Sviluppo di una metodologia per la generazione di DTM di un corso d'acqua usando SfM da UAV e nuvole di punti LiDAR

Perché è importante mappare i fondali fluviali

I fiumi fanno molto più che trasportare acqua. I loro canali, le barre di sabbia e gli argini controllano le piene, creano habitat per la fauna e determinano come l’inquinamento si sposta a valle. Eppure ottenere una mappa precisa del letto del fiume e del territorio circostante è sorprendentemente difficile, soprattutto in corsi d’acqua bassi e ricchi di vegetazione dove barche, ecoscandagli e operatori con aste di rilievo faticano ad arrivare. Questo studio mostra come droni a bassa quota, scanner laser e filtri informatici ben progettati possano collaborare per costruire mappe dettagliate del “terreno nudo” di un torrente coreano, offrendo una visione più sicura, rapida e completa della forma nascosta dei fiumi.

Nuovi occhi in cielo su un corso d'acqua complesso

I ricercatori si sono concentrati su un tratto di 2,8 chilometri del torrente Bokha a Icheon, Corea del Sud, un paesaggio fatto di canali tortuosi, bassifondi sabbiosi, piane alluvionali e alberi ripariali alti. I rilievi tradizionali lì sarebbero stati lenti, pericolosi e incapaci di catturare ogni curva e depressione. Invece il team ha usato due tipi di droni. Uno trasportava uno scanner laser (LiDAR) che emette impulsi luminosi e misura il tempo di ritorno, producendo una densa nuvola di punti 3D capace di penetrare la vegetazione fino al suolo. L’altro montava una camera multispettrale e sfruttava una tecnica chiamata structure from motion (SfM), che ricompone molte foto sovrapposte in un’altra nuvola di punti 3D. Insieme, queste viste complementari hanno offerto una copertura densa sia delle sponde vegetate sia del canale basso e per lo più libero.

Separare acqua da terra e suolo da intasamenti

Le nuvole di punti 3D grezze registrano tutto: foglie, rami, edifici, rumore nell’aria e riflessi sulla superficie increspata dell’acqua. Per modellare solo il vero terreno, questi punti extra devono essere rimossi. Il team ha innanzitutto distinto acqua e terra usando un semplice indicatore basato sul colore chiamato Normalized Difference Water Index, che confronta quanto è luminosa ciascuna pixel nelle bande verde e vicino all’infrarosso dello spettro. I pixel con valori superiori a una soglia scelta sono stati etichettati come acqua. Nelle aree terrestri si è dato priorità ai punti LiDAR perché gli impulsi laser possono scivolare tra le foglie fino al suolo. Nelle aree d’acqua, dove il LiDAR riflette principalmente sulla superficie e non “vede” la profondità, i ricercatori si sono invece affidati ai dati fotografici SfM, che talvolta possono seguire caratteristiche del letto attraverso acqua bassa e relativamente limpida.

Mettere alla prova tre “scopini” digitali

È seguito il passaggio più impegnativo: eliminare la vegetazione e altri oggetti non-terreno preservando la reale morfologia di sponde e fondo. Il team ha confrontato tre filtri di terreno largamente utilizzati, le cosiddette “scopine digitali”. Il cloth simulation filter immagina un telo flessibile drappeggiato su una nuvola di punti capovolta, trattando il telo come il terreno. Il progressive TIN filter costruisce gradualmente una mesh dalla parti più basse aggiungendo altri punti se soddisfano regole di altezza e pendenza. Il simple morphological filter (SMRF) erode e dilata ripetutamente la superficie, rimuovendo oggetti elevati come cespugli e alberi. Per ciascun metodo i ricercatori hanno testato molti set di parametri, ottimizzati per LiDAR sulla terraferma e per SfM in acqua, e poi hanno verificato il terreno risultante contro 11 profili trasversali misurati accuratamente con strumenti di rilievo tradizionali.

Trovare la migliore corrispondenza con il fiume reale

L’accuratezza è stata giudicata usando le differenze medie e la radice quadrata della media dei quadrati (RMS) tra le altezze modellate e quelle rilevate. Quando LiDAR e SfM sono stati usati separatamente, il metodo fotografico ha performato meglio nel complesso perché poteva parzialmente catturare il letto sommerso che il LiDAR perdeva. Ma l’immagine più chiara è emersa quando i due dataset sono stati combinati: LiDAR per la terra, SfM per l’acqua, entrambi puliti con filtri ottimizzati. Tra i tre algoritmi, SMRF ha dato la migliore prestazione complessiva, con errori dell’ordine di soli 16–21 centimetri sull’intera area. Si è distinto nel rimuovere cespugli densi e alberi alti preservando caratteristiche nette come piccole terrazze e sponde scoscese, cruciali per modelli realistici di piena e habitat, sebbene a volte sottostimasse leggermente le quote nelle zone d’acqua.

Cosa significa per i fiumi e i loro dintorni

In termini pratici, lo studio fornisce una ricetta collaudata per trasformare misurazioni disordinate da droni in mappe accurate del terreno nudo di corsi d’acqua piccoli e bassi. Separando automaticamente acqua e terra e fondendo in modo intelligente dati laser e fotografici, il metodo supera molti dei punti ciechi dei rilievi basati su imbarcazioni o rilevamenti a terra. Gli autori indicano SMRF come il filtro general-purpose più affidabile per questo tipo di corridoio fluviale misto, pur osservando che un altro metodo, il cloth simulation filter, è particolarmente stabile in aree d’acqua difficili con punti erratici. Questi risultati possono aiutare ingegneri ed ecologi a costruire modelli di piena migliori, pianificare progetti di ripristino e monitorare come i fiumi cambiano nel tempo, il tutto con minori rischi e costi sul campo. Con la diffusione di sistemi laser più ecologici e di processamenti migliorati, questo approccio potrebbe rendere la mappatura ad alta risoluzione dei letti fluviali uno strumento standard per la gestione delle vie d’acqua.

Citazione: Gou, J., Lee, H., Park, J. et al. Development of a stream DTM generation methodology using UAV-based SfM and LiDAR point cloud. Sci Rep 16, 5178 (2026). https://doi.org/10.1038/s41598-026-35473-x

Parole chiave: mappatura fluviale, rilevamento con droni, LiDAR, modello digitale del terreno, ecologia dei corsi d'acqua