MONITORAGGIO DI FIUMI NATURALI MEDIANTE TECNICHE DI ELABORAZIONE IMMAGINI E IA CON FOCUS SULLE MACROPLASTICHE

Plastic pollution is a global challenge that aff ects one health–human, animal, and the environment. Extensive plastic studies found that rivers play a critical role in the transport of plastics from the ridge-to-reef which varies depending on plastic characteristics (e.g., size, shape), and present environmental drivers and disturbances (e.g. fl ood events, socio-economic activities). But gaps still persist in traditional plastic monitoring methods (e.g., visual counting) which are labor-intensive, user-dependent, and limited with point data measurements. This work developed a supervised long-term river plastic monitoring system using diff erent camera systems, incorporating image processing techniques, and artifi cial intelligence. The chapters in this thesis are focused on diff erent elements in four-step river plastic detection: data collection, dataset packaging, model training and validation, and system implementation. Using existing datasets from diff erent geographic areas (e.g., Asia, Europe), and our study site in Sarno, Italy, this work demonstrated advances in plastic class aggregation, transferability, and optimization techniques in river plastic monitoring. While the main focus of the AI model development is on the data quality, the use of lightweight models (e.g., You Only Look Once - YOLO) was given emphasis due to their critical future implementation gains, without the risk of model architecture changes in the future. Emphasis on the role of citizen science in environmental monitoring is also presented together with the opportunities and challenges faced in using diff erent sensors (e.g., UAS, fi xed cameras and mobile phones). Lastly, we demonstrated the huge implementation potential of our system utilising the long-term camera data we acquired on the Sarno river. Drawn from the experience in the River Watch project, and activities carried out in this work, future outlook in river plastic monitoring was also provided. This work highlights our method transferability in diff erent environments and global scalability.

L’inquinamento da plastica rappresenta una sfi da globale che incide sull'approccio One Health: la salute umana, animale e ambientale. Studi approfonditi sulla plastica hanno rilevato che i fi umi svolgono un ruolo cruciale nel trasporto dei materiali plastici dalle creste montuose alle barriere coralline (ridge-to-reef), con variazioni che dipendono dalle caratteristiche della plastica stessa (es. dimensioni, forma), dai fattori e perturbazioni ambientali (es. alluvioni, attività socio-economiche). Tuttavia, persistono ancora lacune nei metodi di monitoraggio tradizionali (es. conteggio visivo), i quali risultano dispendiosi in termini di tempo, dipendenti dall'operatore e limitati a misurazioni puntuali. Il presente lavoro ha sviluppato un sistema di monitoraggio supervisionato a lungo termine della plastica fl uviale utilizzando diversi sistemi di telecamere, tecniche di elaborazione delle immagini e intelligenza artifi ciale. I capitoli di questa tesi sono dedicati ai quattro elementi del processo di rilevamento della plastica fl uviale: raccolta dati, preparazione del dataset, addestramento e validazione del modello, e implementazione del sistema. Utilizzando dataset esistenti provenienti da diverse aree geografi che (es. Asia, Europa) e il nostro sito di studio a Sarno, in Italia, questo lavoro ha dimostrato progressi nell'aggregazione delle classi di plastica, nella trasferibilità e nelle tecniche di ottimizzazione del monitoraggio. Sebbene l'obiettivo principale dello sviluppo del modello di IA sia la qualità dei dati, è stata data particolare enfasi all'uso di modelli leggeri (es. You Only Look Once - YOLO) per i loro vantaggi cruciali in termini di implementazione futura, senza il rischio di cambiamenti radicali nell'architettura del modello in futuro. È stata inoltre sottolineata l'importanza della citizen science nel monitoraggio ambientale, insieme alle opportunità e alle sfi de legate all'uso di diversi sensori (es. droni, telecamere fi sse e smartphone). Infi ne, abbiamo dimostrato l'enorme potenziale applicativo del nostro sistema utilizzando i dati acquisiti a lungo termine tramite telecamere sul fi ume Sarno. Sulla base dell'esperienza maturata nel progetto River Watch e delle attività svolte in questo lavoro, sono state fornite anche prospettive future per il monitoraggio della plastica fl uviale. Questo studio evidenzia la trasferibilità del nostro metodo in diversi contesti ambientali e la sua scalabilità a livello globale.