MUSAR – Data Fusion & Smart Automatic Classification of Satellite Multisensor/Multiband SAR and Optical Data
Nel 2022 si è concluso il progetto “MUSAR – Data Fusion & Smart Automatic Classification of Satellite Multisensor/Multiband SAR and Optical Data”, finanziato dall’Agenzia Spaziale Italiana, tra i progetti di ricerca con oggetto “STUDIO DI NUOVI METODI E TECNICHE BASATI SULL’UTILIZZO DI DATI SAR MULTIMISSIONE/MULTIFREQUENZA”.
Il progetto, iniziato nel maggio 2021, è stato realizzato da NHAZCA in collaborazione con il Centro di Ricerca “CERI – Centro di Previsione e Prevenzione dei Rischi Geologici” dell’Università Sapienza di Roma e ha avuto come obiettivo principale lo sviluppo di nuovi algoritmi basati su tecniche di Data Fusion e Machine Learning per la classificazione e l’analisi automatica dei rischi geologici.
La proposta si propone di integrare i dati SAR multi-sensore/multibanda offerti dalle seguenti missioni satellitari: Sentinel-1 in banda C dell’iniziativa Copernicus, la costellazione COSMO-SkyMed in banda X dell’ASI e il nuovo sistema italo-argentino SIASGE (Sistema Italo-Argentino di Satelliti per la Gestione delle Emergenze), con due satelliti SAOCOM che operano in banda L.
Il metodo di data fusion è stato implementato in un’area della Regione Basilicata, nel Sud Italia, ed è stato testato e validato utilizzando indicatori geologici e geomorfologici per verificare la corrispondenza tra PSI e dati sintetici. A tal riguardo, è stato dimostrato come, attraverso il modello implementato, sia possibile integrare misure interferometriche e mappe di spostamento ottenute con tecniche di Digital Image Correlation (DIC). Inoltre, si è potuto stimare la componente di spostamento Nord-Sud attraverso l’integrazione di dati interferometrici, provenienti da diverse missioni satellitari.
Infine, sono state definite e sviluppate le pratiche necessarie per l’applicazione del Machine Learning per la classificazione dei processi deformativi che agiscono sull’area di analisi. In particolare, l’attenzione è stata posta sulle procedure destinate all’implementazione di una Dynamic Graph Convolutional Neural Network (DGCNN), ossia una rete neurale profonda caratterizzata da un’elevata complessità algoritmica.
