ALGORITMI E PRODOTTI PER L'ESTRAZIONE DELLE FORZANTI METEOROLOGICHE-MARINE DA DATI TELERILEVATI IN ACQUE COSTIERE VICINE ALLA RIVA

ALGORITMI E PRODOTTI PER L’ESTRAZIONE DELLE FORZANTI
 METEOROLOGICHE-MARINE DA DATI TELERILEVATI IN ACQUE
 COSTIERE VICINE ALLA RIVA
 Stefano Zecchetto

 Istituto di Scienze Polari, Consiglio Nazionale delle Ricerche (CNR-ISP), Padova
Questo studio è stato sviluppato con il supporto della piattaforma CosteLab nell'ambito del “Progetto Premiale Rischi Naturali Indotti dalle Attività Umana - COSTE”, n.
 2017-IE.0, finanziato dal Ministero dell'Università e della Ricerca (MUR), coordinato da ASI e sviluppato da e-GEOS e Planetek Italia con la partecipazione del
 Consiglio Nazionale delle Ricerche (CNR), Meteorological Environmental Earth Observation (MEEO) e Geophysical Applications Processing (GAP) srl
 Risultati SAR generati dal processamento di prodotti CSK®, ASI ©, consegnati secondo licenza d’uso ASI

Obiettivi del tema di ricerca
Il progetto ASI-CSA ha dimostrato la peculiarità delle aree costiere rispetto a quelle in mare aperto per
quanto riguarda la valutazione del campo di vento; inoltre ha evidenziato la necessità di sviluppare algoritmi
appropriati per la valutazione/validazione della direzione del vento in diverse aree costiere. Il lavoro svolto
nell'ambito di quel progetto è continuato nel progetto CosteLab finanziato dall'Agenzia Spaziale Italiana
(ASI), con due obiettivi principali: 1) perfezionamento delle tecniche sviluppate e utilizzate nel progetto
ASI-CSA; 2) validazione dei risultati nelle aree di prova del progetto CosteLab.

Materiali e Metodi
In questa attività di ricerca abbiamo utilizzato immagini SAR relative alla zona Adriatica settentrionale in
quanto erano disponibili diversi dati in-situ, tra i quali i dati del vento misurati dalla piattaforma del CNR
Aqua Alta, al largo della bocca del Lido e le segnalazioni in-situ dall'Istituzione Centro Previsioni e
Segnalazioni Maree (ICPSM) del Comune di Venezia. Altri dati costieri sono stati ottenuti dall'Osservatorio
Meteorologico Regionale del Friuli-Venezia Giulia. Per recuperare il campo di vento dalle immagini SAR
sono necessarie due cose: una stima adeguata della direzione del vento (elaborata dal modello 2D-CWT [1])
e un algoritmo affidabile di calcolo della velocità del vento a partire dal backscatter radar (Geophysical
Model Function-GMF, per la banda C: [2,3] e per banda X: Li et al., 2012 [4]).
Una volta ottenuta la mappa dello spettro in funzione delle scale e degli angoli Z(a,θ) (eq.1, dove M(a,θ) è la
densita’ di energia in funzione delle scale e degli angoli), è necessario selezionare le scale a e gli angoli θ
relativi al vento, con lo scopo di ricostruire le immagini SAR tramite questi due valori, in modo da per
rendere evidente la forma e la disposizione di questi venti.
 2 
 ( , ) = ( , )⁄∫0 ( , ) , (Eq. 1)

Figura 1: Sinistra: immagine SAR Sentinel-1 dell’Adriatico settentrionale (24/04/2016) caratterizzata da Bora
 (direzione nord-est). La freccia indica i venti osservati in situ. Destra: spettro wavelet Z(a,θ) dell’immagine SAR. Gli
 asterischi indicano le scale e gli angoli selezionati per la ricostruzione dell’immagine.

Ciò viene realizzato prendendo le scale e gli angoli che superano il valore del 95° percentile di Z(a,θ), con il
vincolo che la loro posizione debba formare un insieme spazialmente connesso. Nella Figura 1 e’ riportato a
destra lo spettro wavelet derivato dall'analisi 2D-CWT dell'immagine SAR, acquisita sul mare Adriatico
settentrionale il 24/04/2016 e caratterizzata da Bora (direzione nord-est) (sinistra).
Le direzioni del vento derivate dalla direzione dell'asse maggiore delle celle ellittiche, de-ambiguizzate in
accordo con la direzione media del vento ECMWF, permettono di calcolare la velocità del vento utilizzando
il modello CMOD5 per la banda C [2]. I valori di σ0 (sezione d’urto radar normalizzata) utilizzati per
calcolare la velocità del vento attraverso CMOD5 sono derivati dal valore medio del backscattering
all'interno di ogni cella di vento rilevata. Il campo di vento risultante è mostrato in Figura 2, con il vento del
modello ECMWF sovrapposto per effettuare un confronto.

