×
The lizmap project LST-COMUNI-REGIONE-BASILICATA does not exist !
Progetto1
-
GeoFireGuard - Basilicata
×GeoFireGuard - Basilicata
- Illustration
- Title
- GeoFireGuard - Basilicata
- Abstract
- Aggiornamenti al 15 luglio 2025
Dall'esigenza di fornire dati sempre più aggiornati sui rischi naturali e antropici a causa dalla crisi climatica, nasce GeoFireGuard, il servizio open data di monitoraggio e protezione delle aree a rischio incendio attraverso l'utilizzo di dati geospaziali messi a disposizione dalle costellazioni Sentinel del programma Copernicus dell'Unione Europea/ESA; HS2, Landsat, Aqua e Terra, TRMM, e GPM, IMERG, servizio FIRMS della NASA/USGS degli USA. Area di interesse: Vulture Alto-Bradano (Basilicata - Italia).
Area di interesse: Vulture Alto Bradano (Basilicata)
Piattaforma RADAR Dipartimento della Protezione Civile (nrt)
(al momento non disponibile per problemi ai servizi WMS)
Radar-DPC è la piattaforma del Dipartimento della Protezione Civile che consente di visualizzare, a scala nazionale, sia i fenomeni in corso sia quelli registrati nelle ultime 24 ore attraverso l’elaborazione, in tempo reale, di dati grezzi provenienti dalla rete radar nazionale, dalla rete delle stazioni pluviometriche e termometriche, dai dati satellitari e dalla rete di fulminazioni. Alla produzione di questi dati partecipano, insieme al Dipartimento, le Regioni attraverso la Rete dei Centri Funzionali, l’Enav-Ente nazionale per l'assistenza al volo e l’Aeronautica Militare.
Sono stati scelti i seguenti prodotti per le finalità di lotta agli incendi:
- WIND AMV (Atmospheric Motion Vector) che rappresenta la Direzione e l’intensità del vento in quota attraverso l’elaborazione di un dato satellitare con aggiornamento ogni 20 minuti;
- DPC - HRD (Heavy Rain Detection), visualizzabile impostando, come prodotto di base, il VMI o l’SRI, individua le aree dove sono in corso fenomeni di un certo rilievo, classificati secondo un Indice di Severità, e visualizza la loro possibile traiettoria nel brevissimo termine. Si aggiorna ogni 5 minuti;
- DPC - IR (Infrared) 10.8 che rappresenta la copertura nuvolosa attraverso l’elaborazione di un dato satellitare sul canale dell’infrarosso con aggiornamento ogni 5 minuti;
- LTG (Lightning) che rappresenta la mappa dei fulmini con aggiornamento ogni 10 minuti;
- SRT (Surface Rainfall Total), che rappresenta le precipitazioni cumulate registrate nell'ultima ora, con aggiornamento ogni 5 minuti, e nelle ultime 24 ore, integrando i dati della rete radar con i dati delle stazioni pluviometriche a terra con aggiornamento ogni 60 minuti;
- TEMP per visualizzare la mappa delle temperature registrate al suolo dalle stazioni termometriche a terra con aggiornamento ogni 60 minuti.
https://mappe.protezionecivile.gov.it/it/mappe-rischi/piattaforma-radar/
Modelo GeoAI sulla propagazione degli incendi
- Calcolato il Boschifire Risk Assessment Model (BRAM), un modello sperimentale predittivo sul rischio di propagazione degli incendi dai campi agricoli verso boschi e foreste. L'utilizzo combinato degli algoritmi SAM e Random Forest per identificare le aree boschive prossime agli incendi dei campi - per via della obsoleta pratica della bruciatura delle stoppie - è basato su una classificazione supervisionata Random Forest dell'indice RBR (Relativized Burn Area) al 4 ottobre 2023, da immagine satellitare Sentinel-2 del programma Copernicus, e un immagine RGB ad infrarosso ad onde corte (bande spettrali 12, 8 e 4) appositamente segmentate grazie alla GeoAI (Intelligenza Artificiale). Immagine Sentinel-2A / 4ott2023. Citazione: luisCartoGeo, & luisChr. (2023). luisCartoGeo/GeoAI_Plugin: v1.0 GeoAi (GEOAI). Zenodo. https://doi.org/10.5281/zenodo.8313393
Location Intelligence
Un servizio che utilizza uno specifico plug in chiamato Location Lab, che grazie alle chiavi API di terze parti, nel caso di specie il servizio HERE https://www.here.com/ genera layers contenenti informazioni alfanumeriche, in primis il tempo di percorrenza per raggiungere un determinato luogo prestabilito. I layers prodotti hanno restituito tempi di percorrenza valutati a 5, 10 e 15 minuti dai punti di partenza (Lavello, Melfi, Palazzo San Gervasio, Rionero in Vulture e Venosa). A supporto di questo servizio di emergenza, ma anche di prevenzione, sono stati scaricati dal geoportale RSDI della Regione Basilicata, gli elementi puntuali che indicano le località significative del territorio in esame.
Monitoraggio degli incendi (durante)
Sentinel-5P Aerosol AAI
- Questo set di dati del satellite Sentinel-5P (Precursor) fornisce immagini ad alta risoluzione (1 km/px) quasi in tempo reale (nrt) dell'indice UV degli aerosol (UVAI), chiamato anche indice di assorbimento degli aerosol (AAI). Quando l'AAI è positivo, indica la presenza di aerosol che assorbono i raggi UV, come polvere e fumo. È utile per monitorare l'evoluzione delle pennacchi di aerosol episodici provenienti da tempeste di polvere, ceneri vulcaniche e combustione di biomassa anche in presenza di copertura nuvolosa.
