Mapping e classificazione del fondale attraverso immagini RGB.
Mostra/ Apri
Autore
Moschetto, Nunzio <1993>
Data
2019-12-16Disponibile dal
2023-03-16Abstract
L’elaborato descrive una metodologia per la classificazione del fondale e la generazione di superfici batimetriche in aree costiere fino ai 20 m di profondità, tramite l’uso di foto aeree RGB e software free come QGIS e GRASS GIS. La procedura individuata è stata applicata a porzione di costa del Golfo Aranci, per la quale erano disponibili dati batimetrici Lidar. Tali dati hanno permesso di calibrare le operazioni di classificazione del fondale e di calcolo della batimetria, e di verificare la bontà dei risultati ottenuti in aree limitrofe. Preliminarmente si è effettuata un’elaborazione volta alla discriminazione della linea di riva e alla separazione delle terre emerse dalle aree marine. In seguito, nella zona di calibrazione, si è proceduto alla selezione di aree campione rappresentative delle quattro classi di sedimento individuate otticamente. Di esse sono state calcolate le firme spettrali, necessarie per effettuare una classificazione semi-automatica del fondale dell’intera area di calibrazione tramite un algoritmo di massima verosimiglianza. E’ stato quindi calibrato l’algoritmo batimetrico (algoritmo di Stumpf) sulla base dei valori Lidar in maniera indipendente in ognuna delle 4 classi di natura del fondale generate precedentemente. Si è, dunque, proceduto alla classificazione del fondale per l’intera area di studio e alla generazione della superficie batimetrica. Il confronto dei dati ottenuti dalle immagini RGB e i rispettivi dati Lidar ha evidenziato una buona correlazione fino ai 10m, che però viene meno con l’incremento della profondità. Il margine di incertezza individuato indirizzerà le successive analisi mirate, alla pre-elaborazione delle immagini per la correzione di eventuale rumore dovuto alla presenza di sunglint o connesso alla fase di creazione dell’ortofotomosaico. La procedura individuata potrebbe portare a notevoli risvolti in termini di esecuzione di REA, soprattutto se condotta a seguito di survey speditive per mezzo di droni. The paper describes a methodology for the classification of the seabed and the generation of bathymetric surfaces in coastal areas up to a depth of 20 m, through the use of RGB aerial photos and free software such as QGIS and GRASS GIS. The identified procedure was applied to a portion of the coast of the Golfo Aranci, for which Lidar bathymetric data was available. These data allowed to calibrate the operations of classification of the seabed and computation of the bathymetry, and to verify the goodness of the results obtained in neighbouring areas. Preliminarily, an elaboration was carried out aimed at the discrimination of the shore line and the separation of the emerged lands from the marine areas. Later, in the calibration zone, we proceeded to the selection of sample areas representative of the four optically identified sediment classes. The spectral signatures, calculated to perform a semi-automatic classification of the bottom of the entire calibration area using a maximum likelihood algorithm were calculated. The bathymetric algorithm (Stumpf algorithm) was then calibrated on the basis of the Lidar values independently in each of the 4 nature classes of the background previously generated. Therefore, we proceeded with the classification of the seabed for the entire study area and with the generation of the bathymetric surface. The comparison of the data obtained from the RGB images and the respective Lidar data showed a good correlation up to 10m, which however fails with the increase in depth. The margin of uncertainty identified will direct the subsequent targeted analysis to the pre-processing of the images for the correction of any noise due to the presence of sunglint or connected to the orthophotomosaic creation phase. The identified procedure could lead to significant repercussions in terms of execution of REAs, especially if conducted following expeditious surveys by means of drones.
Tipo
info:eu-repo/semantics/masterThesisCollezioni
- Laurea Magistrale [4734]