Escolar Documentos
Profissional Documentos
Cultura Documentos
com
sensores
Artigo
Valerio Gagliardi 1,*, Luca Bianchini Ciampoli 1 , Sebastiano Trevisani 2 , Fabrizio D'Amico 1 , Amir
M. Alani 3, Andrea Benedetto 1 e Fabio Tosti 3
1 Departamento de Engenharia, Universidade Roma Tre, Via Vito Volterra 62, 00146 Roma, Itália;
luca.bianchiniciampoli@uniroma3.it (LBC); fabrizio.damico@uniroma3.it (FD);
andrea.benedetto@uniroma3.it (AB)
2 Universidade IUAV de Veneza, Dorsoduro 2206, 30123 Venezia, Itália; strevisani@iuav.it
3 Escola de Computação e Engenharia, Universidade de West London (UWL), St Mary's Road, Ealing, London
W5 5RF, Reino Unido; Amir.Alani@uwl.ac.uk (AMA); Fabio.Tosti@uwl.ac.uk (FT)
* Correspondência: valerio.gagliardi@uniroma3.it
Resumo: As técnicas de radar de abertura sintética interferométrica multitemporal (MT-InSAR) estão ganhando força na avaliação e no monitoramento da integridade de ativos de infraestrutura. Entre outras, a técnica de Interferometria de
Dispersores Persistentes (PSI) tem se mostrado viável para a avaliação de dispersores de solo a longo prazo. No entanto, sua eficácia como uma ferramenta de rotina para certas áreas de aplicação críticas, como a avaliação de
deslocamentos diferenciais em escala milimétrica em pistas de aeroportos, ainda é debatida. Esta pesquisa tem como objetivo demonstrar a viabilidade do uso de produtos SAR Copernicus ESA Sentinel-1A (Banda C) de média resolução e
sua contribuição para melhorar as estratégias atuais de manutenção em caso de assentamentos localizados de fundações em pistas de aeroportos. Para o efeito, “Pista n.3” do “Aeroporto Internacional Leonardo Da Vinci” em Fiumicino,
Roma, A Itália foi investigada como um estudo de caso explicativo, tendo em vista os assentamentos geotécnicos históricos que afetam a área da pista. Neste contexto, é desenvolvido um estudo geoestatístico para a análise exploratória
dos dados espaciais e a interpolação dos dados SAR Sentinel-1A. A análise geoestatística forneceu ampla informação sobre a continuidade espacial dos dados do Sentinel 1 em comparação com os dados de alta resolução COSMO-SkyMed e
---- os dados de nivelamento topográfico baseados no solo. Além disso, uma comparação entre os resultados PSI dos dados do Sentinel-1A SAR - interpolados por meio da Krigagem Ordinária - e os dados de nivelamento topográfico de verdade
---
demonstrou a alta precisão dos dados do Sentinel 1. Isso é comprovado pelos altos valores do coeficiente de correlação ( tendo em vista os assentamentos geotécnicos históricos que afetam a área da pista. Neste contexto, é desenvolvido
s21175769 de correlação ( um estudo geoestatístico é desenvolvido para a análise exploratória dos dados espaciais e a interpolação dos dados do Sentinel-1A SAR. A análise geoestatística forneceu ampla informação sobre a continuidade espacial dos
dados do Sentinel 1 em comparação com os dados de alta resolução COSMO-SkyMed e os dados de nivelamento topográfico baseados no solo. Além disso, uma comparação entre os resultados PSI dos dados do Sentinel-1A SAR -
Editores Acadêmicos: Antonio Pepe e interpolados por meio da Krigagem Ordinária - e os dados de nivelamento topográfico de verdade demonstrou a alta precisão dos dados do Sentinel 1. Isso é comprovado pelos altos valores do coeficiente de correlação ( um estudo
Antonio Iodice geoestatístico é desenvolvido para a análise exploratória dos dados espaciais e a interpolação dos dados do Sentinel-1A SAR. A análise geoestatística forneceu ampla informação sobre a continuidade espacial dos dados do Sentinel 1 em
comparação com os dados de alta resolução COSMO-SkyMed e os dados de nivelamento topográfico baseados no solo. Além disso, uma comparação entre os resultados PSI dos dados do Sentinel-1A SAR - interpolados por meio da
o fim da vida útil dos pavimentos, aumento das cargas de tráfego, envelhecimento dos materiais,
corrosão dos vergalhões) destacou a importância do monitoramento de rotina e do planejamento
adequado das atividades de manutenção. Os países com um sistema de rede de transporte altamente
exposto aos efeitos de grandes eventos naturais estão investindo ativamente dinheiro para promover
procedimentos de gestão de ativos mais eficazes. É o caso da Itália, onde o Ministério dos Transportes e
Infraestruturas instou a implementar novas medidas para um monitoramento contínuo da
infraestrutura através do fornecimento de diretrizes específicas [3]
Dentro deste contexto, várias tecnologias de testes não destrutivos (NDT) e sensores baseados no
solo são usados para monitoramento de subsidência de infraestrutura. Entre outros, acelerômetros,
medidores de tensão, sistemas de rede sem fio, radar de penetração no solo (GPR) e sistemas de radar
interferométrico com base no solo, têm se mostrado eficazes para o fornecimento de informações mais
densas e sua incorporação em sistemas de gerenciamento de ativos mais funcionais, conforme relatado
na Tabela1.
Tabela 1. Tecnologias de teste não destrutivo (NDT) e sensores para monitoramento de subsidência e
deslocamento.
Acelerômetros [4-6]
Medidores de tensão [7]
Sistemas de rede sem fio [8]
Scanner a laser [9,10]
Sistema de posicionamento global (GPS) [11]
Radar de penetração no solo (GPR) [12-17]
Dados de nivelamento [18]
Interferômetro terrestre [19]
à sua posição real no solo, e (ii) a precisão das medições, devido à faixa de frequência limitada dos
sensores. Em condições específicas, especialmente em áreas urbanas com edifícios localizados nas
proximidades de infraestruturas de transporte, atribuir a informação PS diretamente aos
elementos de infraestrutura relevantes pode ser uma tarefa difícil. Assim, a utilização da resolução
média do solo neste caso continua a ser um desafio, devido à dimensão limitada das
infraestruturas em relação à resolução máxima de monitorização disponível.
Dentro desta estrutura, este estudo relata uma análise geoestatística para a investigação das
características de variabilidade espacial dos dados da Banda C e sua precisão em comparação aos
métodos convencionais baseados em solo. Para elaborar, dados de média resolução da Banda C foram
comparados com as informações coletadas por meio de nivelamento topográfico para monitoramento
de subsidência vertical em pistas de aeroportos. Além disso, a geometria de amostragem e a
variabilidade espacial dos dados da Banda C são comparados com os mesmos recursos dos produtos da
Banda X, que são referidos como as informações de referência em termos de precisão e exatidão dos
deslocamentos [31]
Onde φ flno, φ topo, φ def, φ atm, e φ barulho são os componentes de fase relacionados à superfície de
referência, topografia, deformações, retardo atmosférico e ruído, respectivamente.
Os deslocamentos são detectados relacionando a variação de fase do sinal entre as aquisições
progressivas ao movimento de um alvo sob investigação (Figura 1) Em detalhes, a abordagem geral é
comparar um conjunto de dados de imagens N SAR, coletados em momentos diferentes no mesmo
Sensores 2021, 21, 5769 4 de 28
área, computando a fase interferométrica (∆φ) como a diferença de fase, para cada N-1 pares
referidos à mesma imagem mestre. O componente relacionado às deformações do solo (φdef)
deve ser calculado a partir da Equação (1), que é proporcional à diferença de distância sensor-alvo
(∆r) dividido pelo comprimento de onda (λ) do sensor SAR, conforme expresso pela Equação (2):
4π
∆φde f = ∆r (2)
λ
Figura 1. (uma) Sensor SAR e layout de aquisição; (b) Princípios principais de funcionamento da técnica PS-InSAR, detectando a mudança
de fase (∆r) produzido por uma deformação do solo.
Uma detecção correta de PSs depende fortemente da estabilidade de fase, que é expressa como a
coerência de PS. O pixel selecionado como um PS candidato deve ter uma amplitude grande o suficiente para
dominar a célula de resolução, que permanece estável em termos de sua resposta eletromagnética (por
exemplo, os recursos de retroespalhamento são estáveis no tempo) em um conjunto de dados significativo de
imagens SAR. Assim, o componente de desordem afeta ligeiramente a fase (φ) devido à relação estatística entre
a estabilidade de amplitude calibrada e a estabilidade de fase.