Figura 2: il campo di vento risultante dall’analisi 2D-CWT dell’immagine in figura 1, con il vento derivato dal modello
 ECMWF e le misurazioni in situ sovrapposte per effettuare il confronto (frecce nere, non in scala). Le aree bianche
 rappresentano le zone con velocità del vento inferiore a 5 m/s. Per i venti misurati in situ la velocità è riportata nelle
 etichette a lato.

Risultati e Discussione
In questo progetto abbiamo analizzato 26 immagini Sentinel-1A e B per il mare Adriatico settentrionale,
acquisite dal 2016 al 2019 e caratterizzate dalla presenza di Bora. La Bora è un vento proveniente da nord-est
e classificato come downslope wind [5]. Le informazioni fornite dai venti derivati dalle immagini SAR non

possono essere adeguatamente validate in questo progetto, in quanto i dati disponibili in situ possono essere
utilizzati solo per la validazione locale e non per la validazione del campo di vento estratto per l’intera
immagine. Pertanto, è meglio parlare di coerenza invece che di validazione. I dati in situ per i controlli di
coerenza dei venti derivati dalle immagini SAR sono stati ottenuti da diverse fonti (vedi Materiali e Metodi).
Questi dati hanno caratteristiche diverse, ovvero diverse altezze di riferimento e campionamenti temporali,
ma tutti ricondotti allo stesso campionamento temporale di 1 ora. Prima di discutere sulla coerenza tra le
direzioni del vento SAR, ECMWF e in-situ, è necessario considerare anche la differenza angolare tra i valori
in-situ e ECMWF. Le maggiori discrepanze possono essere dovute a diversi fattori: la differenza temporale
tra i campi di vento (comunque inferiore ai 90 minuti), così come la diversa natura dei dati (medie temporali
e spaziali). Dobbiamo anche considerare che le aree costiere sono località dove la variabilità spaziale del
vento può essere elevata, come mostrato in Zecchetto e Accadia (2014) [6]. La figura 3A riporta le differenze
angolari tra le direzioni del vento in-situ e quello derivato dalle immagini SAR, rispetto alla velocità del
vento in-situ. I risultati mostrano una differenza media vicina allo zero e una deviazione standard media di
27º. Infine, anche il confronto tra le direzioni del vento derivate dalle immagini SAR e le direzioni ECMWF
fornisce essenzialmente i medesimi risultati (Fig. 3B), con una differenza media di 2º e una deviazione
standard media di 22º. Essi indicano un accordo sostanziale, anche se la distribuzione della direzione del
vento ECMWF abbraccia una gamma angolare più ampia.

Figura 3: A) differenza tra la direzione del vento in situ e quella derivata dalle immagini SAR, rispetto alla velocità del
 vento in situ. I colori indicano le varie fonti dei dati in situ. ARPAfvg (blu) and Icpsm (verde) sono dati costieri;
 BuoySlovenianNIB (rosso) and MedaAbate (nero) sono boe; Ptf (rosa) è una piattaforma. B) la distribuzione della
 direzione del vento ECMWF (grafico a sinistra) e quella del vento derivata dalle immagini SAR (grafico a destra).

Le direzioni del vento derivate da 2D-CWT forniscono risultati ragionevoli, ma la loro validazione a scala
dettagliata non è praticabile con i dati attualmente disponibili. Questa metodologia, sviluppata per la stima
della direzione del vento derivata da immagini SAR, è nota per avere problemi in situazioni meteorologiche
caratterizzate da elevata vorticita’. Per superare questa lacuna, abbiamo sviluppato un'altra metodologia
basata sulla rete neurale convoluzionale (CNN) con una particolare architettura nota come Rete Residua
(ResiNet), che risolvere questo problema [10]. Sia 2D-CWT che ResNet sono in grado di stimare la
direzione del vento senza bisogno di informazioni esterne. Un esempio è mostrato in figura 4: il modello 2D-
CWT riesce a stimare il vento nord-orientale nella parte settentrionale dell'area, ma non riesce a stimare il
probabile vento sud-orientale nella parte meridionale. La ResNet, al contrario, stima molto bene la rotazione
del vento, posizionando però il fronte più a nord rispetto all'ECMWF. Questo è probabilmente dovuto alla
risoluzione temporale relativamente grossolana (3 ore) dei dati ECMWF.

