ortorettifica consente di associare coordinate metriche di un sistema di riferimento reale alle coordinate immagine delle sequenze video, e di rimuovere qualsiasi distorsione dovuta alla prospettiva di ripresa. L’enhancement grafico consente, infine, di aumentare il contrasto tra tracciante e sfondo. Nella fase di processing è in genere applicato un algoritmo di cross-correlazione statistica, attraverso dei software gratuiti e open-source, ottenendo frame-by-frame gli spostamenti più probabili delle singole particelle traccianti. I campi di velocità superficiali sono poi calcolabili noto il frame rate di acquisizione dei video. In fase di post-processing è possibile applicare operazioni di filtro delle velocità, rimuovendo vettori risultanti da una non corretta interpretazione degli spostamenti delle particelle. Infine, nota la geometria di una sezione del corso d’acqua, la portata può essere stimata assumendo ipotesi semplificative sulla distribuzione verticale delle velocità. Particolare interesse deve essere dato alla fase di pre-processing, necessaria per migliorare l’abilità dei software nell’identificare le particelle traccianti. Durante campagne di misura in cui il tracciante viene introdotto manualmente, difficilmente si riesce ad avere un perfetto controllo sulle operazioni di seeding, per cui non sono noti a priori la densità e la distribuzione del tracciante sull’area di interesse, che potranno anche essere estremamente variabili frame-by-frame. È spesso opportuno quindi individuare ed applicare le analisi ad una sottosequenza dell’intera registrazione acquisita, caratterizzata da densità e distribuzione del tracciante appropriata e quanto più uniforme possibile lungo tutta la sequenza analizzata. Le analisi presentate in questo lavoro mirano all’individuazione di una metodologia automatica per la scelta delle migliori sottosequenze di registrazione video da analizzare al fine di ottimizzare le performance dei software basati su tecniche LS-PIV. A questo scopo sono stati utilizzati i dati derivanti da una campagna di misure effettuata su diversi corsi d’acqua della Sicilia. Vengono mostrati, in particolare, i risultati di campagne multiple effettuate su due casi studio: Oreto a Ponte Parco e Platani a Passofonduto. I risultati sono misurati in termini di errore nella stima della velocità superficiale lungo un transetto, derivanti dal confronto fra valori stimati con tecniche LS-PIV, mediante il software PIVlab (Thielicke et al., 2014), e quelli di riferimento misurati simultaneamente mediante ADCP.

Francesco Alongi; Dario Pumo; Carmelo Nasello; Salvatore Nizza; Giuseppe Ciraolo; Leonardo Noto (4-7/09/2022).TECNICHE OTTICHE PER IL MONITORAGGIO DEI CORSI D’ACQUA: UNA PROCEDURA AUTOMATICA PER L’INDIVIDUAZIONE DELLA MIGLORE SEQUENZA VIDEO DA PROCESSARE CON TECNICA LS-PIV.

TECNICHE OTTICHE PER IL MONITORAGGIO DEI CORSI D’ACQUA: UNA PROCEDURA AUTOMATICA PER L’INDIVIDUAZIONE DELLA MIGLORE SEQUENZA VIDEO DA PROCESSARE CON TECNICA LS-PIV

Francesco Alongi
;
Dario Pumo;Carmelo Nasello;Salvatore Nizza;Giuseppe Ciraolo;Leonardo Noto