Le lunghezze d'onda utilizzate hanno un assorbimento di ozono molto basso, quindi, a differenza delle misurazioni dello spessore ottico degli aerosol, l'indice AAI può essere calcolato in presenza di nuvole. Il dataset è aggiornato periodicamente ed è utilizzato per il monitoraggio degli incendi (durante).
Servizio FIRMS della NASA degli incendi in tempo quasi reale
- Il Fire Information for Resource Management System (FIRMS) distribuisce i dati sugli incendi attivi quasi in tempo reale (NRT) dallo spettroradiometro a risoluzione moderata (MODIS) a bordo dei satelliti Aqua e Terra e dalla Visible Infrared Imaging Radiometer Suite (VIIRS) a bordo di Suomi-NPP, NOAA-20 e NOAA-21 (formalmente noto come JPSS-1). A livello globale questi dati sono disponibili entro 3 ore dall’osservazione satellitare, ma per gli Stati Uniti e il Canada i rilevamenti di incendi attivi sono disponibili in tempo reale.
Sono state create delle maschera per le anomalie termiche industriali rilevate dal sistema FIRMS da non considerare nel monitoraggio degli incendi attivi.
Pericolo e rischio incendi 2025 (prima)
- Allerta vento (persistente): aree dove la velocità e direzione media del vento degli ultimi 10 giorni ha superato la soglia di 3 m/s ,condizioni favorevoli alla propagazione del fuoco. Elaborazione dati sulla velocità e direzione del vento dal prodotto ERA5-Land Hourly - ECMWF Climate Reanalysis del Copernicus Climate Data Store, un set di dati di rianalisi climatiche che fornisce l'evoluzione di 50 variabili terrestri nel corso di diversi decenni. Da uno specifico script in GEE, (caricamento dataset ERA5, calcolo velocità e direzione dei venti, la media giornaliera e allerta), ed il supporto della GenAI, si sono generati gli output di interesse successivamente validati in QGIS. Si è lavorando su vettoriali e centroidi per giungere ad un prodotto visivamente soddisfacente (le frecce blu indicano la direzione dei venti all'interno dell'arera di allerta). Gli aggiornamenti sono in base alla presenza di venti superiori ai 3 m/s.
- Analisi e mappatura del rischio incendi da uno specifico script con GEE (Google Earth Engine) con l'ausilio dell'intelligenza artificiale generativa nella fase di automazione (combinazione automatica di dati multivariati e apprendimento supervisionato), dal 31 maggio al 15 luglio 2025, successivamente validato in QGIS. Lo script integra prodotti di telerilevamento e specifici indici biofisici e algoritmi di calcolo. Prodotti utilizzati: Sentinel-2 (COPERNICUS/S2_SR_HARMONIZED) per il calcolo degli indici NDVI, NDMI, NBR e dNBR; MODIS (NASA) per indice LST (temperatura della superficie terrestre) con dataset MOD11A2 da Kelvin a Celsius; CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) per analizzare le precipitazioni giornaliere nel periodo di interesse; SMAP (Soil Moisture Active Passive) della NASA utilizzato per ottenere dati sull'umidità del suolo; ed infine una stima di LAI e FAPAR ottenuta a partire dall'NDVI, utilizzando una funzione logaritmica inversa e una formulazione del modello di Beer-Lambert, con parametri empirici adattabili.
L’analisi del rischio finale è calcolata con logica booleana confrontando soglie predefinite per ciascun indice e variabile (es. temperature superficie terrestre > 32°C, NDVI < 0.42, umidità del suolo < 0.15, precipitazioni mensile < 10 mm). Il calcolo del rischio è stato migliorato suddividendolo in quattro classi: basso, di attenzione, pre-allerta e alto.
- Calcolo da uno specifico script con GEE del dNBR come differenza tra l'indice NBR (Normalized Burn Ratio) per il periodo 15 giugno - 15 luglio per gli anni 2024 e 2025, con l'utilizzo del prodotto HS2 (Harmonized Sentinel-2) con copertura nuvolosa < 30%. L’NBR si basa sulle bande NIR (B8) e SWIR2 (B12) per rilevare variazioni di vegetazione ed evidenzia la perdita (valori positivi) o la rigenerazione (valori negativi). Successivamente, il risultato è stato filtrato con il Land Cover ESA WorldCover2020, con la classe 10 (foresta) per concentrare l’analisi sulle zone forestali.
Metodo e script per gentile concessione di Guido Ceccherini, Commissione Europea, Joint Research Centre, Ispra - nell'ambito dell'evento Estate Gis 2025 durante il workshop "Monitorare foreste ed incendi in Europa: Google Earth Engine per analisi spazio-temporali".
Prodotti biogeofisici (boschi e foreste)
- Calcolo LAI (Leaf Area Index)
L'indice dell'area fogliare è definito come la metà dell'area totale degli elementi verdi della chioma per unità di superficie orizzontale del terreno. Il valore derivato dal satellite corrisponde al LAI verde totale di tutti gli strati della chioma, compreso il sottobosco che può rappresentare un contributo molto significativo, in particolare per le foreste. In pratica il LAI quantifica lo spessore della copertura vegetale. Il LAI è riconosciuto come variabile climatica essenziale (ECV) dal Global Climate Observing System (GCOS).