Esta abordagem permite medir os deslocamentos do alvo através de múltiplas
aquisições de satélites pela separação entre a mudança de fase dos movimentos do solo e
aqueles relacionados às contribuições atmosféricas, topográficas e de ruído de sinal [26-29,
34] A técnica MT-InSAR é computacionalmente acessível e tem se mostrado eficaz na
avaliação de deslocamentos e na detecção de seções críticas [28,29]
Nos últimos anos, várias técnicas de MT-InSAR (ou seja, InSAR [26,27], Pequeno Subconjunto
de Linha de Base (SBAS) [24-28], SqueeSAR [25]) com base em diferentes abordagens para a
detecção de alvos PS (ou seja, coerência ou índice de estabilidade de amplitude), têm sido usados
para o monitoramento de infraestruturas de transporte, como ferrovias, rodovias, [35-39], pontes,
túneis [40-46], e pistas de aeroportos [47,48]
No entanto, os satélites SAR só podem detectar deslocamentos na linha de visão (LoS) do
sensor SAR, com referência ao ângulo de incidência específico relacionado à órbita. Portanto, o
deslocamento detectado é um componente do deslocamento real no solo. Diferentes métodos
têm sido propostos na literatura para contornar este problema e para avaliar o real deslocamento-
vetor-velocidade. Entre outros, isso pode ser alcançado por uma combinação entre as informações
de deslocamento LoS de dois conjuntos de dados diferentes adquiridos em geometrias de
aquisição Ascendente (Asc.) E Descendente (Desc.) [49,50]
MT-InSAR para monitoramento de infraestrutura aeroportuária: uma visão geral das aplicações e áreas
de pesquisa futura
Nos últimos anos, poucas pesquisas foram conduzidas sobre a aplicação da interferometria de
satélite no monitoramento de pistas de aeroportos. Principalmente, esses estudos não se concentraram
especificamente em sua inspeção, mas sim na avaliação de subsidência em grande escala envolvendo
sistemas aeroportuários, ou seja, o lado terrestre e o lado aéreo. Além disso, esta pesquisa teve como
objetivo principal relacionar os resultados do InSAR às principais características geológicas das áreas
investigadas, que geralmente são porções geotécnicas complexas de território que haviam sido
previamente reclamadas ao mar. Além disso, observa-se que falta pesquisas
Sensores 2021, 21, 5769 5 de 28
O mesmo tópico foi abordado por Liu et al. [53] Os autores usaram a abordagem SBAS InSAR
em imagens Sentinel-1 SAR adquiridas em geometria ascendente. O objetivo era monitorar os
assentamentos de solo após uma recuperação marítima da construção do Novo Aeroporto de
Xiamen, na China. O estudo relata informações significativas para fins de projeto de recuperação
de terrenos de aeroportos e os próximos estágios do processo de construção.
Mais recentemente, Gao et al. [54] apresentou pesquisa sobre o monitoramento de severas
deformações downlifting no Aeroporto Internacional de Pequim, China. Neste caso, os autores
demonstraram que os assentamentos não estavam relacionados aos efeitos da consolidação nas terras
marinhas recuperadas, mas principalmente na variação dos níveis do lençol freático. Uma investigação
do InSAR sobre os assentamentos diferenciais observados em uma das pistas do Aeroporto Internacional
Fiumicino em Roma, Itália, foi relatada por Bianchini et al. [48] Neste trabalho, imagens SAR X-Band
processadas destacaram a presença de deslocamentos verticais. Estes foram comparados com os
resultados de uma densa campanha de nivelamento conduzida ao longo de quatro anos. Os erros
limitados confirmaram que as análises PS-InSAR de imagens de alta frequência são muito eficazes na
reconstrução de deformações verticais em pistas de aeródromo.
Em geral, as pesquisas existentes têm demonstrado amplamente a eficácia das análises InSAR
para a interpretação de características geológicas e geotécnicas em áreas de interesse para aeroportos.
Além disso, esses estudos demonstram claramente a confiabilidade da técnica InSAR na reconstrução
dos deslocamentos verticais reais, com uma diferença muito limitada ao longo da banda de frequência
adotada e da geometria de aquisição, dada a direção principal quase vertical das deformações. No
entanto, ainda são observadas lacunas de conhecimento e de terreno para novas pesquisas e
desenvolvimentos no que diz respeito ao monitoramento por satélite dos sistemas aeroportuários e,
principalmente, das pistas. Embora os dados de satélite sejam, em alguns casos, comparados e
validados contra outras tecnologias e métodos estabelecidos (por exemplo, o uso de estações GNSS ou
pontos nivelados), a densidade espacial dessas informações verdadeiras é muito limitada na maioria dos
casos. Isso torna difícil avaliar a importância geoestatística desses dados, especialmente no nível local e
em seções críticas do sistema aeroportuário (por exemplo, no caso de ser necessário um
monitoramento detalhado dos deslocamentos nas pistas do aeroporto). Além disso, a falta de PSs e
pontos de medição de solo ainda limita e, em alguns casos, também pode inibir o
Sensores 2021, 21, 5769 6 de 28
disponibilização de monitorização contínua das pistas através de técnicas InSAR. Para elaborar, a
aplicação de abordagens InSAR convencionais pode ser restringida por limitações no número de
PSs em certas seções de pistas (por exemplo, devido a diferentes efeitos retroespalhados
relacionados à rugosidade do pavimento) [55] Isso pode abrir caminho para novas pesquisas com
foco na aplicação de métodos InSAR existentes com Dispersores Distribuídos (DS) apoiados por
análises geoestatísticas [56-58]
Dentro deste quadro, é justo observar que a pesquisa acima mencionada está principalmente
relacionada à investigação de padrões de deformação em uma escala mais ampla de inspeção por meio
da aplicação de técnicas InSAR. Por outro lado, uma avaliação mais detalhada das estruturas e
infraestruturas individuais do aeroporto usando dados de satélite de média resolução ainda está por ser
realizada. Nesse sentido, o fornecimento de informações relacionadas ao InSAR para integração em
APMSs mais avançados pode ser crucial para prever grandes falhas com antecedência e manter as infra-
estruturas aeroportuárias de maneira mais eficaz.
O conjunto de dados de resolução média analisado neste artigo deriva da missão Sentinel-1.
Este é o European Imaging Radar Observatory para a iniciativa conjunta Copernicus da Comissão
Europeia (CE) e da Agência Espacial Europeia (ESA). Esta missão é composta por uma constelação
de dois satélites, Sentinel-1A e Sentinel-1B [59] Como uma constelação de dois satélites orbitando
180◦ à parte, a missão cobre toda a Terra a cada seis dias. Nesse sentido, os dados do Sentinel-1
são ideais para fins de monitoramento de infraestrutura de transporte em vista de um tempo de
revisitação relativamente curto e uma grande cobertura de terra. Por outro lado, a resolução típica
do solo das imagens da Banda C (ou seja, 20 m de resolução de azimute e 5 m de resolução de
alcance para dados do Sentinel-1) pode ser uma limitação significativa para aplicativos de
transporte de redes de infraestrutura e ainda representa um desafio aberto.
Dentro desta estrutura, as principais peculiaridades e áreas de novidade relacionadas aos
conjuntos de dados de satélite e terrestres apresentados neste artigo são resumidas a seguir:
• A comparação entre medições de bancos de dados de satélite (média e alta resolução) e
medições de verdade do solo de nivelamento topográfico coletadas diretamente em
uma pista de aeroporto;
• Análise de um conjunto de dados de resolução média (Sentinel 1, Banda C) para o monitoramento
de deslocamentos em uma pista de aeroporto afetada por deformações conhecidas, incluindo uma
investigação de longo prazo para a adequação do sensor Sentinel-1 para detectar deslocamentos
na área de subsidência;
• As peculiaridades do conjunto de dados: a pista é construída em uma área plana, portanto, devido
aos requisitos de alto padrão de construção [60], isso pode ser assumido como uma estrutura
horizontal com assentamentos limitados e uniformemente distribuídos. Neste artigo, a eficácia da
resolução média da banda C é testada em um cenário onde assentamentos se formaram de forma
relativamente rápida no tempo e estão localizados em certas seções.
2.3. Métodos de análise de dados: uma visão geral sobre abordagens geoestatísticas e áreas de pesquisa
futura
Geoestatística [61,62] é um ramo da estatística que trata da análise de dados espaço-
temporais que representam os valores de uma propriedade físico-química de interesse. A
geoestatística é caracterizada por uma base teórica bem estabelecida e abordagens validadas e é
mais popular para o uso de algoritmos baseados em Krigagem de interpolação [61] Estes são
amplamente implementados em muitos pacotes de software e são ferramentas fundamentais para
uso em sistemas de informação geográfica [62] Além dos algoritmos de interpolação,
metodologias geoestatísticas também foram desenvolvidas para análises exploratórias de dados
espaciais (ESDA) e investigação de incertezas espaciais [61]
Os algoritmos baseados em krigagem, denotados como os melhores estimadores lineares não
tendenciosos (AZUL), são projetados para prever valores paramétricos em locais não amostrados. Isso
pode ser alcançado usando uma combinação linear ponderada de dados vizinhos, com pesos projetados
para obter uma predição imparcial com variação de predição mínima [63,64] A autocorrelação espacial
de dados (por exemplo, função de covariância ou variograma) desempenha um papel central no sistema
de equações normais [63], a ser resolvido para cálculo dos pesos de interpolação.