Figura 4: Campi di vento derivati da immagini SAR interpolati su una griglia di 2x2 km. Sinistra: mappa derivata dal
modello 2D-CWT. Destra: mappa derivata da rete neurale ResNet. Le frecce nere (non in scala) rappresentano il vento
 ECMWF e i dati in situ.

Possibili sviluppi futuri
Il lavoro svolto ha mostrato la necessità di utilizzare metodologie adeguate per la stima della direzione del
vento da immagini SAR e di conseguenza del campo di vento ad alta risoluzione spaziale senza l'uso di
informazioni esterne. La performance dei metodi presentati non dipende dalla risoluzione SAR e sembra non
essere sensibile né alla frequenza radar né all'angolo di incidenza. Risulta necessario un ulteriore
perfezionamento per entrambe le metodologie CNN e 2D-CWT, in particolare per quelle aree caratterizzate
da venti a forte vorticita’. Inoltre, sarà necessario confrontare i risultati del modello 2D-CWT con altre
metodologie, come ad esempio le Reti Neurali Convoluzionali basate su una particolare architettura chiamata
Rete Residua (ResNets) che, applicate a immagini Sentinel-1 sul Mediterraneo, hanno prodotto risultati
molto buoni [10] Riassumendo, i prossimi step che dovrebbero essere presi in considerazione sono: 1)
affinamento e test dei modelli 2D-CWT e ResNets; 2) sviluppo di un uso combinato ResNet e 2D-CWT; 3)
applicazione di questi modelli alle immagini COSMO-SkyMed.

Pubblicazioni e Presentazioni
 • Zecchetto, S., WIND DIRECTION FROM SENTINEL-1 SAR IMAGES IN REGIONAL SEAS,
 International Geoscience and Remote Sensing Symposium 2018, Valencia, Spain, 23-27 July 2018
 (978-1-5386-7150-4/18/$31.00).
 • Zecchetto, S., Wind Fields from SAR in Coastal Areas, Primo Workshop Nazionale: La Missione
 COSMO-SkyMed: Stato dell’Arte, Applicazioni e Prospettive Future, 13-15 November 2017, ASI,
 Rome, Italy.
 • Zecchetto, S. (2018). Wind Direction Extraction from SAR in Coastal Areas. Remote Sensing, 10(2),
 261.
 • Zanchetta, A. and S. Zecchetto, Wind direction retrieval from Sentinel-1 SAR images using ResNet,
 Remote Sensing of Environment, 2021 (https://doi.org/10.1016/j.rse.2020.112178)
 • Zecchetto, S., Determination and use of the wind field from SAR in coastal areas, International
 Ocean Vector Wind Science Team Meeting, Barcelona, Spain, April 24-26, 2018

Bibliografia
 1. Zecchetto, S. (2018). Wind Direction Extraction from SAR in Coastal Areas. Remote Sensing, 10(2),
 261.
 2. Hersbach, H., Stoffelen, A., de Haan, S. (2007). An improved C‐band scatterometer ocean
 geophysical model function: CMOD5. Journal of Geophysical Research: Oceans, 112(C3).
 3. Stoffelen, A., Verspeek, J.A., Vogelzang, J., Verhoef, A. (2017). The CMOD7 geophysical model
 function for ASCAT and ERS wind retrievals. IEEE Journal of Selected Topics in Applied Earth
 Observations and Remote Sensing, 10(5), 2123-2134.

4. Li et al., 2012, Algorithm for sea surface wind retrieval from TerraSAR-X and TanDEM-X data,
 IEEE TGRS-2012-00997
5. Atkinson, B. W., Meso-scale atmospheric circulations, Academic Press, London, UK, 1989
6. Zecchetto, S., & Accadia, C. (2014). Diagnostics of T1279 ECMWF analysis winds in the
 Mediterranean Basin by comparison with ASCAT 12.5 km winds. Quarterly Journal of the Royal
 Meteorological Society, 140(685), 2506-2514.
7. Cun, Y.L., (1989). Generalization and Network Design Strategies. Tech. rep.
8. Goodfellow, I., Bengio, Y., Courville, A. (2016). Deep Learning. MIT Press.
9. He, K., Zhang, X., Ren, S., Sun, J. (2016). Identity mappings in deep residual networks. In:
 European 494 conference on computer vision. Springer. 630–645.
10. Zanchetta, A. and S. Zecchetto, Wind direction retrieval from Sentinel-1 SAR images using ResNet,
 Remote Sensing of Environment, 2021 (https://doi.org/10.1016/j.rse.2020.112178)