- Calcolo FAPAR (Fraction of Absorbed Photosynthetically Active Radiation)
Il FAPAR quantifica la frazione della radiazione solare assorbita dalle foglie vive per l'attività di fotosintesi. Quindi si riferisce solo agli elementi verdi e vivi della chioma. Il FAPAR dipende dalla struttura della chioma, dalle proprietà ottiche degli elementi vegetali, dalle condizioni atmosferiche e dalla configurazione angolare. Per superare quest'ultima dipendenza viene valutato un valore FAPAR integrato giornaliero. FAPAR è riconosciuta come variabile climatica essenziale (ECV) dal Global Climate Observing System (GCOS).
- Calcolo FCover (Fraction of green Vegetation Cover)
La Frazione di Copertura Vegetale (FCover) corrisponde alla frazione di terreno coperta da vegetazione verde. In pratica quantifica l'estensione spaziale della vegetazione. Poiché è indipendente dalla direzione dell'illuminazione ed è sensibile alla quantità di vegetazione, Fcover è un ottimo candidato per la sostituzione dei classici indici di vegetazione per il monitoraggio degli ecosistemi.
Sentinel-2A / 15-GIU-2025 / MSI_Level-2A
Mappatura delle aree incendite 2024 (dopo)
- Archivio hotspots (fire nrt) dal 30 giugno all'8 settembre 2024 da cui è possibile analizzare i dati sulla potenza radioattiva del fuoco (FRP) sui possibili punti di innesco e/o propagazione degli incendi.
- Classificazione supervisionata (machine learning) indice relativizzato RBR (Relativized Burn Ratio). I dati rappresentano i risultati di un classificatore Random Forest addestrato per classificare l'indice RBR all'8 settembre 2024 in quattro categorie diverse, legate agli incendi in base alla loro gravità di ustione. Le classi identificate includono incendi ad alta gravità, incendi a media gravità, incendi a bassa gravità e aree non incendiate. La precisione complessiva del modello sui dati di test è del 95.88%.
- Calcolo dell'indice RBR (Relativized Burn Ratio), versione relativizzata dell'indice dNBR (difference Normalized Burn Ratio). L'indice restituisce il grado di ustione periodico delle aree incendiate e si ottiene dalla seguente formula:
RBR = (NBR(pre_incendio)–NBR(post_incendio))/( NBR(pre_incendio)+1.001).
Il valore di 1.001 al denominatore assicura che l’equazione non produca mai valori infiniti quando i valori di NBR pre-incendio tendono a zero nelle aree con bassa copertura vegetale o percorse da incendi.
La scala cromatica utilizzata è quella proposta dall'USGS per la classificazione del livello di intensità delle aree percorse dal fuoco.
Immagine Sentinel-2A / 30-giu-2024 e Sentinel-2A / 08-set-2024
Immagine Sentinel-2A / 30-giu-2024 e Sentinel-2B / 20-lug-2024
Pericolo e rischio incendi 2024 (prima)
- Analisi e mappatura del rischio incendi da uno specifico script con GEE (Google Earth Engine) con l'ausilio dell'intelligenza artificiale generativa nella fase di automazione (combinazione automatica di dati multivariati e di appredimento supervisionato), dal 1 giugno al 15 settembre 2024, successivamente validato in QGIS. Lo script integra prodotti di telerilevamento e specifici indici biogeofisici e algoritmi di calcolo. Prodotti utilizzati: Sentinel-2 (COPERNICUS/S2_SR_HARMONIZED) per il calcolo degli indici NDVI, NBR e NDWI; MODIS (NASA) per indice LST (temperatura della superficie terrestre) con dataset MOD11A2 da Kelvin a Celsius; CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) per analizzare le precipitazioni giornaliere nel periodo di interesse; SMAP (Soil Moisture Active Passive) della NASA utilizzato per ottenere dati sull'umidità dei suoli. Tuttavia, la seguente analisi viene calcolata con la logica booleana confrontando le soglie impostate per ciascun indice e variabile (es. temperature superiori ai 26°C, NDVI inferiore a 0.6, precipitazioni inferiori a 60 mm).
- Rappresentazione del rischio incendi nelle aree agricole, con particolare riferimerimento alle pratiche di bruciatura delle stoppie di colture a seminativo. Utilizzando l'algoritmo ClassificationMapRegulation, il prodotto ha restituito tre categorie di rischio: alto, medio e basso.
Il rischio è calcolato al 5 giugno 2024.
- SPI (Standardized Precipitation Index) è l'indice di precipitazione standardizzato, sviluppato da McKee et al. (1993), utile nel calcolo delle medie stagionali su dati storici e descrive la probabilità di variazione rispetto alle precipitazioni normali su più anni di dati, su base mensile (o più mesi) e/o fase temporali. Nel caso di specie il calcolo è su base mensile e si riferisce al 30 luglio 2024. Una bassa probabilità di funzione cumulativa è indicativa all'evento di siccità. SPI può essere calcolato su diversi archi temporali e si avvale di uno specifico algoritmo di calcolo. E' possibile analizzare la variazione di pioggia rispetto ai dati storici di un arco temporale basato sui dati CHIRPS dal 1981).
I satelliti della NASA utilizzati per il monitoraggio delle precipitazioni sono: TRMM (The Tropical Rainfall Measuring Mission) & GPM (The Global Precipitation Measurement Mission) combinati, costellazione IMERG (Integrated Multi-satellitE Retrievals for GPM).
Reference: Guttman, N. B., 1999: Accepting the Standardized Precipitation Index: A calculation algorithm. J. Amer. Water Resour. Assoc.., 35(2), 311-322.