Sensores 2021, 21, 5769 7 de 28
Para este efeito, o esquema de ponderação é considerado como uma característica objetiva [65], pois
depende da estrutura espacial e estatística inerente dos dados.
A geoestatística se baseia na teoria da função aleatória [62] Consequentemente, a
distribuição espacial de uma propriedade físico-química é considerada como o resultado de uma
função aleatória espacial. A autocorrelação espacial bivariada dos dados é geralmente avaliada
com um variograma (Equação (3)):
N
1
γ (h) = )- z (você
α + h)]2 (4)
2N (h) ∑
[z (vocêα
α =1
como qualquer potencial variável secundária correlacionada. A presença potencial de uma tendência é
um fator importante na seleção do algoritmo de Krigagem mais adequado. Neste contexto, é
conveniente decompor a variável aleatória Z (você) em um componente estocástico residual R (você) e
um componente determinístico m (você) (5):
R (você) é uma função aleatória estacionária de segunda ordem (isto é, estacionariedade do valor
esperado, variância e variograma), com um valor esperado igual a zero; m (você) é a tendência,
geralmente representando padrões espaciais de longo alcance. A tendência / decomposição residual
permite lidar com a não estacionariedade de Z (você) filtrando o componente de tendência m (você) Os
algoritmos Ordinary Kriging (OK) e Universal Kriging (UK) [61], incluindo krigagem de regressão e
krigagem com deriva externa [61-65], use esta abordagem para lidar com tendências espaciais. O OK é
um dos algoritmos de krigagem mais flexíveis e práticos, sendo capaz de lidar com uma tendência m (
você) mudando suavemente no domínio de investigação, quando pode ser considerado constante
dentro de um subdomínio local móvel W (você)
Outras vantagens do uso de algoritmos de krigagem são as seguintes: (i) a possibilidade
de avaliar a incerteza de predição, por uma estimativa da variância de predição, e (ii) a
capacidade de interpolação entre suportes espaciais não pontuais, por meio do Bloco de
Krigagem algoritmo. A seleção de suportes de interpolação de área (em 2D) ou volumétrica
(em 3D) permite reduzir a variância da estimativa ao diminuir a resolução espacial [61-64]
Dentro desse quadro, as principais peculiaridades e novidades relacionadas às análises
geoestatísticas apresentadas neste artigo estão ligadas à possibilidade de comparação de
variogramas do InSAR e dados de nivelamento. Mais especificamente, a disponibilidade de dados
de nivelamento de verdade permite as seguintes operações:
• Investigar sua variabilidade espacial ao longo da pista, que é afetada por
deslocamentos de diferentes escalas (tamanho e distribuição espacial);
• Otimizar o modelo de ajuste para fins de interpolação;
• Explorar as características de variabilidade dos dados de satélite (média e alta
resolução).
3. Meta e objetivos
O principal objetivo da pesquisa apresentada neste artigo é investigar a aplicabilidade de
imagens de sensoriamento remoto de satélite de média resolução (Banda C) (por exemplo, dados
da missão Sentinel 1 A) para o monitoramento de rotina de longo prazo de milímetro escala de
deslocamentos em pavimentos de pistas de aeroportos. Para tanto, é apresentado um estudo de
caso onde a “Pista n.3” do “Aeroporto Internacional Leonardo Da Vinci” em Fiumicino, Roma, Itália,
foi monitorada com dados de satélite Sentinel-1A de média resolução e alta resolução COSMO
SkyMed , bem como com nivelamento topográfico. A pista foi tomada como um estudo de caso
explicativo tendo em vista os assentamentos geotécnicos históricos que afetam sua área.
Para quantificar os deslocamentos obtidos por meio das tecnologias baseadas em satélite e validá-
los com medidas de nivelamento topográfico local, uma abordagem geoestatística foi adotada com base
em dois objetivos principais de investigação. O primeiro está relacionado à geometria de amostragem
dos dados do Sentinel, que é caracterizada por agrupamento e densidade espacial relativamente baixa.
Consequentemente, com esses dados, a precisão dos valores interpolados nos nós da grade ou em
pontos de interesse (por exemplo, os pontos de nivelamento) pode ser significativamente afetada pela
abordagem de interpolação adotada. Um segundo aspecto importante é a necessidade de estudar a
estrutura de continuidade espacial dos dados do Sentinel, também em comparação com os dados de
nivelamento do solo e os dados COSMO-SkyMed.
Sensores 2021, 21, 5769 9 de 28
Para atingir o objetivo principal desta pesquisa, os objetivos definidos são os seguintes:
• Medir e avaliar a adequação dos dados SAR Sentinel 1 (Banda C) para monitorar deslocamentos de
pavimentos de pistas de aeroportos em uma escala temporal plurianual por meio da técnica de
monitoramento PSI baseada em satélite;
• Comparar os resultados obtidos pela técnica PSI com as medidas recolhidas através de uma
campanha de nivelamento topográfico denso, através de uma análise geoestatística;
• Avaliar a viabilidade da análise geoestatística proposta como uma abordagem de investigação
confiável para a comparação de informações de deslocamento baseadas em satélite e terrestres,
bem como uma ferramenta para a integração de informações baseadas em satélite no APMS de
próxima geração para melhorar a manutenção atual estratégias.
4. Metodologia
A metodologia apresentada neste artigo é baseada em duas etapas principais. A aquisição e
processamento de dados de satélite e terrestres para monitoramento de deslocamento em pistas de
aeroportos são apresentados inicialmente, seguidos de um estudo geoestatístico.
Para elaborar, uma primeira etapa da metodologia visa avaliar os valores de velocidade
média dos deslocamentos (mm / ano) para os Espalhadores Persistentes (PSs) detectados. Este
procedimento foi conduzido usando os conjuntos de dados Sentinel 1-A e COSMO-SkyMed SAR de
alta resolução. Mais especificamente, é avaliada a decomposição dos deslocamentos dos dados do
Sentinel 1 nas direções vertical e horizontal. Paralelamente, são implementadas a aquisição e
análise dos deslocamentos coletados in loco por nivelamento topográfico. Para a segunda etapa
da metodologia apresentada, é relatado um estudo geoestatístico para a análise exploratória dos
dados espaciais e a interpolação dos dados SAR Sentinel-1. A metodologia implementada é
apresentada no fluxograma da Figura2.
A principal desvantagem está relacionada aos altos custos da etapa de coleta de dados in loco e
sua logística complexa. O tráfego nas pistas deve ser interrompido durante as pesquisas (ou seja,
a pista deve ser fechada), portanto, não pode ser realizado em intervalos curtos regulares no
tempo.
Neste estudo, um conjunto de dados de cinco anos de medidas de nivelamento topográfico foi
coletado com uma frequência de tempo de um ano, para um número total de 466 pontos nivelados. Para
cada ponto nivelado do conjunto de dados, foi possível avaliar a tendência dos deslocamentos e,
portanto, calcular a velocidade média de deformação no período de referência.
Dois conjuntos de dados de imagens SAR com diferentes frequências de operação foram adquiridos. Os
detalhes desses conjuntos de dados são fornecidos na Seção5,2. Em seguida, as imagens foram processadas
pela aplicação da técnica PSI.
A técnica PSI realizada neste artigo opera pela aplicação de uma abordagem de múltiplos
estágios, que foi baseada em uma sequência das seguintes etapas cronológicas [26,28,29]:
• Criação dos “Gráficos de Conexões” onde é selecionada uma imagem Master para
permitir a identificação das conexões para a formação dos interferogramas. Em seguida,
uma análise estatística das amplitudes da resposta eletromagnética é realizada pixel a
pixel para calcular o Índice de Dispersão de Amplitude. A imagem mestre de referência
foi selecionada entre aquelas adquiridas no meio do domínio temporal e perpendicular
da linha de base, para minimizar o espaço e decorrelações temporais. Portanto, os
interferogramas correspondentes para cada par de imagens mestre-escravo são
calculados.
• A segunda etapa é baseada na identificação dos Persistent Scatterer Candidates (PSCs),
selecionados pelo cálculo dos valores do índice de dispersão de amplitude relativos a cada
pixel. Os PSCs são pixels, associados à célula de resolução do sensor SAR, com um valor de
índice de estabilidade superior a um limite fixo (normalmente de 0,25). A fase
interferométrica∆φeu é calculado para qualquer PSC, em qualquer euinterferograma.
