Come i droni e l'intelligenza artificiale misurano i cumuli di carbone?

Immagina di dover capire quanto carbone c’è in un enorme cumulo senza avvicinarti. Prima si usavano ruote da passeggio, stazioni totali o scanner laser, ma erano lenti e pericolosi. Ora i droni (UAS) cambiano le regole del gioco. In Ohio, due tipi di droni hanno sorvolato un deposito di carbone: un quadricottero con LiDAR, che “vede” il terreno con laser, e un ala fissa con fotocamere multispettrali. I ricercatori hanno provato tre metodi per calcolare il volume. Il primo usa i dati LiDAR, considerati il riferimento. Il secondo sfrutta la fotogrammetria Structure‑from‑Motion (SfM) per creare un modello digitale della superficie (DSM) e del terreno (DTM). Il terzo combina il DSM di SfM con un DTM interpolato tramite kriging, una tecnica statistica. Per delimitare il cumulo hanno sviluppato un algoritmo che unisce soglie di pendenza, filtri nel vicino infrarosso e il rilevatore di bordi Canny. I risultati? Le due versioni SfM hanno prodotto errori di soli 147 m³ (RMSE) e una percentuale di errore medio del 2 %, quasi identici al LiDAR. Inoltre, hanno scoperto che una risoluzione tra 0,06 m e 5 m mantiene l’accuratezza, mentre a 10 m l’errore sale al 12 %. In pratica, i droni con fotogrammetria e analisi automatica offrono un metodo veloce, economico e preciso per misurare cumuli di carbone, ma anche per miniere, magazzini agricoli o foreste.

L'approccio SfM‑intDTM sfrutta la ricostruzione tridimensionale a partire da immagini sovrapposte, generando una nuvola di punti densa. Il kriging, metodo di interpolazione geostatistica, stima il DTM basandosi sulla correlazione spaziale dei punti, riducendo gli errori dovuti a superfici irregolari. L'uso del filtro NIR migliora la discriminazione tra carbone e vegetazione, poiché il carbone assorbe fortemente nell'infrarosso vicino, mentre la vegetazione riflette. L'algoritmo Canny, originariamente sviluppato per il riconoscimento di bordi in immagini 2D, è stato adattato per identificare i contorni del cumulo nella DSM, combinando gradienti di elevazione e soglie di intensità. La sensibilità alla risoluzione deriva dal compromesso tra densità di punti (più punti = maggiore dettaglio) e rumore: a risoluzioni inferiori a 0,06 m, il rumore può mascherare i dettagli, mentre a 10 m la perdita di dettaglio topografico influisce significativamente sul volume calcolato. Inoltre, la differenza tra RTK (correzioni in tempo reale) e PPK (post‑processing) influisce sulla precisione assoluta dei dati di posizione, con RTK tipicamente più adatto a missioni critiche, ma PPK offre maggiore flessibilità operativa. L'integrazione di questi metodi consente di bilanciare costi, tempo di elaborazione e accuratezza, rendendo la soluzione scalabile da singoli cumuli a interi bacini industriali.