- Gli indici di siccità (Drought Index - VCI) sono rappresentazione del deficit (e dell’eccesso) idrico rispetto ai dati storici. Elaborazione con GEE, da uno specifico script fornito dalla NASA, che ha restituito la mappa indicante la conseguente siccità per il mese di luglio 2024. All'interno di questo script i dati MODIS (satelliti Terra e Aqua) vengono utilizzati per calcolare l'indice delle condizioni della vegetazione (VCI) per un orario e un'area specifica ed è espresso in %. E' un indicatore dello stato della copertura vegetale in funzione dell'NDVI minimi e massimi riscontrati per un dato ecosistema nel corso di molti anni. Il VCI è un indice migliore rispetto all'NDVI, in quanto è un indicatore sul contenuto d'acqua in condizione di stress. I satelitti della NASA utilizzati per il monitoraggio della siccità: Landsat4-5-7-8-9, Terra e Aqua, Suomi National Polar Partnership (SNPP) e Joint Polar Satellite System (JPSS).
- Calcolo indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2B / 15-LUG-2024 / MSI_Level-2A
- Calcolo indice NDVI sulla quantità e la salute della vegetazione: Sentinel-2B / 15-LUG-2024 / MSI_Level-2A
- Calcolo indice TVI (Transformer Vegetation Index) sulla biomassa stressata dalla siccità: Sentinel-2B / 15-LUG-2024 / MSI_Level-2A
Mappatura delle aree incendiate 2023 (dopo)
- Archivio hotspots (fire nrt) dal 30 giugno all'8 settembre 2024 da cui è possibile analizzare i dati sulla potenza radioattiva del fuoco (FRP) sui possibili punti di innesco e/o propagazione degli incendi.
- Mappa di densità di calore FRP (Fire Radiative Power) da cui è possibile individuare le fonti numeriche di potenza radioattiva del fuoco (espresse in watt).
- Modello sperimentale di propagazione della potenza radioattiva del fuoco (FRP) > 30 watt degli incendi su dati del 2023. Utilizzato l'algoritmo SAM applicato ai punti focali NRT del progetto FIRMS della NASA e ad un immagine RGB ad infrarosso ad onde corte (bande spettrali 12, 8 e 4) appositamente segmentate grazie alla GeoAI (Intelligenza Artificiale). Immagine Sentinel-2A / 4ott2023.
Citazione: luisCartoGeo, & luisChr. (2023). luisCartoGeo/GeoAI_Plugin: v1.0 GeoAi (GEOAI). Zenodo. https://doi.org/10.5281/zenodo.8313393
- Classificazione supervisionata (machine learning) indice relativizzato RBR (Relativized Burn Ratio). I dati rappresentano i risultati di un classificatore Random Forest addestrato per classificare l'indice RBR al 4 ottobre 2023 in quattro categorie diverse, legate agli incendi in base alla loro gravità di ustione. Le classi identificate includono incendi ad alta gravità, incendi a media gravità, incendi a bassa gravità e aree non incendiate. La precisione complessiva del modello sui dati di test è del 93.14%.
- Calcolato indice RBR (Relativized Burn Ratio) sull'intensità degi incendi anno 2023: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2A / 04-OTT-2023 / MSI_Level-2A
Pericolo e rischio incendio 2023 (prima)
- Calcolato indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2B / 10-AGO-2023 / MSI_Level-2A
- Calcolato indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A
- Calcolato Soil Moisture (Sigma0_VV Intensity_db) sull'umidità dei suoli: Sentinel-1A IW Level-1 SLC Product / 30-GIU-2023 | 12-LUG-2023
- Calcolo indice NDVI sulla quantità e la salute della vegetazione: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A
- Calcolo indice TVI (Transformer Vegetation Index) sulla biomassa stressata dalla siccità: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A
Analisi rischio ondate di calore
Calcolato indice LST (Land Surface Temperature) della temperatura radiante della superficile terrestre dell'intera regione Basilicata:
E' stata condotta l'elaborazione dati partendo da immagini satellitari Landsat8-9 con risoluzione spaziale di 30 m/px
- Calcolo LST MODIS per12 immagini (dal 18 luglio - 4 ottobre 2023) della temperatura superficiale terrestre durante il giorno con risoluzione di 1 km (in legenda °C - metadato Kelvin).
- Centroidi comunali e calcolo della densità della popolazione per Kmq su dati ISTAT 2023
- Calcolo della media della temperatura della superficie terrestre (LST) finalizzata all'analisi del rischio di ondate di calore per le popolazioni
- Calcolo della densità della popolazione per Kmq
- Calcolo LST 2023 (Vulture Alto-Bradano): Landsat8_OLI_TIRS_L1TP del 18 luglio 2023 (raster)
Le immagini LST-MODIS del Vulture Alto Bradano (Basilicata) del 2023 sono state scaricate il giorno 3 febbraio 2024 da https://appeears.earthdatacloud.nasa.gov , gestita dal NASA EOSDIS Land Processes Distributed Active Archive Center (LP DAAC) presso l'USGS Earth Resources Observation and Science (EROS) Center, Sioux Cascate, Dakota del Sud. 2018, https://lpdaac.usgs.gov
Serbatoi di carbonio
- Altezza della chioma [di Lang, N., Jetz, W., Schindler, K., & Wegner, J. D. (2023). A high-resolution canopy height model of the Earth. Nature Ecology & Evolution, 1-12]: Modello probabilistico di deep learning per recuperare l’altezza della sommità della chioma dalle immagini Sentinel-2. Questo modello, un insieme di reti neurali convoluzionali (CNN), è stato addestrato con supervisione sparsa utilizzando i dati sull'altezza della sommità della chioma derivati dal LIDAR a forma d'onda completa GEDI della NASA (ovvero RH98 stimato da Lang et al., 2022 ). L'incertezza predittiva di queste stime dense è quantificata modellando sia l'incertezza dei dati (incertezza aleatoria) che l'incertezza del modello (incertezza epistemica). Il prodotto ETH Global Canopy Height 2020 viene fornito gratuitamente, con licenza internazionale Creative Commons Attribution 4.0.
