STRADAR: Sinkhole hazards in linear transport infrastructures. Automatic detection and risk digitization
Convocatoria: Proyectos Estratégicos Orientados a la Transición Ecológica y a la Transición Digital, convocatoria 2021.
Financiación: Financiado por la Agencia Estatal de Investigación MCIN/AEI/10.13039/501100011033 y por la Unión Europea NextGenerationEU/PRTR.
Referencia: TED2021-1301183B-I00/MCIN/AEI/10.13039/501100011033
Summary:
Climate change is an important cause which can have an adverse influence on the behavior of pavements, thereby affecting transportation infrastructure performance and service life all over the world. A key factor in assuring the resilience and safety of transportation infrastructure is the integrity of the ground they are built upon. When soils shift or are washed away severe damage can occur like sinkholes and devastating failures under traffic that seriously compromise public safety and the environment. The effects of climate change on foundations soils should be then incorporated into the management strategies and decision-making processes of road service. Moreover, The European Environment Agency (EEA) warns that the largest increase in the number of drought and heavy rain events in Europe are projected for the Southern Europe and therefore in Spain. Therefore, it is becoming clear that the challenge of assessing sinkhole hazards and risks management strategies will become more common in the future.
STRADAR will provide a new procedure for the automatic detection and modelling of sinkholes formation within critical transport infrastructures from GPR (Ground-Penetrating Radar) data, as well as procedures for data quality assurance and digitization. Early detection and preventive maintenance are vital to avoid the damage that a sinkhole can cause, especially in urban areas and primary transport networks. There are common signs of sinkholes formation that can be identified in the road subsurface by GPR scans, such as settlements, moisture damage, voids and cavities. Thus, STRADAR will consist of a deep learning-based approach for detecting those signs of pavement and subgrade deformations that can lead to forming sinkholes. Moreover, new procedures will be also developed to digitize the forming sinkholes and the signs of risk detected into interoperable GIS/BIM (Geographic Information Systems / Building Information Modelling) information models. This risk digitization will be then used to elaborate sinkholes density and hazards maps, and determining key performance indicators (e.g. sinkholes severity and potential hazard), thus exploiting the capabilities of the STRADAR solutions for the rapid and early transmission of disaster information, the reliable and accurate understanding of disaster situations, impacts on road operations, influence on disaster response and recovery activities, and impacts on economic and social activities, as well as technological for understanding these impacts and supporting more appropriate decision-making based on these technologies.
STRADAR is mainly aligned with the Strategic Goal 3 Prevention and reduction of climate change impacts and improvement of resilience in towns and cities of the Urban Agenda 2030, principally through its lines of action “incorporate natural risk maps to planning” and “Prepare to be resilient”. The STRADAR objectives are also aligned with other national strategies such as the EECTI Challenge 5 Climate, Energy and Mobility and AI Strategy Priority 2 Connected Industry 4.0.
La infraestructura de transporte (TI) es esencial para el crecimiento social y económico, facilitando la movilidad de personas y bienes. En Europa, España lidera con 15,585 km de autopistas, y en 2019, 729,371 pasajeros y 1,542,109 mil toneladas de mercancías se transportaron por carretera. La inversión en TI es significativa, con un aumento del 19.4% en 2020 por parte del Ministerio de Transportes de España. Sin embargo, se necesita mejorar la eficiencia en el mantenimiento de infraestructuras para aumentar su resiliencia y reducir costos. El proyecto Software multi-capa para el procesamiento online de datos lidar enfocado a la monitorización del transporte (EDGE-LiDAR) busca mejorar el procesamiento y análisis de datos LiDAR para impulsar la transformación digital en el sector del transporte.
El grupo de investigación GeoTECH ha recibido 126.500 € para el desarrollo de la investigación en la convocatoria 2022 de proyectos de «Prueba De Concepto», en el marco del Programa Estatal Para Impulsar La Investigación Científico-Técnica Y Su Transferencia, Del Plan Estatal De Investigación Científica Y Técnica Y De Innovación 2021-2023 y sus investigadores principales son Joaquín Martínez Sánchez y Pedro Arias Sánchez, profesores en la Universidade de Vigo.
El objetivo general de EDGE-LiDAR es fortalecer el mantenimiento cooperativo en Sistemas de Transporte Inteligente (ITS) para una movilidad segura y eficiente mediante software mejorado de procesamiento de LiDAR. Los investigadores, basándose en experiencias previas en monitoreo de biodiversidad y planificación de rutas de drones, integrarán tecnologías de sensores innovadores LiDAR. Los objetivos específicos incluyen mejorar el nivel de preparación de resultados previos, implementar métodos innovadores de recolección de datos y validar la cadena de datos en casos de uso basado en GPU y la capacidad de EDGE-LiDAR para proporcionar soluciones de gestión del tráfico y aplicaciones innovadoras para unidades de procesamiento fuera de línea.
A Universidade de Vigo a través do seu grupo de investigación en Xeotecnoloxías Aplicadas coordina un consorcio internacional formado por 15 entidades de 8 países para a presentación do proxecto ShineTI: Smart efficient solutions to support the shift to sustainable and carbon-neutral circular life-cycle transport infrastructure dentro da convocatoria HORIZON-CL5-2022-D6-02 do programa marco Horizon Europe.
