Tecniche satellitari per il monitoraggio remoto dei ponti

This thesis analyzes and compares GNSS and InSAR satellite monitoring techniques, highlighting their potential in structural bridge monitoring, demonstrating how each can be enhanced based on its own specific characteristics. GNSS, a high-precision technique requiring dedicated instrumentation installed in situ, is applied to the first case study using a Gaussian Process Regression-based machine learning algorithm to model the expected behavior of the data and identify the optimal training period. The InSAR, more accessible and with extended spatial coverage but with lower accuracy, is instead used in the second case study to detect displacement anomalies in a pre-collapse scenario. The first case study concerns the bridge over the Oglio River in Isola Dovarese, a stable structure equipped with GPS receivers. GNSS vertical displacement data, integrated with environmental variables (temperature and hydrometric level of the Oglio River), were used to train a Gaussian Process Regression model. The analysis demonstrated that a 12-month training period is necessary to capture full seasonal cyclicality and produce accurate forecasts. The second case study concerns the Carola Bridge in Dresden, which collapsed in September 2024. InSAR data from the Sentinel-1 satellite (EGMS, Basic L2a level), processed and decomposed into vertical and horizontal components, highlighted anomalies in the displacements in the months preceding the collapse, demonstrating the potential of InSAR as an early warning tool even in the absence of in situ instrumentation. Overall, the comparison between the two techniques demonstrates how GNSS and InSAR are excellent tools for bridge monitoring. The first ensures high accuracy where fixed instrumentation is available, while the second offers extensive territorial coverage and accessibility even in the absence of in situ sensors, proving particularly useful for identifying pre-collapse anomalies on uninstrumented structures. Their conscious integration represents a promising approach for large-scale monitoring of strategic infrastructure.

Questo lavoro di tesi analizza e confronta le tecniche di monitoraggio satellitare GNSS e InSAR evidenziandone le potenzialità nel monitoraggio strutturale dei ponti, dimostrando come ciascuna possa essere valorizzata in funzione delle proprie caratteristiche specifiche. Il GNSS, tecnica ad alta precisione che richiede strumentazione dedicata installata in situ, viene applicato al primo caso studio tramite un algoritmo di Machine Learning basato su Gaussian Process Regression per modellare il comportamento atteso dei dati e identificare il periodo di training ottimale. L’InSAR, più accessibile e a copertura spaziale estesa ma con precisione inferiore, viene invece utilizzato nel secondo caso studio per rilevare anomalie negli spostamenti in uno scenario pre-collasso. Il primo caso studio riguarda il ponte sull’Oglio a Isola Dovarese, struttura stabile strumentata con ricevitori GPS. I dati GNSS di spostamento verticale, integrati con variabili ambientali (temperatura e livello idrometrico del fiume Oglio), sono stati utilizzati per addestrare un modello di Gaussian Process Regression. L’analisi ha dimostrato che un periodo di addestramento di 12 mesi è necessario per catturare la piena ciclicità stagionale e produrre previsioni accurate. Il secondo caso studio riguarda il ponte Carola a Dresda, crollato nel settembre 2024. I dati InSAR del satellite Sentinel-1 (EGMS, livello Basic L2a), elaborati e decomposti nelle componenti verticale e orizzontale, hanno evidenziato anomalie negli spostamenti nei mesi precedenti il collasso, dimostrando il potenziale dell’InSAR come strumento di early warning anche in assenza di strumentazione in situ. Nel complesso, il confronto tra le due tecniche dimostra come GNSS e InSAR siano ottimi strumenti per il monitoraggio dei ponti. Il primo garantisce elevata precisione dove è disponibile strumentazione fissa, mentre il secondo offre copertura territoriale estesa e accessibilità anche in assenza di sensori in situ, risultando particolarmente utile per l’individuazione di anomalie pre-collasso su strutture non strumentate. La loro integrazione consapevole rappresenta un approccio promettente per il monitoraggio su larga scala delle infrastrutture strategiche.