Composito bande spettrali
- Colori naturali: Harmonized Sentinel-2 dal 31 maggio al 15 luglio 2025 (collezione di 47 immagini con copertura nuvolosa < 30%).
Citazione: L'Erario, V. (2025). GeoFireGuard [Data set]. SATmonitoring di Vito L'Erario. https://doi.org/10.5281/zenodo.15938854 - Projection
- EPSG:32633
- Bounding Box
- 523288.01770000002579764, 4510883.95220000017434359, 596637.28040000004693866, 4555442.94240000005811453
- Web Map Service
- WMS Url
- WMTS Url
Progetto2
-
GeoMorphoGuard - Basilicata
×GeoMorphoGuard - Basilicata
- Illustration
- Title
- GeoMorphoGuard - Basilicata
- Abstract
- Aggiornamenti al 20 dicembre 2024
Dall'esigenza di fornire dati sempre più aggiornati sui rischi naturali e antropici causati dalla crisi climatica, nasce GeoMorphoGuard, il servizio open data di monitoraggio e protezione delle aree a rischio idrogeologico attraverso l'utilizzo di prodotti LiDAR (DTM e DSM con risoluzione a 5 m) messi a disposizione dal Geoportale RSDI della Regione Basilicata, dati del PAI (Piano Assetto Idrogeologico) dell'Autorità di Bacino Distrettuale dell'Appennino Meridionale e di prodotti interferometrici elaborati da immagini satellitari Sentinel-1 e ottici di Sentinel-2 del programma Copernicus dell'Unione Europea.
Area di interesse: Vulture Alto Bradano (Basilicata)
Piattaforma RADAR Dipartimento della Protezione Civile (nrt)
Radar-DPC è la piattaforma del Dipartimento della Protezione Civile che consente di visualizzare, a scala nazionale, sia i fenomeni in corso sia quelli registrati nelle ultime 24 ore attraverso l’elaborazione, in tempo reale, di dati grezzi provenienti dalla rete radar nazionale, dalla rete delle stazioni pluviometriche e termometriche, dai dati satellitari e dalla rete di fulminazioni. Alla produzione di questi dati partecipano, insieme al Dipartimento, le Regioni attraverso la Rete dei Centri Funzionali, l’Enav-Ente nazionale per l'assistenza al volo e l’Aeronautica Militare.
Sono stati scelti i seguenti prodotti per le finalità del rischio idro-geomorfologico:
- WIND AMV (Atmospheric Motion Vector) che rappresenta la Direzione e l’intensità del vento in quota attraverso l’elaborazione di un dato satellitare con aggiornamento ogni 20 minuti;
- DPC - HRD (Heavy Rain Detection), visualizzabile impostando, come prodotto di base, il VMI o l’SRI, individua le aree dove sono in corso fenomeni di un certo rilievo, classificati secondo un Indice di Severità, e visualizza la loro possibile traiettoria nel brevissimo termine. Si aggiorna ogni 5 minuti;
- DPC - IR (Infrared) 10.8 che rappresenta la copertura nuvolosa attraverso l’elaborazione di un dato satellitare sul canale dell’infrarosso con aggiornamento ogni 5 minuti;
- LTG (Lightning) che rappresenta la mappa dei fulmini con aggiornamento ogni 10 minuti;
- SRT (Surface Rainfall Total), che rappresenta le precipitazioni cumulate registrate nell'ultima ora, 3, 6, 12 e 24 ore, integrando i dati della rete radar con i dati delle stazioni pluviometriche a terra con aggiornamento ogni 60 minuti;
- TEMP per visualizzare la mappa delle temperature registrate al suolo dalle stazioni termometriche a terra con aggiornamento ogni 60 minuti.
https://mappe.protezionecivile.gov.it/it/mappe-rischi/piattaforma-radar/
Centroidi comunali e calcolo della densità della popolazione per Kmq su dati ISTAT 2023.
Analisi idrologica da DTM (Digital Terrain Model)
E' stata elaborata l'analisi idrologica di n.95 fogli DTM, dove sono state calcolate le reti o canali di drenaggio delle acque, i nodi idrici, la direzione delle piene e i bacini di drenaggio.
Sono state calcolate le curve di livelllo (a 10 m), gli elementi geomorfologici, il rilievo ombreggiato, le pendenze, classi di pendeze, l'esposizione e la rugosità dei suoli.
Analisi del PAI (Piano Assetto Idrogeologico)
Sono stati elaborati i dati sulla pericolisità idraulica e il rischio frane per UoM Regionale Basilicata, UoM Bradano e UoM Interregionale Ofanto.
Calcolo della subsidenza lenta
Calcolo con GEE (con uno specifico script) delle aree in subsidenza (cm/anno) potenzialmente inondabili elaborate da12 (dodici) immagini InSAR Sentinel-1 con arco temporale semestale di 6 (sei) anni, dal 2019 al 2024 per i mesi di gennaio e luglio. Le aree sono state parametrate con la classificazione non supervisionata (machine learning) dell'immagine interferometrica RGB (gennaio 2018 - gennaio 2019) con restituzione delle aree umide.
Movimenti franosi
Calcolo dei moti franosi attivi (displacement_VV) del terreno su pendenze >15% da una coppia di immagini SAR Sentinel-1 del Programma Copernicus acquisite in modalità "descending" in banda C. Il processo si basa sulla tecnica Interferometrica SAR (InSAR), con particolare riferimento all'interferogramma differenziale (DInSAR) sensibile solo al movimento del terreno, che consente di misurare con precisione i movimenti superficiali lungo la linea di vista (LOS) del satellite e con valori di coerenza superiori a 0,8.