ShineTI persigue un impacto sustancial na estratexia de economía circular do sector da construcción europeo, ao propor solucións tecnolóxicas innovadoras para todo o ciclo de vida das infraestructuras do transporte que permitan aumentar a eficiencia dos materiais e reducir ata nun 80% as emisiones de gases de efecto invernadeiro.
A solicitude conta co respaldo económico da Universidade a través da súa convocatoria de Axudas Propias á Investigación, dentro do apartado para a preparación de proxectos internacionais de I+D+i.
A resolución dos proxectos finalmente seleccionados está prevista para o comezo do ano 2023.
4Map4Health: Mapping of forest health, species and forest fire risks using Novel ICT Data and Approaches
Convocatoria: CHIST-ERA 2019
Socios:
- FGI (Finnish Geospatial Research Institute, Finlandia)
- UVIGO (GeoTECH, Universidade de Vigo)
- TUW (Technical University of Wien, Austria)
- BOKU (University of Natural Resources and Life Sciences, Austria)
- ULIFE (University of Life Sciences Prague, República Checa)
- UPORTO (Universidade do Porto, Portugal)
Financiación UVIGO: Agencia Estatal de Investigación
Referencia: PCI2020-120705-2/AEI/10.13039/501100011033
Los bosques tienen una gran importancia económica y ecológica. Las causas crecientes de los daños forestales incluyen los incendios forestales y las plagas, a menudo en combinación o intensificados por causas abióticas como la sequía o la tormenta. Los métodos utilizados para obtener información sobre especies forestales y árboles aún no ha alcanzado los requisitos básicos, siendo muy importante para el uso comercial sostenible de los recursos forestales y la conservación de la biodiversidad. Se considera que la abundancia de madera muerta es un indicador de la biodiversidad forestal, ya que muchas especies amenazadas dependen de la madera en descomposición como hábitat.
Existen una serie de indicadores para evaluar y mapear el estado de los árboles y la salud de los bosques, las diferentes especies de árboles, la madera muerta y el riesgo de incendios forestales, siendo uno de los más relevantes el relacionado con la humedad de las copas de los árboles. Por otro lado, la retrodispersión LiDAR depende en gran medida de la humedad, estudios recientes indican que se puede derivar usando LiDAR biespectral aerotransportado. FGI ha construido el primer escáner láser móvil multiespectral activo del mundo, que se puede utilizar para estudios de investigación conjuntamente con otras fuentes de datos, para respaldar los futuros programas de escaneo láser que se llevan a cabo en toda Europa.
El reto investigador del proyecto es: ¿Cómo se deben procesar computacionalmente los futuros datos de escaneo láser multitemporal, multiespectral y de alta resolución para proporcionar información relevante para la sostenibilidad ambiental y especialmente para el mapeo de la salud forestal, las especies de árboles y el riesgo de incendios forestales? Los posibles resultados del proyecto, incluirán: información sobre especies arbóreas a nivel de árbol individual, lo que mejora la toma de decisiones basada en herramientas TIC, y por lo tanto, permitirá desarrollar a la industria forestal europea con un incremento estimado de 1B ; un subproducto de la clasificación de especies de árboles es la detección de madera muerta, un componente estructural clave para mantener la biodiversidad forestal; sistemas de alerta temprana para la detección de la presencia de escarabajos de la corteza que hoy afectan al 20-50% del total de madera extraída en Europa central; y la gestión del riesgo de incendios forestales que se vuelve cada vez más urgente en el contexto de adaptación al cambio climático.
Como resultado del proyecto, se podrá implementar un sistema para la toma de decisiones basada en el conocimiento, que incluirá mecanismos de alerta temprana y predictivos en los tres ámbitos de trabajo. Este resultado permitirá una gestión eficiente de los recursos, así como de los riesgos en la situación actual de cambio climático. Ha sido confirmada la participación de 27 socios colaboradores externos, participarán como receptores de información destinada a usuarios finales o retroalimentando los resultados desde una perspectiva industrial.
El actual proyecto-prueba de concepto FlatCity-Urban: Urban Inventory for FLATCity, financiado dentro de la convocatoria de Proyectos I+D+i – Pruebas de Concepto 2021 del Ministerio de Ciencia e Innovación, referencia PDC2021-121239-C32, tiene su origen en el proyecto de investigación RunCity: Modelado de rutas 3D para FlatCity, financiado dentro Programa Estatal de I+D+i Orientada a los Retos de la Sociedad para el período 2017-2019, y llevado a cabo por el grupo de investigación en Geotecnologías Aplicadas de la Universidade de Vigo
Este proyecto precursor dio como resultado una serie de procedimientos y algoritmos que permiten desde la integración de sistemas de escaneado móvil y estático, hasta la detección y caracterización geométrica y topológica de los elementos que conforman el espacio navegable en entornos urbanos. La efectividad de todos estos desarrollos ha sido testada en laboratorio.