• As contribuições da fase atmosférica (φatm), bem como os efeitos orbitais e relacionados ao
ruído (φbarulho) são avaliados e removidos da fase interferométrica (∆φeu), para identificar a
mudança de fase exclusivamente relacionada às variações de alcance. Para elaborar, a fase
topográfica (φtopo) é removido usando o Modelo Digital de Elevação (DEM) adquirido no
âmbito da Missão Topográfica do Radar Shuttle (SRTM), com uma resolução de pixel de 3
segundos de arco (90 × 90 m). É disponibilizado pela Administração Nacional de Aeronáutica e
Espaço (NASA) em parceria com o Serviço Geológico dos Estados Unidos (USGS). A resolução
DEM é adotada considerando que a área investigada para a pista do aeroporto é plana e os
valores de fase são levemente afetados por este parâmetro.
5. Estudo de Caso
5.1. Área de Investigação
A área de estudo está localizada no Aeroporto Internacional “Leonardo Da Vinci” em Fiumicino,
Roma, Itália. O aeroporto transporta a maior parte do tráfego aéreo intercontinental de e para o
território italiano, e é classificado como o principal aeroporto nacional e um dos mais trafegados a nível
internacional. O sistema aeroportuário do aeroporto é composto por três pistas com capacidade para 90
movimentos / hora de aeronaves, incluindo operações de decolagem e pouso. No entanto, seu layout
original era formado por apenas duas pistas. Seguindo uma demanda crescente nos volumes de tráfego
aéreo, uma terceira pista (ou seja, Pista n.3 na Figura3) foi de fato realizado nos anos 70 e localizado na
área Nordeste do aeroporto, ao lado da direção Norte-Sul. Além disso, os relatórios do "Plano de
Desenvolvimento do Aeroporto" prevêem um aumento no fluxo de tráfego aéreo de aproximadamente
40 milhões de passageiros / ano (ano de 2014) para 65 milhões de passageiros / ano em 2027, elevando
a capacidade do sistema do lado ar atual para 120 movimentos de aeronaves / h . Além disso, o “Plano
Diretor 2030” [72] definiu novos rumos para a construção de uma quarta pista, a expansão para leste dos
pátios de aeronaves, a construção de novas infra-estruturas de voo e um novo sistema de terminais para
suportar um esperado aumento da procura de tráfego aéreo.
Sensores 2021, 21, 5769 12 de 28
Figura 3. (uma) Área de interesse e pegada das cenas master do Sentinel-1 selecionadas para trilhas ascendentes e descendentes. ALOS
World DSM usado como pano de fundo; (b) Vista de satélite do Aeroporto Internacional “Leonardo Da Vinci” e área de localização da Pista
n.3 (Google Earth Image, 2015); (c) Configuração geológica da pista n.3.
As imagens SAR foram adquiridas no âmbito da missão Sentinel 1A, na ordem ascendente (ou
seja, com o satélite orbitando de sul para norte, olhando na direção leste) e descendente (ou seja,
com o satélite orbitando de norte para sul, olhando no Geometrias de aquisição na direção oeste),
enquanto os produtos COSMO-SkyMed SAR usados dependem de uma única geometria de
aquisição (decrescente). A primeira etapa consiste em identificar os deslocamentos detectados no
LoS dos sensores do satélite. Os conjuntos de dados foram processados usando a técnica PSI,
conforme descrito na Seção4.1.2. Os dados SAR do Copernicus Sentinel-1 cobriram o período entre
abril de 2017 e dezembro de 2019. Os produtos SAR X-Band, cobrindo o período entre novembro
de 2016 e dezembro de 2019, foram adquiridos pela missão COSMO-SkyMed. As principais
características das missões Sentinel-1 e COSMO-SkyMed são relatadas na (Tabela2)
Mesa 2. Principais características do conjunto de dados de imagens SAR das missões Sentinel 1 ESA (Agência Espacial Europeia) e
COSMO-SkyMed — Agência Espacial Italiana (ASI).
Figura 4. Exemplo de levantamento de nivelamento topográfico para monitoramento de pista de aeroporto [74]
6. Resultados e discussão
6.1. Técnicas de monitoramento de deslocamento: interferometria de dispersores persistentes (PSI) e
investigações de nivelamento topográfico
Figura 5. Gráficos de conexão de: Posição-Tempo (uma,c,e) e linha de base do tempo (b,d,f) parcelas de: Sentinela 1A
Ascendente (uma,b); Sentinela 1A descendente (c,d); COSMO-SkyMed descendente (e,f) conjuntos de dados. A exibição
dos dados é em relação à imagem mestre (indicada em amarelo) e aos escravos (pontos verdes), que foram
identificados para o cálculo dos interferogramas.
Sensores 2021, 21, 5769 15 de 28
Os resultados das fases de processamento PSI são relatados na Figura 6, em termos das
saídas PS dos conjuntos de dados SAR da Banda C e X-Band.
Figura 6. Resultados do PSI na área de estudo identificada na LoS: ascendente (uma) e descendente (b) geometria para o Sentinel-1; geometria
descendente para o COSMO-SkyMed (c) conjuntos de dados. A exibição de dados é realizada em relação à tendência média de velocidade. A
subsidência do solo é claramente visível na área de interesse (marcada com uma área retangular tracejada vermelha).
As saídas PS foram importadas para um ambiente GIS e exibidas como uma função da
velocidade média anual de movimento. Os pontos verdes são referidos aos espalhadores estáveis
com uma velocidade de deslocamento variando de-4 mm / ano a +4 mm / ano. Figura6 fornece
uma visão geral das velocidades médias anuais de LoS estimadas a partir dos dados do Sentinel e
do COSMO-SkyMed.
O mapa de cores da figura refere-se a deslocamentos na faixa [-25 ÷ +25] mm / ano. Em toda a área
do aeroporto, foi possível detectar vários PSs mostrando uma tendência coerente de deformação para
ambos os conjuntos de dados SAR. Vários PSs, principalmente localizados nas proximidades da Pista n.3,
são afetados por uma tendência de levantamento para baixo das deformações. Em detalhes, Figura6
mostra claramente que a pista n. 3 pode ser dividido em duas áreas distintas da direção Norte para Sul,
ou seja, uma área estável na parte norte da pista (deslocamentos relatados em verde), e uma área sul
afetada por assentamentos mais elevados (deslocamentos relatados em vermelho).
É importante notar que, como o sensor SAR pode detectar deslocamentos em referência
apenas ao ângulo de incidência do LoS, o deslocamento detectado é um componente do vetor de
velocidade real no solo.
Para investigar a decomposição e a real direção dos deslocamentos, os PSs obtidos pelo
processamento MT-InSAR dos dados do Sentinel 1 foram pós-processados e comparados
(Figura 7) Esses dados foram adquiridos em ambas as geometrias de aquisição.
Independentemente da geometria de aquisição específica, o deslocamento LoS (Dlos) é uma
projeção de um vetor de deslocamento tridimensional [47,49,50]:
Sob esta suposição, é possível avaliar o componente vertical real dos deslocamentos PS
se ambas as geometrias de aquisição estiverem disponíveis, resolvendo o seguinte sistema
de equações [47,49]:
[] [ ][ ]
dASC cos (ϑ ASC) - sn
euϑ(ASC) cos (βASC) dv
= (7)
dDESC cos (ϑDESC) - pecado(ϑDESC) cos (βDESC) de
Figura 7. Resultados PSI identificados na área de estudo no LoS em (uma) ascendente e (b) geometrias descendentes do conjunto de dados do Sentinel 1. O
baixo-a área de levantamento afetada pela subsidência, representada por pontos vermelhos, é claramente visível em ambos os conjuntos de dados. O mapa
base é obtido do Google Maps.
Como na maioria dos casos, não é possível associar um PS dado aleatoriamente obtido de uma
geometria de aquisição a outro PS com as mesmas coordenadas, mas geometria de aquisição diferente,
abordagens geoestatísticas, por exemplo, o uso de grades interpoladas, são necessários para combinar
os conjuntos de dados . No entanto, o uso de informações interpoladas, especialmente no caso de
conjuntos de dados Sentinel 1 de média resolução, implica que novas incertezas podem ser introduzidas
e afetar a interpretação dos resultados. Isso pode ser um limite da técnica PSI para inspeções em
pavimentos, dada a variabilidade espacial relativamente alta de defeitos e falhas. Consequentemente,
antes da aplicação da Equação (7) ao banco de dados PS investigado, uma análise comparativa dos dados
do Sentinel-1 adquiridos com diferentes geometrias de órbita foi realizada. Portanto, isso permite avaliar
o impacto de negligenciar o componente de deslocamento horizontal a partir da análise de
deslocamentos. Esta suposição está de acordo com as condições planas para a área pesquisada e a
correlação entre o modo de carregamento e o tipo de deslocamentos esperados na pista.
Especificamente parade = 0 Equação (7) pode ser resolvida como dASC = dDESC, ou seja, é possível avaliar a
adequação do modelo em negligenciar de
comparando os deslocamentos no LoS de ambas as geometrias de aquisição.