Sentinel-1A IW Level-1 SLC Product / Descending / 09ott2024
Sentinel-1A IW Level-1 SLC Product / Descending / 14nov2024
Media temporale deformazione superficiale dei suoli (cambi)
Calcolo e analisi della deformazione superficiale "assoluta" (LOS) multi-temporale espressa in metri (m), con valori di coerenza > 0.8 da n.7 coppie immagini inSAR con intervallo temporale di 12 giorni.
Immagini satellitari utilizzate:
Sentinel-1A IW Level-1 SLC Product / Descending / 28ago2023
Sentinel-1A IW Level-1 SLC Product / Descending / 09sett2023
Sentinel-1A IW Level-1 SLC Product / Descending / 21sett2023
Sentinel-1A IW Level-1 SLC Product / Descending / 03ott2023
Sentinel-1A IW Level-1 SLC Product / Descending / 15ott2023
Sentinel-1A IW Level-1 SLC Product / Descending / 27ott2023
Sentinel-1A IW Level-1 SLC Product / Descending / 08nov2023
Sentinel-1A IW Level-1 SLC Product / Descending / 20nov2023
Storico aree inondate
Elaborazione in GEE delle aree inondate da immagini satellitari SAR Sentinel-1 del programma Copernicus, da specifico script fornito da NASA-ARSET con tecniche di filtraggio e sogliatura. Applicazione della soglia statica e implementazione sperimentantale della soglia OTSU utile alla segmentazione adattiva.
Sono stati considerati gli annuali idrologici 2016, 2018, 2019, 2020 e 2021 della Protezione Civile della Regione Basilicata. Per il 2022 si è considerato un evento meteorologicamente estremo di marzo che ha colpito l'area tra Venosa e Palazzo San Gervasio, per il 2023 eventi piovosi significativi per il mese di giugno. Il prodotto finale ha restituito la mappatura delle aree inondate (flooded areas) per pendenze comprese tra 0 e 5%.
Immagini satellitari utilizzate:
Sentinel-1A IW Level-1 GRD Product / Descending / 9sett2016
Sentinel-1B IW Level-1 GRD Product / Descending / 27sett2016
Sentinel-1B IW Level-1 GRD Product / Descending / 7lug2018
Sentinel-1A IW Level-1 GRD Product / Descending / 6ago2018
Sentinel-1A IW Level-1 GRD Product / Descending / 28dic2018
Sentinel-1B IW Level-1 GRD Product / Descending / 3gen2019
Sentinel-1B IW Level-1 GRD Product / Descending / 27gen2019
Sentinel-1A IW Level-1 GRD Product / Descending / 11dic2019
Sentinel-1B IW Level-1 GRD Product / Descending /17dic2019
Sentinel-1B IW Level-1 GRD Product / Descending / 10gen2020
Sentinel-1A IW Level-1 GRD Product / Descending / 29dic2020
Sentinel-1B IW Level-1 GRD Product / Descending / 4gen2021
Sentinel-1B IW Level-1 GRD Product / Descending / 28gen2021
Sentinel-1A IW Level-1 GRD Product / Descending / 10feb2022
Sentinel-1A IW Level-1 GRD Product / Descending / 06mar2022
Sentinel-1A IW Level-1 GRD Product / Descending / 24mag2023
Sentinel-1A IW Level-1 GRD Product / Descending / 17giu2023
Aree inondabili da storico evento (HAND, inSAR ML, SAGA)
Il dato WATER rappresenta la presenza di acqua, generalmente derivata da un'analisi di altezza sopra il livello di drenaggio (come nel caso del HAND) combinata con altre variabili come la topografia, la pendenza, l'umidità e può essere utilizzato per indicare aree in cui si verifica l'accumulo d'acqua o aree inondate, potenzialmente in relazione a eventi di inondazione.
Donchyts, Gennadii, Hessel Winsemius, Jaap Schellekens, Tyler Erickson, Hongkai Gao, Hubert Savenije, and Nick van de Giesen. "Global 30m Height Above the Nearest Drainage (HAND)", Geophysical Research Abstracts, Vol. 18, EGU2016-17445-3, 2016, EGU General Assembly (2016).
I valori di HAND 30m (Height Above Nearest Drainage) rappresentano l'altezza rispetto alla rete di drenaggio (corsi d'acqua) su un DEM (Digital Elevation Model). Questi valori sono utili per analizzare il rischio di inondazione o la potenziale esposizione a eventi di alluvione in relazione alla topografia del terreno.
Donchyts, Gennadii, Hessel Winsemius, Jaap Schellekens, Tyler Erickson, Hongkai Gao, Hubert Savenije, and Nick van de Giesen. "Global 30m Height Above the Nearest Drainage (HAND)",
Geophysical Research Abstracts, Vol. 18, EGU2016-17445-3, 2016, EGU General Assembly (2016).
Classificazione non supervisionata immagine interferometrica RGB (gennaio 2018 - gennaio 2019) con algoritmo KMeans-classification per determinare pixel correlati delle aree potenzialmente inondabili e dei suoli umidi "flood mapping".
Calcolo indice di umidità (SAGA Wetness Index), simile all'indice di umidità topografica (TWI), che si basa sul calcolo di un bacino idrografico modificato (Modified Catchment Area) da un DEM (Digital Elevation Model) prodotto da immagini satellitari Sentinel-1A. Il calcolo di questo indice, grazie a specifici algoritmi SAGA, è utile alla previsione di aree potenzialmente inondabili in caso di eventi meteorologicamente estremi che, nella fattispecie, ha restituito 5 (cinque) scenari attesi.
