Con lo sviluppo degli ecoscandagli a bordo delle navi all'inizio del XX secolo, i rilievi batimetrici hanno fatto enormi passi avanti sia in termini di precisione che di praticità. Tuttavia, anche con gli ecoscandagli moderni, ci sono ancora molte difficoltà da superare quando si effettuano rilievi batimetrici. Questi includono costi elevati, condizioni meteorologiche imprevedibili, traffico navale elevato e potenziali problemi geografici o diplomatici, solo per citarne alcuni.

Per affrontare questi problemi, gli scienziati di tutto il mondo hanno sviluppato tecniche di batimetria derivata dal satellite (SDB), che stimano la profondità dell’acqua da immagini satellitari multispettrali. Questi metodi a volte possono produrre risultati accurati, soprattutto per profondità fino a 20 metri.

Sfortunatamente, la maggior parte dei modelli SDB sono stati sviluppati utilizzando dati provenienti da regioni costiere con acque limpide e una distribuzione uniforme dei sedimenti del fondale marino. Poiché la luce si riflette in modo diverso a seconda della torbidità dell'acqua e della composizione del fondale marino, lo sviluppo di modelli SBD con prestazioni costanti in diversi ambienti costieri si è rivelato impegnativo.

In questo contesto, un gruppo di ricerca coreano ha sviluppato un nuovo modello SDB che sfrutta l’apprendimento automatico per far luce sui vari fattori che possono compromettere la precisione, aprendo così la strada a potenziali soluzioni. Il loro ultimo studio, a cui ha partecipato il dottor Tae-ho Kim dell'Underwater Survey Technology 21 (UST21), è pubblicato nel Journal of Applied Remote Sensing .

Uno degli obiettivi principali di questo studio era analizzare come il modello addestrato su diverse regioni costiere sarebbe influenzato dalle caratteristiche uniche di ciascuna regione. A tal fine hanno selezionato tre zone attorno alla penisola coreana:Samcheok, caratterizzata dalle sue acque limpide; Cheonsuman, nota per le sue acque torbide; e Hallim, dove il fondale marino contiene vari tipi di sedimenti.

Il team ha ottenuto dati satellitari multispettrali di queste regioni dalle missioni Sentinel-2A/B, forniti apertamente dall’Agenzia spaziale europea, e ha selezionato più immagini di queste aree in diversi punti temporali con cieli sereni. Per addestrare il modello SDB su questi dati, hanno anche acquisito carte nautiche derivate dagli ecoscandagli della Korea Hydrographic and Oceanographic Agency (KHOA); questi grafici sono stati utilizzati come verità fondamentale.

Lo stesso modello SDB si basava su un quadro teorico ben consolidato che collega il modo in cui la luce proveniente dal sole viene riflessa dall’atmosfera, dal mare e dal fondale marino prima di raggiungere un satellite. Per quanto riguarda la parte del modello basata sull'apprendimento automatico, il team ha utilizzato un algoritmo di foresta casuale grazie alla sua capacità di adattarsi a più variabili e parametri durante la gestione di grandi quantità di dati.

Dopo aver addestrato e testato istanze specifiche della regione del modello SDB, i ricercatori hanno scoperto che la precisione era generalmente accettabile per Samcheok, con un errore quadratico medio di circa 2,6 metri. Al contrario, la precisione era decisamente inferiore sia per Cheonsuman che per Hallim, con previsioni di profondità basate sui satelliti che si discostavano significativamente dalle misurazioni KHOA.

Per comprendere meglio queste discrepanze, i ricercatori hanno prima provato a correggere le previsioni includendo un indice di torbidità nei calcoli. Ciò ha migliorato i risultati soprattutto per Cheonsuman. Quindi, per indagare ulteriormente sulle fonti di errore, il team ha acquisito immagini satellitari ad alta risoluzione dalla missione WorldView-3, nonché foto sul posto. Le analisi hanno rivelato che le caratteristiche di riflettanza dei sedimenti del fondale marino hanno avuto un grande impatto sulle stime della profondità, con il basalto di colore scuro che ha portato a una consistente sovrastima.

"Se in futuro incorporeremo ulteriori dati spaziali del fondale marino nel set di dati di addestramento, prevediamo miglioramenti nelle prestazioni del modello", ha affermato il dottor Kim. "Una mappa di distribuzione dei sedimenti, creata dall'imaging iperspettrale aereo, sarà fornita dal progetto di ricerca e sviluppo."

Infine, i ricercatori hanno poi testato la capacità di generalizzazione del loro approccio applicando modelli SDB specifici per regione su altre aree costiere con caratteristiche simili.

"A differenza degli studi precedenti che presentavano i risultati del modello SDB solo per acque con elevata trasparenza, abbiamo sviluppato modelli SDB individuali che possono essere applicati ad acque con varie caratteristiche e suggerito metodi per ottenere risultati migliori", ha affermato il dottor Kim.

Con un po' di fortuna, questi sforzi porteranno a miglioramenti nella tecnologia SDB e apriranno la strada a una più pratica mappatura della profondità costiera.

Soddisfatto dei risultati, il dottor Kim conclude:"In definitiva, i risultati dell'SDB verranno applicati come dati di monitoraggio della profondità per facilitare il passaggio sicuro delle navi nelle aree costiere, nonché dati di input per modelli numerici oceanici, contribuendo a vari campi scientifici."