Sensores 2021, 21, 5769 17 de 28
Para isso, cada PSASC foi comparado em termos de velocidade de deslocamento (mm /
ano) com o valor médio do PSDESC localizado em um raio de 20 m do PSASC posição, que está
alinhada com a resolução de solo do sensor. O resultado desta operação é mostrado na
Figura8.
Figura 8. (uma) Dispersão-traçar e (b) plot regular da comparação entre os valores de velocidade de deslocamento dos PSs adquiridos
nas duas geometrias de aquisição.
dv = DDESC (8)
cos (θDESC)
Portanto, os deslocamentos de verdade do solo por nivelamento topográfico na Pista n.3 (consulte
a Seção 5.2.2) foram usados para calcular a precisão do modelo geoestatístico derivado do
processamento InSAR no conjunto de dados C-Band. O resultado dessas análises permitiu detectar e
quantificar deslocamentos em escala milimétrica e sua velocidade média de deformação no intervalo de
tempo investigado (Figura9) Essas informações foram fundamentais para a validação dos
deslocamentos detectados pela técnica PSI.
Sensores 2021, 21, 5769 18 de 28
Figura 9. Layout dos dados de nivelamento coletados no local ao longo da Pista n.3: (uma) Densidade dos pontos de medição
no terreno na área interessada pelo aluimento (região Norte da pista); (b) Densidade dos pontos de medição na área estável da
pista (região sul da pista).
Figura 10. Post-maps classificados (classificação de quantis) dos deslocamentos do solo registrados por (uma) Nivelamento; (b)
Sentinela-1; (c) COSMO-SkyMed. O mapa base é uma ortofoto de satélite do sensor Sentinel 2 (ESA-Copernicus).
Sensores 2021, 21, 5769 19 de 28
Os PSs derivados do processamento PSI dos conjuntos de dados Sentinel-1 e COSMO-SkyMed SAR
são caracterizados por diferentes redes de amostragem, tanto em termos de densidade de amostragem
espacial quanto de agrupamento espacial. Isso está relacionado às diversas frequências de operação
que fornecem diferentes resoluções de pixel. No caso das imagens Sentinel-1, os dados são agrupados
ao longo de linhas orientadas na direção NE-SW; os valores médios de espaçamento são 14 me 3,9 m
nas direções NW-SE e NE-SW, respectivamente.
Semelhante aos dados de Nivelamento e COSMO-SkyMed, os dados do Sentinel 1 também
são caracterizados por uma distribuição bimodal clara, conforme mostrado na Figura 11, devido a
diferentes tendências de assentamento entre as áreas Norte e Sul da pista. Do ponto de vista da
estatística espacial, não foi considerado necessário dividir o conjunto de dados em mais dois
subconjuntos, ou seja, a zona Sul (alta subsidência) e a zona Norte (baixa subsidência), conforme
relatado na Figura10. Para elaborar, a análise interativa da nuvem de variograma e os
variogramas direcionais desenvolvidos para as duas zonas não destacaram nenhuma diferença
notável entre as áreas norte e sul. Além disso, é importante mencionar que uma abordagem
estratificada [61] não contribuiria significativamente para melhorar a qualidade dos resultados,
mas poderia aumentar a complexidade da análise, devido à grande quantidade de dados
disponíveis.
Figura 11. Histogramas e estatísticas principais de nivelamento (uma), Sentinela 1 (b), e COSMO-SkyMed (c) dados.
No entanto, é justo dizer que em outras circunstâncias, por exemplo, estudos envolvendo áreas
maiores com uma maior heterogeneidade nos padrões espaciais das deformações do solo, abordagens
estratificadas ou localmente adaptativas [75] poderia ser necessário em vez disso, incluindo uma grande
complexidade da abordagem adotada e da implementação do software.
Dados do Sentinel-1 (Figura 12) são caracterizados por uma anisotropia em sua continuidade
espacial, com a direção da continuidade espacial máxima alinhada com a direção da pista (ou seja,
direção 340◦) e a continuidade espacial mínima na direção transversal (ou seja, direção 70◦) Esta
observação foi confirmada também para os dados de Nivelamento e COSMO-SkyMed. A
possibilidade de atribuir essa anisotropia à presença de uma tendência também foi avaliada. No
entanto, os padrões espaciais de assentamentos têm se mostrado bastante complexos para serem
modelados pelo uso de funções polinomiais simples [61] Conseqüentemente, essa anisotropia foi
considerada como relacionada ao componente estocástico da função aleatória. A validade desta
suposição pode ser considerada aceitável, uma vez que o cálculo do variograma foi realizado para
distâncias relativamente curtas (até 80 m), para reduzir o impacto de potenciais tendências de
longo alcance e considerando a largura limitada da pista (Figura13)
Sensores 2021, 21, 5769 20 de 28
Figura 12. (uma) Mapa de variograma e (b) variogramas direcionais (direção dos pontos pretos 340◦, branco 70◦
) dos dados Sentinel 1, mostrando uma maior continuidade espacial na direção da pista (ou seja, 340◦)
Figura 13. Comparação entre os variogramas direcionais (círculo vazio 70◦ e direção do círculo completo 340◦),
do Sentinel 1 (preto), do COSMO-SkyMed (azul) e dos dados de nivelamento topográfico (vermelho).
A análise dos variogramas direcionais para os dados do Sentinel 1 permitiu sua comparação
com a semivariância obtida pelo nivelamento topográfico. Esta operação é possível devido à
disponibilidade de um conjunto de dados muito denso de pontos nivelados de verdade ao longo
de todo o desenvolvimento transversal da pista do aeroporto. Seguindo um procedimento de
investigação iterativa, uma análise geoestatística foi realizada para os dados Sentinel 1, o COSMO-
SkyMed e os dados de nivelamento de verdade para definir um valor máximo para a distância de
interpolação.
Os altos valores de pepita e variabilidade dos dados do Sentinel-1 implicam inevitavelmente que as
interpolações de krigagem são caracterizadas por variações de previsão relativamente altas, com uma
variação de previsão mínima de 7 mm.2/ y2 (ou seja, um desvio padrão de 2,65 mm / ano).
O variograma experimental foi ajustado por um modelo de potência anisotrópica, que é um
variograma ilimitado (Figura 14) Dadas as características espaciais dos dados, um algoritmo OK foi
selecionado para interpolar os dados do Sentinel-1 nos pontos da seção Nivelamento.
Sensores 2021, 21, 5769 21 de 28
Figura 15. (uma) Histograma do erro de validação cruzada (CV); (b) histograma do erro calculado em termos da
diferença de velocidade (VSentinela -VNivelamento)
Isso relata diagnósticos relativamente bons (Tabela 4), incluindo a ausência de correlação
espacial nos resíduos para as distâncias modeladas. Para distâncias maiores que 80 m na direção
70◦, sinais de uma estrutura espacial nos resíduos são identificados, devido às tendências de longo
alcance não modeladas.
Sensores 2021, 21, 5769 22 de 28
Tabela 4. Resultado do CV do PSI derivado do Sentinel 1 interpolado pela Krigagem Ordinária e do Erro entre o Sentinel 1 OK e o
nivelamento topográfico.
Parâmetros estatísticos do modelo de potência da sentinela 1 de krigagem ordinária - validação cruzada (CV)
Parâmetros estatísticos: Erro Sentinela de Krigagem Ordinária no Nivelamento Topográfico (mm / ano)
Além disso, uma comparação entre os resultados de PSI do datainter Sentinel-1A SAR polado
por meio de uma Krigagem Ordinária - e os dados de nivelamento topográfico de verdade
demonstraram uma alta precisão dos dados do Sentinel 1. Isso é comprovado pelos altos valores
do coeficiente de correlação (r = 0,94), o múltiplo Rcoeficiente -quadrado (R2 = 0,88) e o valor da
inclinação (0,96), conforme relatado na Figura 16.
Figura 16. Gráfico de dispersão das deformações Sentinel-1 interpoladas versus as deformações de nivelamento, com
linha de regressão e diagnósticos de ajuste relacionados.
As características do variograma dos dados do Sentinel-1 são inesperadas até certo ponto. O
maior suporte da pegada Sentinel-1 deve de fato levar a uma regularização do variograma [75] e,
portanto, para valores mais baixos em comparação com os dados de nivelamento ou COSMO-
SkyMed. Por sua vez, estes devem ser representativos de um suporte espacial muito menor. A
maior variabilidade espacial geral dos dados do Sentinel-1 indica a presença de ruído mais alto, o
que pode estar mais provavelmente relacionado a restrições de precisão nas medições de
deformação (associadas à frequência da banda C do sensor SAR), ou a localização de os PSs na
célula de resolução.
Como uma avaliação qualitativa da confiabilidade da análise, a Figura 17 mostra uma visão
comparativa dos valores de velocidade de deslocamento (mm / ano) dados pelo nivelamento
topográfico e pelo componente vertical do Sentinel-1 PSI, interpolados por um modelo de
Krigagem Ordinária. Portanto, foi possível computar os valores de velocidade, nas posições exatas
medidas pelo nivelamento topográfico. Uma comparação visual dos resultados, agrupados em
baixo (Figura17a – d), intermediário (Figura 17b – e), e grave (Figura 17c – f) condições de
deslocamento, preliminares indicam uma notável confiabilidade dos dados de satélite.