Immagine satellitari utilizzate (coppia interferomentrica):
Sentinel-1A IW Level-1 GRD Product / Descending / 26gen2018
Sentinel-1B IW Level-1 GRD Product / Descending / 27gen2019
Change detection
Calcolo di un composito RGB già processato in precedenza dell'impronta urbana da immagini satellitari inSAR - con arco temporale di cinque anni (dicembre 2018 - dicembre 2023) - per l'individuazione dei cambiamenti in base alle immagini di ampiezza e alla stima della coerenza interferometrica. Classificazione auto-supervisionata (machine learning) dei cambiamenti con l'algoritmo KMeans-classification senza etichettatura manuale, ma automatizzata, utilizzando i cambiamenti evidenti nella differenza di backscatter nella banda di colore blu.
Utilizzo di una mappa degli elementi geomorfologici, elaborata in precedenza con il "machine vision" da DTM a 5 m. Estrazione del raster degli elementi geomorfologici utilizzando il layer della classificazione auto-supervisionata come maschera. Il prodotto finale ha restituito una mappa dei cambiamenti della superficie del suolo, tipico di aree instabili come una frana in movimento o forti modifiche nell'uso del suolo.
Sentinel-1B IW Level-1 SLC Product / Descending / 22dic2018
Sentinel-1A IW Level-1 SLC Product / Descending / 14dic2023
Calcolo e analisi multitemporale dell'indice NDWI (Normalized Difference Water Index) per individuare i cambiamenti di umidità dei suoli nelle aree percorse dal fuoco.
Calcolo e analisi multitemporale dell'indice NDVI (Normalized Difference Vegetation Index) per individuare i cambiamenti di biomassa agro-forestale (aree percorse dal fuoco, operazioni forestali, attività agricole).
Immagini satellitari utilizzate:
Sentinel-2B / 11-LUG-2023 / MSI_Level-2A
Sentinel-2B / 09-SET-2023 / MSI_Level-2A
Sentinel-2A / 04-OTT-2023 / MSI_Level-2A
Incendi (classificazione superviosionata)
I dati rappresentano i risultati di un classificatore Random Forest addestrato per classificare l'indice relativizzato RBR in quattro categorie diverse, legate agli incendi in base alla loro intensità. Le classi identificate includono incendi ad alta intensità, incendi a media intensità, incendi a bassa intensità e aree non incendiate.
Gravità di ustione classificazione dall'11 luglio al 4 ottobre 2023 con precisione complessiva del modello sui dati di test del 93.14%.
Gravità ustione classificazione dal 30 giugno all'8 settembre 2024 con precisione complessiva del modello sui dati di test del 95.88%.
Tessitura
Elaborazione GEE con specifico script e classificazione da dataset di OpenLandMap (EnvirometriX Ltd - USDA) per argille e sabbie, basate sui valori di percentuale in peso. contenuto di argilla (%). Contenuto di argille e sabbie in % (kg/kg) a 6 profondità standard (0, 10, 30, 60, 100 e 200 cm) a 250 m di risoluzione, nel caso specifico la profondità considerata è 0.
Citazione: Tomislav Hengl. (2018). Clay content in % (kg / kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (Version v02) [Data set]. 10.5281/zenodo.1476854 - https://doi.org/10.5281/zenodo.1476854
Citazione: Tomislav Hengl. (2018). Sand content in % (kg / kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (Version v02) [Data set]. 10.5281/zenodo.1476851 - DOI: https://doi.org/10.5281/zenodo.1476851
Impronta urbana
Calcolo dell'impronta urbana da immagini inSAR, con arco temporale di cinque anni, per l'individuazione dei cambiamenti in base alle immagini di ampiezza e alla stima della coerenza interferometrica.
Sentinel-1B IW Level-1 SLC Product / Descending / 22dic2018
Sentinel-1A IW Level-1 SLC Product / Descending / 14dic2023
Citazione: L'Erario, V. (2024). GeoMorphoGuard [Data set]. SATmonitoring di Vito L'Erario. https://doi.org/10.5281/zenodo.14537432 - Projection
- EPSG:32633
- Bounding Box
- 520370.91720000002533197, 4505633.1403999999165535, 617784.76430000003892928, 4564811.1403999999165535
- Web Map Service
- WMS Url
- WMTS Url
Progetto3
-
SiccITàLY
×SiccITàLY
- Illustration
- Title
- SiccITàLY
- Abstract
- Aggiornamemento al 20 giugno 2025
Gli indici di siccità sono rappresentazioni del deficit (e dell’eccesso) idrico rispetto ai dati storici.
Il terzo progetto dal nome SiccITàLY è stato pensato e sviluppato con GEE (Google Earth Engine), da uno specifico script fornito dal programma NASA-ARSET.
Il nuovo servizio open data vuole contribuire nell'aiutare le autorità governative nel prendere decisioni sullla gestione consapevole della risorsa idrica come risposta agli eventi siccitosi, analizzare la frequenza del fenomeno, la gravità e durata per una determinata area e periodo.