La adquisición de datos LiDAR en entornos urbanos se lleva a cabo con sistemas de escaneado situados en plataformas móviles del tipo vehículo, ya que estas son altamente eficientes y resultan en nubes de puntos de alta calidad. Sin embargo, la existencia de vehículos estacionados y otros objetos provoca la aparición de oclusiones que resultan en una captura incompleta del espacio navegable para pedestres. Siendo esta zona del espacio urbano de máximo interés, los primeros desarrollos han resultado en la integración de sistemas de escaneado móvil con estático en zonas donde la adquisición con los primeros no es suficiente para una captura completa del entorno.
La información capturada por los sistemas de escaneado es posteriormente procesada para extraer la información útil que se requiere para el cálculo de rutas accesibles. De esta forma, se han desarrollado métodos de segmentación semántica orientados para identificar los distintos elementos que conforman el espacio navegable para pedestres (por ejemplo: rampas, escalones, aceras, pasos de cebra, etc.). Además, estos elementos son caracterizados desde un punto de vista geométrico y topológico de cara a su conversión en redes de navegación enriquecidas con atributos como pendiente, y que son finalmente integradas en mapas de navegación generales como los extraídos a partir de OSM por parte del subproyecto VeloCity.
El actual proyecto FlatCity-Urban: Urban Inventory for FLATCity, financiado dentro de la convocatoria de Proyectos I+D+i – Pruebas de Concepto 2021 del Ministerio de Ciencia e Innovación, persigue incrementar la robustez y fiabilidad de los algoritmos desarrollados en FlatCity. En particular, se plantea la necesidad de extender los algoritmos de caracterización de elementos de suelo con el fin de extraer otros atributos que enriquezcan el mapa de navegación como son la anchura de elementos, o el estado de conservación. Por otro lado, también se hace necesario extender los métodos matemáticos de segmentación semántica a cualquier otro elemento del entorno inmediato del espacio navegable y que sea susceptible de ser un obstáculo a la navegación, en especial, de personas en sillas de ruedas. Y, por último, se mejorará la robustez y fiabilidad de los algoritmos que permiten la conversión de nubes de puntos segmentadas en mapas de navegación sobre todo en casos de alta complejidad.
Convocatoria: Proyectos I+D+I para la Realización de “Prueba de Concepto”, convocatoria 2021, Ministerio de Ciencia e Innovación
Referencia: PDC2021-121239-C32/MCIN/AEI/10.13039/501100011033
Financiación: Financiado por la Agencia Estatal de Investigación MCIN/AEI/10.13039/501100011033 y por la Unión Europea “NextGenerationEU”/PRTR
REsilience oriented decision-making Support Technologies for infRAstucture condition raTing
Summary:
Communication and mobility of people and goods are a key factor for countries development and society well-being and, hence, one of the Sustainable Development Goals for UNs Agenda. Transport Infrastructure relevance is supported by the national and European funds invested every year for new projects and, increasingly, maintenance of existing infrastructure.
Resilience of the Transport Infrastructure is considered a key managing aim, especially significant during maintenance. Resilience analysis considers infrastructure dynamic inner behaviour addressing several aspects summarised in the acronym RAMSSHEP, which stands for Reliability, Availability Maintainability, Safety, Security, Health, Environment conomics and Politics. Within the current societal context, a new concept for resilience-oriented maintenance that efficiently maximizes infrastructure performance is mandatory.
Society, maintenance and performance are an information vector of impacts for predictive maintenance inspections, where practitioners must have as much information as possible to establish the status of infrastructure, asset or asset elements depending on the representation scale.
The general objective of RESTART is aimed to strengthen the maintenance and performance of Transport Infrastructure in order to secure their positive impact to the society growth through the enhancement of Decision-Making procedures by applying objective and quantitative information technologies about condition rating (CR) based on multiscale and multiband observation methods.
Transport Infrastructure Monitoring based on such sensors will allow for early detection of pathologies that will serve as an indicator of risks and hazards, improving infrastructure CR, supporting decision-making and effective planning of mitigation actions.
The main outcome of RESTART consists of an enhanced module for Infrastructure Management Systems that complements the Expert Inspector view on infrastructure asset element condition providing information that is not visible to the human eye, for example, from thermal images and LiDAR sensors through a multiscale and multiband data processing and analysis framework.
RESTART will be applied to a maintenance scenario in Galician infrastructure. Scenario definition is an essential task based on a resilience-oriented methodology that, considering RAMSSHEP, will address the hazards for infrastructure service and condition.
RESTART framework solution will consist of (semi-)automatic analysis based on Machine Learning (ML) and Artificial Intelligence (AI) of several data sources. Such data sources include satellite imagery, Mobile Mapping Systems (MMS) or in situ sensors depending on the scale.
In addition, mitigation actions and status of the scenario will be stored as historic actions that would be taken into consideration when needed. Experts will benefit from the support of RESTART framework as a complement for DM and, thus, contributing to a higher resilience of infrastructure that will result in an efficient lifecycle maintenance. As a result, more adaptable infrastructure will offer an opening for sustainable development and citizen well-being.