Figura 17. Comparação entre a velocidade obtida por nivelamento topográfico (topo) e os componentes verticais do PS-InSAR derivados
dos dados de Sentinel 1 SAR, interpolados por uma Krigagem Ordinária (parte inferior), em relação a (uma-d) baixo (de 2600 m a 3200 m
na direção N), (b-e) intermediário (de 1900 m a 2600 m na direção N), e (c-f) condições de deslocamento severas (de 850 m a 1620 m na
direção N).
Como uma comparação quantitativa das observações acima, a Figura 18 mostra a velocidade de
deslocamento dos perfis de levantamento para a componente vertical dos dados PSI Sentinel-1,
interpolados por Krigagem Ordinária e os perfis de levantamento longitudinal por nivelamento
topográfico em relação ao espaço (WGS84 N Coordinate). É possível notar que conforme a tendência de
deslocamento atinge valores superiores a 15 mm / ano (por exemplo, ver Figura18b, c), o método PSI
acaba subestimando levemente a taxa de deformação. No entanto, além desta observação específica de
nivelamento topográfico no local, a Figura18 amplamente confirma a eficácia do
Sensores 2021, 21, 5769 24 de 28
os dados do Sentinel-1 processados pela técnica PSI e interpolados por uma Krigagem Ordinária
pista.
Figura 18. Tendências de velocidade de deslocamento dos componentes verticais dos dados PSI Sentinel-1 interpolados por uma Krigagem
Ordinária (marcadores de cruz vermelha) e perfis de levantamento longitudinal (uma-e) P1 a P5 por nivelamento topográfico (marcadores
quadrados azuis); (f) representação do perfil ao longo das pistas.
Com referência à metodologia discutida neste artigo, a técnica apresentada por radar de abertura
sintética interferométrica multitemporal (MT-InSAR) foi eficaz na detecção de áreas sujeitas a
potenciais subsidência ativa e deslocamentos diferenciais de levantamento para baixo.
As principais conclusões desta pesquisa podem ser resumidas da seguinte forma:
• Os conjuntos de dados SAR Sentinel1 (Banda C), processados por meio da técnica PSI, permitem detectar
deslocamentos da pista do aeroporto e quantificar sua velocidade de movimento (mm / ano) com alta
precisão e níveis de correlação (por exemplo, coeficiente de correlação (r = 0,94)), em comparação com os
dados de nivelamento topográficos estabelecidos no local.
• A análise geoestatística proposta com base na abordagem de Krigagem Ordinária (OK) pode
ser implementada com sucesso para comparar os resultados obtidos pela aplicação da
técnica PSI a dados Sentinel-1 de média resolução com as medições coletadas usando o
método de nivelamento topográfico baseado em solo. Isso é comprovado pelos altos valores
do múltiploRcoeficiente -quadrado (R2 = 0,88) e uma inclinação de 0,96.
• A análise geoestatística apresentada provou ser eficaz na comparação de informações de
deslocamento baseadas em satélite e em solo para monitoramento de pista de aeroporto. As
informações relativamente densas obtidas através da técnica InSAR, bem como as condições
controladas e o estrito cumprimento dos elevados padrões de qualidade do pavimento e das
operações na gestão do tráfego aeroportuário, prestam-se à incorporação em investigações
geoestatísticas especializadas de deslocamentos estruturais em escala milimétrica. As informações
podem ser cruciais para inclusão na próxima geração de Sistemas de Gerenciamento de Pavimento
de Aeroportos (APMSs).
Pesquisas futuras poderiam se encarregar de análises geoestatísticas adicionais para o
monitoramento estrutural de pistas de aeroportos usando tecnologia terrestre não destrutiva integrada
para superfície (por exemplo, scanner a laser [9]) e subsuperficial (por exemplo, Ground Penetrating
Radar (GPR), Falling Weight Deflectometer (FWD) [14-16,76]) caracterização dos deslocamentos em pistas
e a melhoria das suas condições de segurança de operação.
Contribuições do autor: Conceptualização, VG, LBC, ST, FT, FD; metodologia, VG, LBC, ST, FD, AB,
AMA, FT; software, VG, LBC, ST; validação, VG, LBC, ST e FT; análise formal, VG, LBC, ST, FT;
investigação, VG, ST; redação - preparação do esboço original, VG, LBC, ST, FD, AB, AMA, FT;
redação - revisão e edição, VG, LBC, ST, FD, AB, AMA,
FT; supervisão, FD, AB, AMA, FT Todos os autores leram e concordaram com a versão publicada do
manuscrito.
Financiamento: Esta pesquisa se insere no Projeto Nacional “Análise de Resiliência Estendida de Redes
de Transporte” (EXTRA TN), PRIN 2017, Prot. 20179BP4SM apoiado pelo Ministério Italiano da Educação,
Universidade e Pesquisa (MIUR). Além disso, os autores agradecem o financiamento do MIUR, no âmbito
da “Iniciativa Departamentos de Excelência 2018–2022”, atribuída ao Departamento de Engenharia da
Universidade Roma Tre.
Agradecimentos: Os autores agradecem à Agência Espacial Européia (ESA), por fornecer os produtos
Sentinel 1 SAR para o desenvolvimento desta pesquisa. Os produtos COSMO-SkyMed— © ASI: Agência
Espacial Italiana, 2017–2019, Todos os direitos reservados- são © da ASI (Agência Espacial Italiana) e
fornecidos pela ASI sob licença de uso. A licença para usar o software SARscape® integrado no software
ENVI® é concedido pelo projeto aprovado pela Agência Espacial Europeia (ESA) “STRAIN2”, proposta
EOhops ID 53071. Além disso, os autores expressam sua profunda gratidão a GRSSrl por fornecer o
banco de dados de nivelamento topográfico e pela valiosa contribuição na interpretação dos resultados.
Referências
1. Chang, PC; Flatau, A .; Liu, SC Artigo de Revisão: Monitoramento da Saúde da Infraestrutura Civil.Struct. Health Monit.2003, 2, 257–267. [
CrossRef]
2. Nourzad, SHH; Pradhan, A. Vulnerabilidade de Sistemas de Infraestrutura: Análise Macroscópica de Interrupções Críticas em Redes Rodoviárias.J.
Infraestrutura. Syst.2016, 22, 04015014. [CrossRef]
Sensores 2021, 21, 5769 26 de 28
3. Ministério Italiano de Infraestrutura e Transporte. Orientações para a Classificação e Gestão do Risco, Avaliação da Segurança e
Monitorização das Pontes Existentes. 2020. Disponível online:www.mit.gov.it/sites/default/files/media/ notizia / 2020-05 /
1_Testo_Linee_Guida_ponti.pdf (acesso em 21 de setembro de 2020).
4. Cavalagli, N .; Kita, A .; Falco, S .; Trillo, F .; Costantini, M .; Ubertini, F. Interferometria de radar de satélite e medições in-situ para monitoramento
estático de monumentos históricos: o caso de Gubbio, Itália.Controlo remoto. Sens. Environ.2019, 235, 111453. [CrossRef]
5. Meng, X .; Dodson, AH; Roberts, GW Detectando a dinâmica da ponte com GPS e acelerômetros triaxiais.Eng. Struct.2007, 29,
3178-3184. [CrossRef]
6. Chen, K .; Lu, M .; Fan, X .; Wei, M .; Wu, J. Monitoramento das condições da estrada usando acelerômetro de três eixos e sensor GPS. Em
Proceedings of the 2011 6th International ICST Conference on Communications and Networking in China (CHINACOM), Harbin, China,
17–19 de agosto de 2011; pp. 1032–1037.
7. Olund, J .; DeWolf, J. Passive Structural Health Monitoring of Connecticut's Bridge Infrastructure.J. Infraestrutura. Syst.2007, 13, 330–339. [
CrossRef]
8. Chae, MJ; Yoo, HS; Kim, JY; Cho, MY Desenvolvimento de um sistema de rede de sensores sem fio para monitoramento da integridade de pontes
suspensas.Autom. Constr.2012, 21, 237-252. [CrossRef]
9. Barbarella, M .; Di Benedetto, A .; Fiani, M .; Guida, D .; Lugli, A. Uso de DEMs derivados de dados TLS e HRSI para reconhecimento de características de
deslizamento de terras.ISPRS Int. J. Geo-Inf.2018, 7, 160. [CrossRef]
10. Riveiro, B .; Morer, P .; Arias, P .; de Arteaga, I. Varredura a laser terrestre e análise de limite de pontes em arco de alvenaria.Constr. Construir.
