CASE STUDY Infrastrutture Marittime
5.53oW, 55oE meridian
Introduzione
Il monitoraggio delle complesse operazioni di un terminal container — incluse le attività lato mare, di piazzale e lato terra — è essenziale per valutare l’efficienza operativa, la produttività e il valore economico complessivo [1]. Con l’accelerazione dell’automazione portuale e della digitalizzazione, l’integrazione del monitoraggio satellitare nei processi portuali esistenti permette di creare un quadro operativo dinamico, abilitando analisi precedentemente inattuabili.
Le analisi storiche e predittive possono migliorare significativamente la gestione del terminal. Inoltre, il confronto in tempo reale con i dati di altri porti e hub logistici globali rafforza la trasparenza di catene di fornitura eterogenee. In questo contesto, il telerilevamento satellitare integra i dati raccolti in situ, fornendo alle autorità portuali e agli stakeholder esterni uno strumento flessibile di Business Intelligence. Ciò è particolarmente valido per i sensori a microonde attivi, che consentono un monitoraggio remoto continuo su scala globale, indipendentemente dalle condizioni meteorologiche o di illuminazione.
La sfida principale risiede nella stima accurata delle proprietà degli oggetti osservati a partire dalle misurazioni grezze del sensore. In questo post, presentiamo un caso studio basato sulle immagini SAR (Synthetic Aperture Radar) di ESA Sentinel-1 per stimare e monitorare l’area totale occupata dai container nel piazzale di un terminal. Sebbene l’area occupata sia un indicatore indiretto (proxy) — piuttosto che una misura diretta del volume totale — essa rappresenta un parametro critico dell’attività economica e dell’efficienza logistica.
Il Segnale SAR
Il processo di stima inizia distinguendo, nell’immagine SAR, la superficie libera del piazzale (assimilabile all’asfalto) dalle aree coperte dai container. Alla lunghezza d’onda della banda C di Sentinel-1, un piazzale pavimentato agisce quasi come un riflettore speculare; la sua sezione radar equivalente normalizzata (sigma nought) varia tipicamente tra -10 dB e -20 dB per le polarizzazioni VV e HH ai normali angoli di incidenza [2].
Al contrario, i container metallici agiscono come riflettori diedri. La loro geometria innesca un effetto di diffusione multipla, che restituisce al sensore un segnale retro diffuso significativamente più forte.
La Figura 1-a) riporta un’immagine SAR di un piazzale parzialmente occupato da blocchi di container. La Figura 1-b) mostra la distribuzione statistica della sezione equivalente radar per i due tipi di superficie evidenziandone una netta separazione: l’intensità del segnale dell’asfalto rimane ben al di sotto dei -10 dB, mentre i blocchi di container occupano un intervallo di intensità molto più elevato (curva rossa), consentendo una discriminazione robusta basata su test a soglia.
La Soluzione
Il nostro approccio per stimare l’occupazione dello stoccaggio segue una catena di elaborazione strutturata (Figura 2). I dati vengono recuperati dal Copernicus Data Space Ecosystem (CDSE) tramite API. Sebbene il CDSE consenta l’elaborazione lato server, la nostra pipeline può essere implementata anche on-premise per requisiti personalizzati.
Il flusso di lavoro consiste in:
- Pre-processing: Riduzione del rumore e trasformazione logaritmica pixel-per-pixel della serie temporale SAR.
- Rilevamento: Applicazione di una soglia di intensità ottimizzata per isolare le aree dei container ad alta retrodiffusione.
- Processing Morfologico: Filtri morfologici binari vengono applicati all’output per sopprimere il rumore residuo e rifinire le forme degli oggetti.
- Quantificazione: Calcolo delle aree dei pixel connessi per derivare la superficie totale occupata nel tempo.
Risultati e Discussione
Abbiamo elaborato due serie temporali (caso A e caso B) di dieci anni con risoluzione temporale media di 30 e 12 giorni, rispettivamente, per osservare le tendenze a lungo termine.
- Caso A (Figura 3): Il grafico mostra una chiara e costante espansione dell’area occupata, tipica di un terminal in crescita.
- Caso B (Figura 4): Questo esempio rivela una firma differente. Tra il 2016 e il 2020, il terminal mostra le oscillazioni tipiche di una struttura a pieno regime. Un netto calo è visibile durante la pandemia di COVID-19 nel 2020, seguito da un graduale recupero di quattro anni verso i livelli pre-crisi.
Tali tendenze, pur richiedendo l’integrazione con dati economici in situ o immagini multispettrali (es. Sentinel-2 MSI) per una validazione completa, forniscono una base oggettiva ad esempio per la market intelligence e l’analisi degli investimenti infrastrutturali.
Limitazioni e Sviluppi Futuri
Sebbene questo studio dimostri le potenzialità del monitoraggio remoto, i raffinamenti sono costanti. Un obiettivo chiave per Meridian è la soppressione dei lobi secondari (side lobes) — artefatti d’immagine causati dall’estrema riflettività dei bersagli metallici che possono portare a una sovrastima dell’area occupata. L’integrazione dei dati SAR con dati multispettrali e gli indicatori economici aumenterà ulteriormente la robustezza delle nostre interpretazioni.
A presto per altre novità!
Bibliografia
[1] Tsagkaris, P.; Moschovou, T.P. The Impact of Automation on the Efficiency of Port Container Terminals. Future Transp. 2025, 5, 155. https://doi.org/10.3390/futuretransp5040155.
[2] M. Skolnik “Radar Handbook,” 3rd Edition, McGraw-Hill, Boston, 1990.
Disclaimer
Le analisi qui riportate hanno scopo puramente illustrativo e metodologico.
Credits
This page contains modified Copernicus ESA Sentinel data (2026), processed via Copernicus Data Space Ecosystem (CDSE) by MERIDIAN – Data & Geospatial Intelligence.
Vuoi ottimizzare il monitoraggio dei tuoi asset?
Scopri come trasformare l’intelligence geospaziale in un vantaggio competitivo per il tuo business.