• frane
• Prato
• carte inventario
• interferometria SAR
• persistent scatterers interferometry
• landslides
• inventory maps
• SAR interferometry

Riassunto

Le Carte Inventario delle Frane (CIF) sono un prodotto cartografico che tramite l’identificazione delle frane passate e la loro caratterizzazione (estensione, distribuzione, tipo di movimento e stato di attività) fornisce le informazioni basilari allo scopo di valutare la suscettibilità, la pericolosità, la vulnerabilità e il rischio da frana in una specifica regione. I dati radar vengono utilizzati per redigere e aggiornare le carte inventario, soprattutto tramite l’utilizzo dell’interferometria satellitare (InSAR). Tra i vari metodi InSAR il più utilizzato per la redazione delle CIF è la tecnica PsInSAR e la sua evoluzione, l’algoritmo SqueeSAR, che individua i Permanent o Persistent Scatterer (PS), punti che riflettono persistentemente e stabilmente il segnale verso il sensore durante l’intero intervallo di acquisizione.
Questo metodo è stato utilizzato per aggiornare la Carta Inventario delle Frane della Provincia di Prato, caratterizzata da un elevato numero di fenomeni franosi. L’inventario precedente è quello presente all’interno del Database Geomorfologico della Regione Toscana, aggiornato al 2017. Questo identifica 1296 frane per un’area totale di 53,52 km2. La CIF è stata aggiornata utilizzando i dati interferometrici dei satelliti ERS 1/2, RADARSAT 1, ENVISAT e Sentinel-1. A supporto dei dati satellitari sono state utilizzate le Ortofoto Digitali a Colori degli anni 2000, 2006 e 2012 del Ministero dell’Ambiente e i dati LiDAR della Regione Toscana. Sono stati selezionati due siti, Migliana e Gavigno, ove convalidare le analisi effettuate con osservazioni e indagini in situ, essendo caratterizzati da frane attive.
L’analisi dei dataset satellitari ha permesso di: (I) individuare 53 nuovi fenomeni di frana e (II) perfezionare il perimetro di 35 frane all’interno dell’inventario e (III) aggiornare o confermare lo stato di attività di tutte le frane identificate. Quest’ultima operazione è stata effettuata tramite la creazione di semplici “matrici di attività”, che mettono a confronto lo stato di attività registrato nell’inventario con la deformazione misurata dai satelliti. Da queste analisi nascono due prodotti cartografici: l’aggiornamento della carta inventario e una carta che mostra la deformazione rilevata da Sentinel-1. Le serie storiche dei fenomeni aventi deformazioni particolarmente significative sono state confrontate con i dati pluviometrici, i danni subiti dagli edifici e dalle infrastrutture nei siti scelti per la validazione e, nel caso di Migliana, è stato inoltre possibile mettere a confronto i dati satellitari con quelli di quattro inclinometri.
Lo studio ha evidenziato sia le potenzialità che i limiti della tecnica. Tramite i Permenent Scatterer è possibile mappare, individuare e caratterizzare i fenomeni di frana, specialmente in aree urbane e sub-urbane. Inoltre, vi è un evidente miglioramento della qualità e della quantità di dati ottenuti se processati tramite l’algoritmo SqueeSAR. La tecnica non è, però, in grado di individuare deformazioni elevate, riuscendo ad identificare solamente frane molto lente ed estremamente lente. Il più grande limite è la decorrelazione, particolarmente evidente nella provincia di Prato a causa delle estese aree boschive. Grazie alla possibilità di importare i dati radar più recenti sui Sistemi Informativi Geografici è possibile aggiornare velocemente le carte inventario, fornendo un’utile strumento, costantemente rinnovato, per la prevenzione e per la pianificazione territoriale.


Abstract

Landslide Inventory Maps (LIMs) rely on the identification of past landslides and their characterization (extension, distribution, types and state of activity) to provide basic information for evaluating landslide susceptibility, hazard, vulnerability, and risk in a specific region. Radar data are used to compile and update inventory maps, especially by using satellite interferometry (InSAR). Among the various approaches, the PsInSAR technique and its evolution the SqueeSAR algorithm are the most used in compiling LIMs. These techniques identify points (Permanent or Persistent Scatterers, PS) that persistently and reliably reflect the signal to the sensor during the whole acquisition interval.
This approach has been adopted to update the Landslide Inventory Map of the Province of Prato (Tuscany, Italy), a highly prone area. The most recent pre-existing inventory is the one included in the Database Geomorfologico Della Regione Toscana, last updated in 2017. This inventory has 1296 landslides for a total area of 53,52 km2. The LIM was updated using the interferometric data from the ERS 1/2, RADARSAT-1, ENVISAT, and SENTINEL-1 satellites. To back the satellite data the Ortofoto Digitali a Colori of the years 2000, 2006 e 2012 (Ministero dell’Ambiente) and the LiDAR data from Regione Toscana were used. Also, two sites, Migliana and Gavigno, were selected to validate the data with in situ observations and investigations since both are characterized by active landslides.
The analysis of the datasets produced the following: (I) detection of 53 new landslides, (II) refinement of the boundaries of 35 landslides already present in the inventory, and (III) evaluation of the state of activity of all the detected landslides. This last procedure was achieved by creating activity matrices. These compare the state of activity of the pre-existing inventory with the satellite LOS velocities. From these two maps were created: the update of the inventory map and a map only showing SENTINEL-1 data. The updated LIM includes 1349 landslides for a total area of 54,06 km2. The time series of the landslides that record intense surface displacement were compared with the precipitations data, the damage to the infrastructures and the buildings in the validation sites and, in the case of Migliana, it was possible to compare the data from the satellite with four inclinometers.
This work has highlighted the capabilities and limits of this technique. By using the Permanent Scatterers it is possible to map, identify and characterize landslides, particularly in the urban and suburban areas. Besides, there is an evident improvement in the data quality and quantity if processed with the SqueeSAR algorithm. However, the approach cannot identify high displacement ratios, and this results in the ability to identify only very slow and extremely slow landslides. The biggest limit the method has is decorrelation, notably obvious in the Prato Province due to frequent wooded areas. Thanks to the possibility of importing satellite data to Geographic Information Systems (GIS) it is possible to update landslide inventory maps swiftly, obtaining a powerful, continuously renewed tool for prevention and urban development planning.