Mater.2011, 25, 1726-1735. [CrossRef]
11. Sato, HP; Abe, K .; Ootaki, O. Subsidência de terra medida por GPS na cidade de Ojiya, Prefeitura de Niigata, Japão.Eng. Geol.2003, 67, 379–390. [
CrossRef]
12. Alani, AM; Aboutalebi, M .; Kilic, G. Aplicações de radar de penetração no solo (GPR) em monitoramento e avaliação de convés de pontes.
J. Appl. Geophys.2013, 97, 45–54. [CrossRef]
13. Alani, AM; Aboutalebi, M .; Kilic, G. Estratégia de avaliação de saúde integrada usando END para pontes de concreto armado.NDT E Int.
2014, 61, 80–94. [CrossRef]
14. Benedetto, A .; Tosti, F .; Ciampoli, LB; D'Amico, F. Uma visão geral das técnicas de processamento de sinais de radar de penetração no solo para inspeções
de estradas.Processo de Sinal. 2017, 132, 201–209. [CrossRef]
15. Ciampoli, LB; Artagan, SS; Tosti, F .; Gagliardi, V .; Alani, A .; Benedetto, A. Uma investigação comparativa dos efeitos dos dormentes de
concreto no sinal GPR para a avaliação do lastro ferroviário. In Proceedings of the 17th International Conference on Ground
Penetrating Radar (GPR), Rapperswil, Switzerland, 18-21 June 2018; pp. 1–4. [CrossRef]
16. Solla, M .; Pérez-Gracia, V .; Fontul, S. A Review of GPR Application on Transport Infrastructures: Troubleshooting and Best
Practices.Remote Sens. 2021, 13, 672. [CrossRef]
17. Solla, M .; Lorenzo, H .; Rial, F .; Novo, A. Radar de penetração no solo para avaliação estrutural de pontes de alvenaria: Resultados e ferramentas
interpretativas.Constr. Construir. Mater.2012, 29, 458–465. [CrossRef]
18. Mossop, A .; Segall, P. Subsidence no Geysers Geothermal Field, N. Califórnia a partir de uma comparação de GPS e levantamentos de
nivelamento.Geophys. Res. Lett.1997, 24, 1839–1842. [CrossRef]
19. Stabile, TA; Perrone, A .; Gallipoli, M .; Ditommaso, R .; Ponzo, FC Levantamento Dinâmico da Ponte Musmeci por Aplicação Conjunta de
Interferometria de Radar de Microondas Baseada no Solo e Técnicas de Razão Espectral Padrão de Ruído Ambiente.IEEE Geosci. Sensor
remoto Lett.2013, 10, 870-874. [CrossRef]
20. Tosti, F .; Alani, AM; Benedetto, A .; Loizos, A .; Soldovieri, F. Guest Editorial: Avanços recentes em métodos de teste não
destrutivos.Surv. Geophys.2020, 41, 365-369. [CrossRef]
21. Tosti, F .; Benedetto, A .; Ciampoli, LB; D'Amico, F .; Plati, C .; Loizos, A. Convidado Editorial: Fusão de dados, integração e avanços de
métodos de teste não destrutivos em engenharia civil e ambiental.NDT E Int. 2020, 115, 102286. [CrossRef]
22. Solla, M .; Lagüela, S .; Samambaiaumandez, N .; Garrido, I. Avaliando a corrosão do vergalhão através da combinação de GPR não destrutivo e
metodologias IRT.Remote Sens. 2019, 11, 1705. [CrossRef]
23. Lagüela, S .; Solla, M .; Puente, I .; Prego, FJ Uso conjunto das técnicas GPR, IRT e TLS para a detecção integral de danos em pavimentação.Constr.
Construir. Mater.2018, 174, 749-760. [CrossRef]
24. Alani, AM; Tosti, F .; Bianchini Ciampoli, L .; Gagliardi, V .; Benedetto, A. Uma abordagem investigativa integrada no monitoramento da
integridade de pontes em arco de alvenaria usando tecnologias GPR e InSAR.NDT E Int. 2020, 115, 102288. [CrossRef]
25. Bianchini Ciampoli, L .; Gagliardi, V .; Clementini, C .; Latini, D .; Del Frate, F .; Benedetto, A. Monitoramento de infraestrutura de
transporte por InSAR e GPR Data Fusion.Surv. Geophys.2020, 41, 371–394. [CrossRef]
26. Colesanti, C .; Ferretti, A .; Prati, C .; Rocca, F. Monitorando deslizamentos de terra e movimentos tectônicos com a técnica de dispersores permanentes.Eng.
Geol.2003, 68, 3-14. [CrossRef]
27. Ferretti, A .; Fumagalli, A .; Novali, F .; Prati, C .; Rocca, F .; Rucci, A. Um novo algoritmo para processamento de pilhas de dados interferométricos:
SqueeSARTM.IEEE Trans. Geosci. Remote Sens.2011, 49, 3460–3470. [CrossRef]
28. Ferretti, A .; Prati, C .; Rocca, F. Estimativa da taxa de subsidência não linear usando dispersores permanentes em interferometria diferencial de
SAR.IEEE Trans. Geosci. Remote Sens.2000, 38, 2202–2212. [CrossRef]
29. Ferretti, A .; Prati, C .; Rocca, F. Permanent scatterers in SAR interferometry.IEEE Trans. Geosci. Remote Sens.2001, 39, 8-20. [
CrossRef]
Sensores 2021, 21, 5769 27 de 28
30. Lanari, R .; Mora, O .; Manunta, M .; Mallorqui, JJ; Berardino, P .; Sansosti, E. Uma abordagem de linha de base pequena para investigar
deformações em interferogramas SAR diferenciais de resolução total.IEEE Trans. Geosci. Remote Sens.2004, 42, 1377–1386. [CrossRef]
31. Bianchini Ciampoli, L .; Gagliardi, V .; Ferrante, C .; Calvi, A .; D'Amico, F .; Tosti, F. Monitoramento de deslocamento em pistas de aeroportos por
interferometria SAR de dispersores persistentes.Remote Sens. 2020, 12, 3564. [CrossRef]
32. Elhassan, IM; Ali, A. Estudo comparativo de precisão em medição de distância usando: Níveis ópticos e digitais.J. King Saud Univ.
Eng. Sci.2011, 23, 15-19. [CrossRef]
33. Cosser, E .; Roberts, GW; Meng, X .; Dodson, AH Medindo a Deformação Dinâmica de Pontes Usando uma Estação Total. Em Proceedings
of the 11th FIG Symposium on Deformation Measurements, Santorini, Grécia, 25-28 de maio de 2003.
34. Berardino, P .; Fornaro, G .; Lanari, R .; Sansosti, E. Um novo algoritmo para monitoramento de deformação de superfície baseado em pequenos
interferogramas de SAR diferenciais de linha de base.IEEE Trans. Geosci. Remote Sens.2002, 40, 2375-2383. [CrossRef]
35. Tosti, F .; Gagliardi, V .; D'Amico, F .; Alani, AM Monitoramento da infraestrutura de transporte por fusão de dados de informações de imagens
GPR e SAR.Transp. Res. Procedia2020, 45, 771-778. [CrossRef]
36. Chang, L .; Dollevoet, RPBJ; Hanssen, R. Monitoramento da ferrovia em todo o país usando interferometria SAR de satélite.IEEE J. Sel. Principal.
Appl. Earth Obs. Remote Sens.2017, 10, 596–604. [CrossRef]
37. Yang, Z .; Schmid, F .; Roberts, C. Avaliação do Desempenho Ferroviário pelo Monitoramento do Subsidência da Terra. Em Proceedings of the 6th
IET Conference on Railway Condition Monitoring (RCM 2014), Birmingham, UK, 17-18 de setembro de 2014; pp. 1–6.
38. D'Amico, F .; Gagliardi, V .; Bianchini Ciampoli, L .; Tosti, F. Integração de técnicas InSAR e GPR para monitoramento de áreas de
transição em pontes ferroviárias.NDT E Int. 2020, 115, 102291. [CrossRef]
39. Ciampoli, LB; Gagliardi, V .; Calvi, A .; D'Amico, F .; Tosti, F. Monitoramento automático de ponte em nível de rede por integração de
catálogos InSAR e GIS.Multimodal Sens. Technol. Appl.2019, 11059, 110590I. [CrossRef]
40. Gagliardi, V .; Benedetto, A .; Ciampoli, LB; D'Amico, F .; Alani, AM; Tosti, F. Abordagem de monitoramento de saúde para infraestrutura de
transporte e pontes por sensoriamento remoto por satélite Interferometria de dispersão persistente (PSI). NoRecursos Terrestres e Aplicações
de Sensoriamento Remoto Ambiental / GIS XI; SPIE: Washington, DC, EUA, 2020; Volume 11534, pág. 115340K. [CrossRef]
41. Milillo, P .; Giardina, G .; DeJong, MJ; Perissin, D .; Milillo, G. Multi-Temporal InSAR Structural Damage Assessment: The London Crossrail
Case Study.Remote Sens. 2018, 10, 287. [CrossRef]
42. Gagliardi, V .; Ciampoli, LB; D'Amico, F .; Alani, AM; Tosti, F .; Battagliere, ML; Benedetto, A. Bridge monitoramento e avaliação por tecnologias de
sensoriamento remoto por satélite de alta resolução. NoTecnologias de detecção do futuro SPIE; SPIE: Washington, DC, EUA, 2020; Volume
11525, pág. 1152506. [CrossRef]
43. Barla, G .; Tamburini, A .; Del Conte, S .; Giannico, C. InSAR monitoramento de movimentos de solo induzidos por túnel.GéoméCH. Tunnelbau2016
, 9, 15–22. [CrossRef]
44. Koudogbo, F .; Urdiroz, A .; Robles, JG; Chapron, G .; Lebon, G .; Fluteaux, V .; Priol, G. Radar interferometria como uma solução inovadora para
monitorar a construção da rede de metrô Grand Paris Express — Primeiros resultados. Em Proceedings of the World Tunnel Conference,
Dubai, Emirados Árabes Unidos, 2–25 de abril de 2018.
