Come possiamo mappare i fondali costieri velocemente e senza dati sul posto?

Le acque costiere basse sono fondamentali per la gestione delle spiagge, la protezione degli ecosistemi e la sicurezza della navigazione. Per conoscere la profondità si usano spesso immagini iperspettrali raccolte da aerei, che mostrano con dettaglio il colore dell’acqua e del fondo. Tuttavia, trasformare quelle immagini in mappe batimetriche affidabili richiede modelli complessi e, soprattutto, dati di riferimento sul posto, che spesso mancano. Gli studiosi hanno quindi migliorato un metodo chiamato HOPE‑Pure Water (HOPE‑PW), già veloce ma meno preciso nei dettagli del fondo. Per renderlo più affidabile hanno aggiunto una fase di classificazione del tipo di fondo usando l’intelligenza artificiale: hanno confrontato tre algoritmi (support vector machine, random forest e massima verosimiglianza) su immagini della costa di Wenchang, in Cina. Il migliore si è rivelato il random forest, che ha permesso a HOPE‑PW di raggiungere la stessa accuratezza del modello originale HOPE, ma con un risparmio del 56 % di tempo di calcolo e del 68 % di memoria. Nei punti più profondi il metodo tende a sottostimare leggermente la profondità, probabilmente perché la semplificazione riduce la sensibilità alle proprietà ottiche dell’acqua. Questo approccio offre quindi una soluzione pratica per monitorare le zone costiere dove non è possibile effettuare misurazioni dirette, aprendo la strada a una gestione più efficace delle risorse marine.

Il modello HOPE (Hyperspectral Optimization Process Exemplar) si basa sull’inversione analitica della riflettanza del fondo marino (ρ) a partire dallo spettro iperspettrale osservato, tenendo conto delle proprietà ottiche dell’acqua e dell’illuminazione solare. Sebbene HOPE offra elevata accuratezza, il suo costo computazionale cresce con la risoluzione spaziale e il numero di bande, rendendolo poco pratico per grandi dataset. HOPE‑PW semplifica il problema assumendo che l’acqua sia pura (assenza di sostanze sospese e di materia organica disciolta), il che riduce il numero di parametri da stimare e permette una soluzione chiusa più veloce. Tuttavia, questa ipotesi limita la capacità di catturare variazioni spaziali di ρ legate a diversi tipi di fondo (sabbia, alghe, coralli). In questo lavoro gli autori hanno introdotto una fase di classificazione supervisionata del substrato utilizzando tre algoritmi di apprendimento automatico: SVM, che cerca l’iperpiano di massima separazione tra classi; Random Forest, un ensemble di alberi decisionali che riduce la varianza e migliora la robustezza; e Maximum Likelihood, che assegna ogni pixel alla classe con la massima probabilità sotto ipotesi gaussiane. La classificazione è stata addestrata su campioni di fondo raccolti in situ lungo la costa di Wenchang e poi applicata all’intera scena iperspettrale per produrre una mappa di probabilità di ciascun tipo di substrato. Queste probabilità sono state usate come vincoli nell’inversione di HOPE‑PW, forzando la stima di ρ a rimanere entro intervalli realistici per ogni classe. La validazione è stata effettuata confrontando le profondità derivanti dal modello con le misurazioni di elevazione del fondo fornite dal laser altimetro ICESat‑2, che offre punti di riferimento sparsi ma altamente accurati. I risultati mostrano che, con Random Forest come classificatore ottimale, l’errore medio assoluto (MAE) scende da 0.42 m (HOPE‑PW senza vincoli) a 0.21 m, pari a quello ottenuto da HOPE completo, mentre il tempo di elaborazione passa da 12.4 s a 5.5 s per tile e il consumo di RAM da 1.8 GB a 0.6 GB. L’underestimation osservato nelle zone più profonde (>5 m) è attribuito alla ridotta sensibilità del modello semplificato alle variazioni del coefficiente di attenuazione dell’acqua, che diventa più significativo con l’aumentare del percorso ottico. Gli autori prevedono di estendere l’approccio includendo modelli ottici dell’acqua più dettagliati (ad esempio, variabili di clorofilla e materia particolata) e di testare la tecnica in altri ambienti costieri, come lagune e estuari, nonché di esplorare l’uso di reti neurali convoluzionali per la classificazione del fondo in presenza di nuvole o di condizioni di illuminazione non ideali.