L’obiettivo scientifico generale del progetto “Data Fusion & Smart Automatic Classification of Satellite Multisensor/Multiband SAR and Optical Data – MUSAR” è quello di sfruttare dati EO (Earth Observation) nell’area di ricerca attinente ai rischi naturali (Natural Hazards) nell’ambito delle strategie di gestione e manutenzione delle infrastrutture viarie e delle opere d’arte stradali di rilievo (viadotti e opere in sotterraneo). L’intenzione, perseguendo gli obbiettivi scientifici, è quella di fornire nuovi strumenti per il monitoraggio del territorio e delle infrastrutture, con particolare focus su reti viarie e opere d’arte stradali che si sviluppano in ambienti ad elevata pericolosità geologica, che potranno essere implementati attraverso un monitoraggio continuo multi-parametrico del territorio.

Il progetto si  sviluppa secondo due linee di ricerca parallele che comprendono le seguenti attività e obiettivi scientifici:

1. Data Fusion: formulazione di algoritmi innovativi in grado di sfruttare l’integrazione di diverse tipologie di dati EO multi-sensore e multibanda (sia SAR che ottici), per le seguenti finalità e obiettivi scientifici:

• Nuovo algoritmo multi-immagine di integrazione delle tecniche InSAR Differenziali (DInSAR) e Avanzate (A-DInSAR) per la riduzione dei limiti legati all’ambiguità di e di decorrelazione spaziale e temporale del segnale in corrispondenza di fenomeni deformativi impulsivi di dissesto idrogeologico (come fenomeni franosi, di sinkhole e subsidenza localizzata) che spesso evolvono in zone rurali con carenza di riflettori naturali e artificiali stabili.
• Integrazione dei risultati A-DInSAR multi-sensore e multifrequenza (es. ERS, Envisat; COSMO-SkyMed; Sentinel-1 e SAOCOM) per la generazione dei GD-Marker (Ground Deformation Marker),ossia di “punti di misura sintetici” che rappresentino il comportamento deformativo dell’intero periodo di osservazione ed in grado di integrare il contributo di spostamento delle diverse bande, in termini di velocità media, direzione e serie temporali di spostamento.
• Stima del campo di spostamento 3D mediante l’integrazione dei dati SAR e ottici satellitari.

2. Classificazione smart automatica: sviluppo di una catena di analisi basata su metodi di Machine Learning (apprendimento automatico – ML) per l’individuazione di correlazioni tra informazioni di spostamento (ottenute con tecnologie di analisi delle immagini satellitari SAR multi-sensore e ottiche),fenomeni naturali e processi di deformazione delle strutture, che trovino applicazione nelle strategie digestione delle reti di trasporto, e più in generale delle infrastrutture lineari.

Il progetto è sviluppato dai proponenti NHAZCA S.r.l. (Natural HAZards Control and Assessement) e Centro di Ricerca CERI (Centro di Ricerca Previsione e Prevenzione dei Rischi Geologici) dell’Università degli Studi di Roma “La Sapienza” con l’obiettivo generale di estendere lo sfruttamento dei dati EO (Earth Observation) nell’area di ricerca attinente ai rischi naturali (Natural Hazards) nell’ambito delle strategie digestione e manutenzione delle infrastrutture viarie e delle opere d’arte stradali di rilievo (viadotti e opere in sotterraneo).