45. Gagliardi, V .; Ciampoli, LB; D'Amico, F .; Alani, AM; Tosti, F .; Benedetto, A. Interferometria SAR multi-temporal para avaliação estrutural
de pontes: o estudo de caso da ponte de Rochester. NoPavimentos de aeródromo e rodovia 2021; Sociedade Americana de
Engenheiros Civis: Reston, VA, EUA, 2021; pp. 308–319. [CrossRef]
46. Gao, M .; Gong, H .; Chen, B .; Zhou, C .; Chen, W .; Liang, Y .; Shi, M .; Si, Y. Investigação de série temporal InSAR de deslocamento terrestre de
longo prazo no Aeroporto Internacional de Pequim, China.Tectonofísica 2016, 691, 271–281. [CrossRef]
47. Jiang, L .; Lin, H. Análise integrada de dados interferométricos e geológicos de SAR para a investigação de assentamentos de recuperação de longo prazo do
Aeroporto Chek Lap Kok, Hong Kong.Eng. Geol.2010, 110, 77-92. [CrossRef]
48. Gagliardi, V .; Bianchini Ciampoli, L .; D'Amico, F .; Alani, AM; Tosti, F .; Battagliere, ML; Benedetto, A. Novas perspectivas na
monitorização de infraestruturas de transporte pelo Sentinel-1 e COSMO-SkyMed Multi-Temporal SAR Interferometry. In Proceedings
of the 2021 International Geoscience and Remote Sensing Symposium, IGARSS, Brussels, Belgium, 12-16 July 2021.
49. Fuhrmann, T .; Garthwaite, MC Resolvendo Movimento Tridimensional de Superfície com InSAR: Restrições da Fusão de Dados Multi-
Geometria.Remote Sens. 2019, 11, 241. [CrossRef]
50. Gagliardi, V .; Ciampoli, LB; D'Amico, F .; Tosti, F .; Alani, AM; Benedetto, A. Uma nova abordagem geoestatística para monitoramento de rede de
infraestrutura de transporte por Interferometria de Dispersão Persistente (PSI). Em Proceedings of the 2020 IEEE Radar Conference
(RadarConf20), Florença, Itália, 21-25 de setembro de 2020; pp. 1–6.
51. Jiang, Y .; Liao, M .; Wang, H .; Zhang, L .; Balz, T. Monitoramento de Deformação e Análise do Ambiente Geológico do Aeroporto Internacional de
Pudong com Interferometria SAR de Dispersão Persistente.Remote Sens. 2016, 8, 1021. [CrossRef]
52. Wu, S .; Yang, Z .; Ding, X .; Zhang, B .; Zhang, L .; Lu, Z. Duas décadas de liquidação do Aeroporto Internacional de Hong Kong, medida
com InSAR multitemporal.Remote Sens. Environ. 2020, 248, 111976. [CrossRef]
53. Liu, X .; Zhao, C .; Zhang, Q .; Yang, C .; Zhang, J. Caracterizando e Monitorando o Assentamento Terrestre da Terra de Recuperação Marinha do Novo
Aeroporto de Xiamen, China com Conjuntos de Dados SAR Sentinel-1.Remote Sens. 2019, 11, 585. [CrossRef]
54. Gao, M .; Gong, H .; Li, X .; Chen, B .; Zhou, C .; Shi, M .; Guo, L .; Chen, Z .; Ni, Z .; Duan, G. Subsidência de Terra e Fissuras de Solo no
Aeroporto Internacional de Pequim Capital (BCIA): Evidência da Análise Quasi-PS InSAR.Remote Sens. 2019, 11, 1466. [CrossRef]
55. Karimzadeh, S .; Matsuoka, M. Dados SAR de Sensoriamento Remoto em Banda X para Subsidência de Terras e Monitoramento de Pavimentos.Sensores 2020,20, 4751. [
CrossRef]
Sensores 2021, 21, 5769 28 de 28
56. Even, M .; Schulz, K. InSAR Deformation Analysis with Distributed Scatterers: A Review Complemented by New Advances.Remote
Sens. 2018, 10, 744. [CrossRef]
57. Shamshiri, R .; Nahavandchi, H .; Motagh, M .; Hooper, A. Monitoramento eficiente do deslocamento da superfície do solo usando dados do Sentinel-1:
integrando dispersores distribuídos (DS) identificados usando o teste t de duas amostras com dispersores persistentes (PS).Remote Sens.2018, 10, 794. [
CrossRef]
58. Béjar-Pizarro, M .; Guardiola-Albert, C .; GarceuaCumardenas, RP; Herrera, G .; Barra, A .; Molina, AL; Tessitore, S .; Staller, A .; Ortega-
Becerril, JA; Garceua-Garceua, RP Interpolação de GPS e dados geológicos usando mapas de deformação InSAR: Método e aplicação
para subsidência de terras no Alto Guadalenteun Aquífero (SE Espanha). Remote Sens. 2016, 8, 965. [CrossRef]
59. Agência Espacial Europeia (ESA). Disponível:https://sentinel.esa.int (acesso em 20 de maio de 2021).
60. Autoridade Italiana de Aviação Civil (ENAC). Regulamento de Construção e Exercício de Aeroportos, 2ª ed .; ENAC: Roma, Itália, 2014.
Disponível online:www.enac.gov.it/node/37485 (acesso em 10 de julho de 2021).
61. Goovaerts, P. Geoestatística para avaliação de recursos naturais; Oxford University Press: Oxford, UK, 1997.
62. Isaaks, EH; Srivastava, RMUma introdução à geoestatística aplicada, 1ª ed .; Oxford University Press: New York, NY, USA, 1989.
63. Journel, AG Fundamentos de geoestatística em cinco lições; American Geophysical Union: Washington, DC, EUA, 1989; Volume 8.
64. Manson, SM; Burrough, PA; McDonnell, RA Princípios de Sistemas de Informação Geográfica: Sistemas de Informação Espacial e
Geoestatística.Econ. Geogr.1999, 75, 422-423. [CrossRef]
65. Herzfeld, UC Teoria inversa nas ciências da terra - Uma visão geral introdutória com ênfase no método de Gandin de interpolação
ótima. Matemática. Geol.1996, 28, 137–160. [CrossRef]
66. Pebesma, EJ Multivariable geostatistics in S: The gstat package. Comput. Geosci.2004, 30, 683–691. [CrossRef]
67. Atkinson, PM; Tate, NJ Problemas de escala espacial e soluções geoestatísticas: uma revisão.Prof. Geogr. 2000, 52, 607-623. [CrossRef]
68. Descrição técnica SARscape. 2012. Disponível online:http://www.sarmap.ch/pdf/SARscapeTechnical.pdf (acesso em 5 de março
de 2020).
69. Hengl, T .; Heuvelink, GBM; Stein, A. Um quadro genérico para predição espacial de variáveis de solo com base em krigagem de regressão.
Geoderma 2004, 120, 75–93. [CrossRef]
70. Ploner, A. O uso da nuvem de variograma em modelagem geoestatística. Environmetrics 1999, 10, 413–437. [CrossRef]
71. Equipe central do R. R: Uma linguagem e ambiente para computação estatística; R Foundation for Statistical Computing: Viena, Áustria,
2017; Disponível:https://www.R-project.org (acesso em 20 de junho de 2021).
72. Autoridade Italiana de Aviação Civil (ENAC). Disponível:https://www.enac.gov.it/aeroporti/infrastrutture-aeroportuali/ master-
plan (acesso em 20 de maio de 2021).
73. Manassero, M .; Dominijanni, A. Riqualifica Strutturale di un Sistema di Piste Aeroportuali Rivista Italiana di Geotecnica. 2010. Disponível
online:https://associazionegeotecnica.it/wp-content/uploads/2014/01/rig_310_046.pdf (acesso em 23 de agosto de 2021).