Area di interesse: Italia
Monitoraggio, previsione e proiezione della siccità utilizzando i dati del sistema terrestre della NASA
- La siccità agricola espressa in n.5 scale (estrema, severa, moderata, leggera e assente). La mappa restituisce l'indice di siccità rispetto ai dati storici, con risoluzione di 250 m/pixel. Con uno specifico script (in GEE) i dati MODIS (satelliti Terra e Aqua) vengono utilizzati per calcolare l'indice delle condizioni della vegetazione (VCI) per un orario e un'area specifica ed è espresso in %. E' un indicatore sullo stato della copertura vegetale in funzione dell'NDVI minimi e massimi riscontrati per un dato ecosistema, nel corso di molti anni. Il VCI è un indice migliore rispetto all'NDVI, in quanto è un indicatore sul contenuto d'acqua in condizione di stress. I satelliti della NASA utilizzati per il monitoraggio della siccità: Landsat4-5-7-8-9, Terra e Aqua, Suomi National Polar Partnership (SNPP) e Joint Polar Satellite System (JPSS).
- La siccità meteorologica con l'indice SPI (Standardized Precipitation Index) di precipitazione standardizzato, sviluppato da McKee et al. (1993), utile nel calcolo delle medie stagionali su dati storici e descrive la probabilità di variazione rispetto alle precipitazioni normali su più anni di dati, su base mensile (o più mesi) e/o fase temporali e si avvale di uno specifico algoritmo di calcolo. Una bassa probabilità di funzione cumulativa è indicativa all'evento di siccità.
Le seguenti elaborazione restituisce la media SPI, con risoluzione a 5550 m/pixel all'equatore, dove è possibile analizzare la variazione di pioggia rispetto ai dati storici di uno specifico arco temporale (serie temporale SPI-1 e di precipitazioni a 1 mese entrambi basati sui dati CHIRPS dal 1981).
I satelliti della NASA utilizzati per il monitoraggio delle precipitazioni: TRMM (The Tropical Rainfall Measuring Mission) & GPM (The Global Precipitation Measurement Mission) combinati, costellazione IMERG (Integrated Multi-satellitE Retrievals for GPM).
- Calcolo dell'evapotraspirazione con il prodotto MOD16A2 Versione 6.1 - del programma MODIS dei satelliti Terra e Aqua della NASA - Evapotranspiration/Latent Heat Flux. E' un prodotto composito di 8 giorni con una risoluzione pixel di 500 metri. L'algoritmo utilizzato per la raccolta di dati MOD16 si basa sulla logica dell'equazione Penman-Monteith, che include input di dati di rianalisi meteorologica giornaliera insieme a prodotti di dati MODIS rilevati da remoto come dinamiche delle proprietà della vegetazione, albedo e copertura del suolo. I pixel rappresentano due strati principali: ET (Evapotraspirazione totale) e PET (Evapotraspirazione potenziale) e sono la somma dell'evapotraspirazione i tutti gli 8 giorni. Il prodotto include anche il flusso di calore latente: LE (Latent Heat Flux) e PLE (Potential Latent Heat Flux) che rappresentano l'energia necessaria per la fase di transizione dell'acqua (ad es. da liquido a vapore) e sono calcolati come media dei valori giornalieri nel periodo composito degli 8 giorni.
- Analisi dell'umidità del suolo superficiale e della zona delle radici con il prodotto SMAP SPL4SMGP Versione 7 derivato dal radiometro di bordo del satellite SMAP (Soil Moisture Active Passive) della NASA. SMAP livello 4 include l'umidità superficiale del suolo (media verticale da 0 a 5 cm) e l'umidità dell'apparato radicale (da 0 a 100 cm), ma anche prodotti non convalidati, tra cui variabili di forzatura meteorologica, temperatura del suolo, evapotraspirazione e radiazione netta. I dati della temperatura della luminosità della banda L di SMAP provenienti dai satelliti (ascendenti e discendenti) vengono assimilitati in un modello di griglia con proiezione EASE-Grid 2.0 dalla risoluzione di 9 km.
- La proiezione al 2050 delle precipitazioni medie annuali (mm/day) dai modelli climatici sviluppati dal NASA GDDP (Global Daily Downscaled Projections), CMIP6 con risoluzione della griglia di 25 km. Essi racchiudono proiezioni storiche e future "downscaled" dal 1950 al 2100 basate su una serie di "fasi" di otto variabili del Climate Model Intercomparison Project (CMIP6).
- La proiezione al 2050 della differenza delle precipitazioni medie annuali (mm/day) dai modelli climatici sviluppati dal NASA GDDP (Global Daily Downscaled Projections), CMIP6. Essi racchiudono proiezioni storiche e future "downscaled" dal 1950 al 2100 basate su una serie di "fasi" di otto variabili del Climate Model Intercomparison Project (CMIP6).
- La proiezione al 2050 della temperatura atmosferica media annuale (Kelvin) in prossimità della superficie terrestre dai modelli climatici sviluppati dal NASA GDDP (Global Daily Downscaled Projections), CMIP6 con risoluzione della griglia di 25 km. Essi racchiudono proiezioni storiche e future "downscaled" dal 1950 al 2100 basate su una serie di "fasi" di otto variabili del Climate Model Intercomparison Project (CMIP6).
- La proiezione al 2050 della differenza di temperatura atmosferica in prossimità della superficie terrestre (°C) dai modelli climatici sviluppati dal NASA GDDP (Global Daily Downscaled Projections), CMIP6. Essi racchiudono proiezioni storiche e future "downscaled" dal 1950 al 2100 basate su una serie di "fasi" di otto variabili del Climate Model Intercomparison Project (CMIP6).
Citazione: L'Erario, V. (2025). SiccITàLY [Data set]. SATmonitoring di Vito L'Erario. https://doi.org/10.5281/zenodo.15704122 - Projection
- EPSG:32632
- Bounding Box
- 165007.25779999999213032, 4403654.10280000045895576, 1413041.87280000001192093, 5069984.63129999954253435
- Web Map Service
- WMS Url
- WMTS Url