Abstract

Misurare con accuratezza le portate di un corso d’acqua è uno dei principali obiettivi dell’idrometria tecnica (Eltner et al., 2020) e rappresenta da decenni una vera e propria sfida per la comunità scientifica. Le osservazioni di deflusso nei corsi d’acqua sono di fondamentale importanza per qualsiasi applicazione idrologica e idraulica (Pizarro et al., 2020) e consentono di comprendere al meglio le dinamiche di processi complessi, come ad esempio le piene lampo (Perks et al., 2016). La portata è una grandezza fisica la cui stima è caratterizzata da considerevole incertezza. Gli approcci tradizionali prevedono una stima indiretta della grandezza, attraverso un metodo velocità-area, che consiste nell’effettuare misure multiple di velocità della corrente a diverse profondità e su diverse verticali, lungo una sezione trasversale del canale (Herschy, 1993). Gli strumenti tradizionalmente utilizzati per campionare la velocità sono i correntometri meccanici, il cui funzionamento è basato sulla relazione tra velocità dell’acqua e numero di giri compiuti da un mulinello durante un intervallo di misura. Nei correntometri elettromagnetici la velocità della corrente è misurata attraverso l’applicazione di un campo magnetico, valutando il potenziale elettrico generato dall’acqua. Questi strumenti vengono spesso sostituiti da alcuni tecnologicamente più avanzati, come ad esempio gli ADCP (Acoustic Doppler Current Profiler), che utilizzano gli ultrasuoni. Il metodo velocità-area è applicato in questo caso in maniera continua utilizzando un sensore acustico, spesso ancorato ad un catamarano di piccole dimensioni e messo in movimento lungo un transetto trasversale. La velocità dell’acqua è misurata sfruttando il principio dell’effetto Doppler. Il sensore consente inoltre la ricostruzione della batimetria e una misura dell’area bagnata grazie ad un tracciamento continuo del fondo alveo e della posizione dello strumento. Le tecniche sopra esposte prevedono un contatto diretto con l’acqua, sia degli strumenti che degli operatori addetti alle misure; le campagne di misura sono inoltre solitamente costose, impegnative e spesso pericolose in condizioni di alti deflussi (Ioli et al., 2020). I recenti avanzamenti tecnologici hanno dato un forte impulso allo studio di tecniche innovative per la misura delle velocità dei corsi d’acqua, rendendo possibile l’implementazione di metodi di monitoraggio da remoto e in real-time. Adottando un approccio basato sull’analisi di immagini è possibile una stima delle velocità superficiali dei corsi d’acqua in maniera non intrusiva. La superficie liquida è resa tracciabile utilizzando un opportuno tracciante galleggiante, già naturalmente presente sulla superficie o aggiunto artificialmente, il cui movimento viene catturato da una fotocamera. Questo approccio ha portato allo sviluppo di tecniche ottiche specifiche per applicazioni di pieno campo come la Large-Scale Particle Image Velocimetry (LS-PIV) (Fujita et al., 1998) e la Large-Scale Particle Tracking Velocimetry (LS-PTV) (Lloyd et al., 1995). L’applicazione operativa delle tecniche ottiche prevede quattro fasi principali: (i) seeding e recording, (ii) pre-processing, (iii) processing e (iv) post-processing. Dalla prima fase dipende l’accuratezza dei risultati delle fasi successive. È infatti necessario procedere ad una dispersione del tracciante (seeding) quanto più omogenea possibile ed effettuare le riprese in maniera adeguata. La fase di registrazione video (recording) può essere condotta da postazioni fisse (ad es., da ponte) o con dispositivi mobili comandati adistanza, come i droni (UAV – Unmanned Aerial Vehicle). Durante le riprese è auspicabile mantenere la camera quanto più perpendicolare possibile alla superficie liquida per minimizzare le distorsioni prospettiche. La fase di pre-processing è utile per stabilizzare, ortorettificare e migliorare graficamente le immagini acquisite. La stabilizzazione rimuove dalle immagini movimenti non desiderati della fotocamera; l’ortorettifica consente di associare coordinate metriche di un sistema di riferimento reale alle coordinate immagine delle sequenze video, e di rimuovere qualsiasi distorsione dovuta alla prospettiva di ripresa. L’enhancement grafico consente, infine, di aumentare il contrasto tra tracciante e sfondo. Nella fase di processing è in genere applicato un algoritmo di cross-correlazione statistica, attraverso dei software gratuiti e open-source, ottenendo frame-by-frame gli spostamenti più probabili delle singole particelle traccianti. I campi di velocità superficiali sono poi calcolabili noto il frame rate di acquisizione dei video. In fase di post-processing è possibile applicare operazioni di filtro delle velocità, rimuovendo vettori risultanti da una non corretta interpretazione degli spostamenti delle particelle. Infine, nota la geometria di una sezione del corso d’acqua, la portata può essere stimata assumendo ipotesi semplificative sulla distribuzione verticale delle velocità. Particolare interesse deve essere dato alla fase di pre-processing, necessaria per migliorare l’abilità dei software nell’identificare le particelle traccianti. Durante campagne di misura in cui il tracciante viene introdotto manualmente, difficilmente si riesce ad avere un perfetto controllo sulle operazioni di seeding, per cui non sono noti a priori la densità e la distribuzione del tracciante sull’area di interesse, che potranno anche essere estremamente variabili frame-by-frame. È spesso opportuno quindi individuare ed applicare le analisi ad una sottosequenza dell’intera registrazione acquisita, caratterizzata da densità e distribuzione del tracciante appropriata e quanto più uniforme possibile lungo tutta la sequenza analizzata. Le analisi presentate in questo lavoro mirano all’individuazione di una metodologia automatica per la scelta delle migliori sottosequenze di registrazione video da analizzare al fine di ottimizzare le performance dei software basati su tecniche LS-PIV. A questo scopo sono stati utilizzati i dati derivanti da una campagna di misure effettuata su diversi corsi d’acqua della Sicilia. Vengono mostrati, in particolare, i risultati di campagne multiple effettuate su due casi studio: Oreto a Ponte Parco e Platani a Passofonduto. I risultati sono misurati in termini di errore nella stima della velocità superficiale lungo un transetto, derivanti dal confronto fra valori stimati con tecniche LS-PIV, mediante il software PIVlab (Thielicke et al., 2014), e quelli di riferimento misurati simultaneamente mediante ADCP.
Tecniche ottiche per il monitoraggio dei corsi d’acqua; Procedure di pre-processing ed enhancment delle immagini; Influenza di densità e distribuzione del tracciante; Analisi di casi studio reali.
Francesco Alongi; Dario Pumo; Carmelo Nasello; Salvatore Nizza; Giuseppe Ciraolo; Leonardo Noto (4-7/09/2022).TECNICHE OTTICHE PER IL MONITORAGGIO DEI CORSI D’ACQUA: UNA PROCEDURA AUTOMATICA PER L’INDIVIDUAZIONE DELLA MIGLORE SEQUENZA VIDEO DA PROCESSARE CON TECNICA LS-PIV.
File in questo prodotto:
File Dimensione Formato  
2022_4_IDRA2022_paper_79_Alongietal.pdf

Solo gestori archvio

Tipologia: Versione Editoriale
Dimensione 317.96 kB
Formato Adobe PDF
317.96 kB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/10447/566926
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact