Un sistema basato su droni, immagini RGB e algoritmi di intelligenza artificiale è stato sperimentato per individuare e mappare automaticamente tronchi, rami e altri detriti legnosi presenti negli alvei fluviali. Il lavoro nasce dalla collaborazione tra Nanjing Hydraulic Research Institute, Hohai University di Nanjing, Politecnico di Torino e ARPA Valle d’Aosta ed è stato sviluppato nello studio “Detection of Large Woody Debris in Braided-Rivers RGB-UAV Dataset: A Comparative Study”, pubblicato sulla rivista Remote Sensing. L’obiettivo è rendere più rapido e replicabile il censimento del cosiddetto large woody debris, materiale che svolge un ruolo importante nella dinamica dei corsi d’acqua perché crea rifugi per fauna acquatica, rallenta localmente la corrente, trattiene sedimenti e contribuisce all’evoluzione morfologica dell’alveo.
Il problema principale è la difficoltà di riconoscere automaticamente questo materiale nelle immagini aeree. I detriti legnosi possono assumere forme molto diverse, dai tronchi interi ai frammenti più piccoli fino agli accumuli irregolari, e osservati dall’alto presentano spesso colori e texture simili a quelli di ghiaia, sassi e terreno. La classificazione diventa ancora più complessa nei fiumi intrecciati, caratterizzati dalla presenza di numerosi canali che si separano e si ricongiungono modificando continuamente configurazione dopo gli eventi di piena. Si tratta quindi di ambienti molto dinamici, nei quali i rilievi tradizionali sul campo diventano difficili da estendere a superfici ampie.
La sperimentazione è stata condotta sul fiume Tagliamento, in Friuli-Venezia Giulia, scelto perché conserva ancora in larga parte le caratteristiche naturali tipiche dei grandi fiumi alpini. Il corso d’acqua presenta canali multipli, isole vegetate e consistenti quantità di materiale legnoso trasportato dalla corrente ed è rimasto relativamente poco modificato da interventi artificiali, caratteristiche che lo rendono particolarmente adatto allo studio dei processi naturali di accumulo e redistribuzione del legname lungo l’alveo.
Il metodo utilizzato sostituisce almeno in parte il censimento manuale, che normalmente richiede di percorrere a piedi l’alveo e identificare direttamente i singoli elementi. Questa procedura può fornire dati molto accurati, ma è lenta e poco praticabile quando l’area da monitorare è estesa. Nella sperimentazione è stato invece impiegato un drone dotato di una normale fotocamera RGB per acquisire immagini dall’alto, successivamente analizzate da sistemi di intelligenza artificiale addestrati a distinguere i detriti legnosi dalle altre componenti del paesaggio fluviale.
I ricercatori hanno confrontato diversi approcci di classificazione, comprendenti tecniche più tradizionali e due modelli di deep learning per la segmentazione delle immagini. Uno dei risultati più significativi riguarda il numero di classi utilizzate durante l’addestramento: il sistema ha ottenuto prestazioni migliori quando il compito è stato ridotto a una classificazione binaria tra “legno” e “non legno”, rispetto a una classificazione più complessa che richiedeva di distinguere separatamente anche acqua, pietre e terreno. La riduzione del numero di categorie ha quindi reso il riconoscimento più affidabile in un ambiente nel quale molte superfici presentano caratteristiche visive simili.
Tra i modelli analizzati, DeepLabv3+ ha ottenuto i risultati migliori nella ricostruzione spaziale della presenza del legname. Si tratta di un’architettura di deep learning utilizzata per la segmentazione semantica delle immagini, cioè per assegnare a ogni porzione dell’immagine una determinata classe. Nel caso del monitoraggio fluviale, il modello viene utilizzato per identificare automaticamente le aree corrispondenti ai detriti legnosi e produrre quindi una mappa della loro distribuzione all’interno dell’alveo.
Un passaggio particolarmente importante ha riguardato la verifica della capacità del modello di funzionare anche al di fuori delle condizioni nelle quali era stato addestrato. Il sistema è stato istruito utilizzando immagini relative a uno specifico tratto del fiume e a un determinato periodo, quindi sottoposto a test su un’area più ampia e su immagini acquisite in un diverso momento dell’anno. Il modello ha continuato a individuare il legname con una buona affidabilità anche nelle nuove condizioni, mostrando quindi una capacità di generalizzazione utile per un impiego operativo. Le prestazioni sono risultate leggermente inferiori nei periodi più secchi, quando il legno asciutto assume tonalità e caratteristiche visive più simili a quelle della ghiaia circostante.
La possibilità di utilizzare lo stesso modello su immagini raccolte in momenti differenti permette di trasformare il sistema da semplice strumento sperimentale a metodo di monitoraggio ripetibile. Lo stesso tratto fluviale può essere rilevato più volte dopo piene, variazioni stagionali o altri eventi, confrontando la distribuzione dei detriti legnosi e osservandone gli spostamenti nel tempo. Lo stesso approccio può inoltre essere adattato ad altri corsi d’acqua caratterizzati da morfologia e condizioni ambientali simili.
Dal punto di vista operativo, il sistema utilizza attrezzature relativamente accessibili, perché l’acquisizione delle immagini può essere effettuata con un drone equipaggiato con una comune fotocamera RGB senza richiedere necessariamente sensori specialistici. L’elaborazione automatica delle immagini consente poi di ridurre la quantità di rilievi manuali necessari e di ottenere dati su superfici che sarebbero difficili o molto lente da percorrere a piedi. Il risultato è una metodologia utilizzabile per seguire più frequentemente l’evoluzione dell’alveo, individuare le aree di accumulo del materiale legnoso e disporre di informazioni quantitative utili alla gestione dei corsi d’acqua.
Il censimento del legname non serve infatti soltanto a localizzare eventuali ostacoli presenti nel fiume. Tronchi e rami partecipano direttamente ai processi ecologici e geomorfologici dell’ambiente fluviale e la loro distribuzione può fornire indicazioni sul trasporto dei sedimenti, sulla struttura dell’alveo e sulla disponibilità di habitat. La combinazione tra rilievo UAV e segmentazione automatica delle immagini permette quindi di ottenere dati utili sia per la tutela degli ecosistemi sia per la pianificazione degli interventi di gestione territoriale, con un metodo che può essere ripetuto nel tempo e applicato anche a zone estese o difficili da raggiungere.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)