ETD

• correnti
• drfter
• glider
• MarLigure
• oceanografia
• radar

Il progetto di tesi sviluppato in collaborazione con il CNR di Lerici (SP) affronta lo studio dei processi oceanografici e delle conseguenze biochimiche della risalita di acque profonde (upwelling) e dei fenomeni di vorticità a submesoscala nell'area di studio del Mar Ligure Orientale.A questo scopo sono stati selezionati, filtrati, organizzati e analizzati i dati grezzi della strumentazione a supporto dell'esperimento AMBO (Autonomous Multiplatform Biophysical Observations) che ha coperto r un range temporale di circa due settimane nel mese di maggio 2022. I datasets analizzati derivano dalle informazioni inviate da un pool di 32 drifter lasciati alla deriva a largo delle coste di Lerici,dai campi di velocità delle correnti sub-superficiali individuate dall'HF radar, e dai transetti di profondità di un glider SeaExplorer. Una volta ottenuti i dati grezzi sono stati inizialmente filtrati attraverso flag di qualità del dato e plausibilità fisica in ambiente Python, PowerShell e Matlab.In partiolare per il glider è stato utilizzato un programma dedicato ovvero GliderscopeV9 per estrapolare i singoli transetti di risalita e discesa e l'andamento grafico delle variabili strumentali come la temperatura, il CDOM, la densità, la conducibilità elettrica, la salinità, il backscatter e la concentrazione di clorofilla. L'obiettivo iniziale di questa prima parte è quella di standardizzare cronologicamente le analisi e i metadati della variabili fisiche e biochimiche registrate e ottenere file puliti in formato NetCDF per visualizzarli tematicamente in QGis 3.4. La seconda parte si focalizza sulla conversione dei file in formati di tipo tabellare e di tipo Geopackage e sulla correzione in post processing dei NetCDF, al fine di importali correttamente sia spazialmente che temporalmente come layer vettoriali. Infine sono stati proiettati in QGis studiando la simbologia più intuitiva e automatizzando alcuni passaggi a causa dell'ingente quantità di dati caricati, usando la console Python integrata. Osservando le animazioni e l'andamento delle variabili è possibile procedere ad una pre analisi fisica contestualizzando le evidenze bibliografiche e le caratteristiche dell'area di studio.
Il presente progetto pone la base per una futura e ulteriore integrazione di dati a supporto delle evidenze riscontrate.

This thesis project, developed in collaboration with the CNR in Lerici (SP), focuses on the study of oceanographic processes and the biochemical consequences of upwelling and submesoscale vorticity within the Eastern Ligurian Sea.
To achieve this, raw data from the instrumentation supporting the AMBO (Autonomous Multiplatform Biophysical Observations) experiment, which spanned approximately two weeks in May 2022, were selected, filtered, organized, and analyzed. The analyzed datasets derive from information transmitted by a pool of 32 drifters deployed off the coast of Lerici, sub-surface current velocity fields identified by HF radar, and depth transects from a SeaExplorer glider.
Once obtained, the raw data were initially filtered for quality and physical plausibility using Python, PowerShell, and MATLAB. Specifically, for the glider data, the dedicated software GliderscopeV9 was utilized to extract individual upcasts and downcasts, as well as the graphical trends of instrumental variables such as temperature, CDOM, density, electrical conductivity, salinity, backscatter, and chlorophyll concentration.
The primary objective of this first phase was to chronologically standardize the analysis and metadata of the recorded physical and biochemical variables, producing clean NetCDF files for thematic visualization in QGIS 3.4. The second part of the study focused on converting these files into tabular and GeoPackage formats, alongside the post-processing correction of NetCDF files to ensure their correct spatial and temporal import as vector layers.
Finally, the data were projected in QGIS, where intuitive symbology was developed and several processes were automated via the integrated Python console to handle the extensive volume of data. By observing the animations and variable trends, it is possible to conduct a physical pre-analysis, contextualizing the results with existing literature and the specific characteristics of the study area. This project establishes the foundation for future data integration to further support the findings.