Unsupervised classification of flowing condition in non-perennial rivers

I fiumi non-perenni sono attualmente la tipologia di corso d’acqua più comune sulla Terra. Le pressioni antropogeniche, come la conversione di utilizzo del suolo, i prelievi idrici ed i cambiamenti climatici stanno modificando le condizioni di flusso dei fiumi in maniera significativa, alterandoli da perenni a non-perenni. La variazione del volume delle acque superficiali causa di norma gravi conseguenze sia sugli ecosistemi fluviali che su aspetti della vita umana, sicché è fondamentale rilevare in modo efficiente l’esistenza delle acque superficiali, estrarne l’estensione, quantificarne il volume e monitorarne la dinamica. La conoscenza di frequenza e durata delle condizioni di flusso di questi fiumi è fortemente limitata dal ridotto numero di strumenti di misurazione della portata in funzione e dalla poco affidabile previsione della presenza di acque superficiali tramite modelli idrologici. Ecco che le immagini satellitari rappresentano un mezzo utile per lo studio dei processi ecologici e idrologici in fiumi non-perenni, offrendo metodi efficaci per l’osservazione ed il monitoraggio delle dinamiche delle acque superficiali, con dati dalla buona risoluzione spaziale e temporale. Recentemente si è iniziata ad usare la combinazione di telerilevamento e machine learning, in particolare delle Reti Neurali Convoluzionali (CNN) progettate per processare e analizzare dati di tipo visivo come le immagini, anche per applicazioni ambientali riguardanti corpi idrici. In questo elaborato, immagini multispettrali dei satelliti Sentinel-2 sono state usate per l’individuazione ed il monitoraggio di due fiumi non perenni di tipo mediterraneo, siti nella provincia di Valencia (Spagna orientale). Con la sovrapposizione di immagini satellitari e dati ‘al suolo’, costituiti da rilievi sul campo e da immagini aeree ad alta risoluzione, sono state ottenute le firme spettrali di sedimenti, vegetazione e acqua, le principali classi identificate nei corridoi fluviali, estrapolando la combinazione delle bande SWIR, NIR e RED come migliore per la distinzione dell’acqua dalle altre classi. Le Immagini a Falsi-Colori (FCI) sono successivamente state utilizzate sui segmenti di fiumi non-perenni presi in esame per il riconoscimento delle condizioni di flusso: “in scorrimento” (F), “stagnante” (P), “secco” (D). In particolare, sei anni di immagini Sentinel-2 (periodo 2017-2023) sono stati classificati sulla base delle condizioni di flusso e di copertura nuvolosa, aggiungendo la classe “nuvoloso” (C). Il set di dati così ottenuto ha permesso di allenare CNNs per la classificazione non-supervisionata delle condizioni di flusso, basata unicamente sulla visualizzazione di FCI. Sono state utilizzate CNNs a sei strati, adottando ResNet50 come modello di base, al quale è stato poi aggiunto il set di dati di training. Sono stati sviluppati tre modelli per rispettivi problemi di classificazione a 2 (acqua - nonacqua), 3 (F-P-D) e 4 (F-P-D-C) classi. La loro performance, espressa tramite il parametro accuratezza, è stata nel range 0.7-0.82, sempre ottenendo risultati inferiori a 0.9, indicativi di un non ottimale apprendimento dei modelli. Nonostante il bilanciamento del set di dati in pre-elaborazione, la condizione “stagnante” è la più critica da identificare, causando il maggior numero di classificazioni errate. Ulteriori miglioramenti di modello e analisi, con l’estensione e la diversificazione del set di dati, sono necessari, ma questa tecnica ha un grande potenziale di applicazione per lo studio di fiumi non-perenni.