Sub-metre Lunar DEM Generation and Validation from Chandrayaan-2 OHRC Multi-View Imagery Using an Open-Source Pipeline

Titolo

Generazione e validazione di DEM lunari sub-metrici da immagini multi-vista OHRC di Chandrayaan-2 utilizzando una pipeline open-source.

1. Il Problema

I modelli digitali di elevazione (DEM) ad alta risoluzione della superficie lunare sono fondamentali per la pianificazione della mobilità superficiale, la caratterizzazione dei siti di atterraggio e la scienza planetaria. Sebbene la sonda Lunar Reconnaissance Orbiter (LRO) fornisca dati topografici di alta qualità (tramite lo strumento NAC), la sua risoluzione tipica (1–5 m/pixel) è insufficiente per identificare pericoli di scala decimetrica (come massi, avvallamenti e variazioni di texture del regolite) critici per le future missioni robotiche e umane.

Lo strumento OHRC (Orbiter High Resolution Camera) a bordo di Chandrayaan-2 offre una risoluzione di campionamento a terra (GSD) di circa 25–30 cm/pixel, un ordine di grandezza superiore ai DEM NAC. Tuttavia, l'utilizzo di queste immagini per la generazione di DEM tramite pipeline stereo open-source è stato finora limitato a causa di due ostacoli principali:

1. Mancanza di coppie stereo predefinite: Le immagini OHRC non sono acquisite come coppie stereo simultanee, ma come singole strisce nadir. È necessario identificare retrospettivamente combinazioni valide dall'archivio basandosi sulla geometria orbitale.
2. Incompatibilità dei formati e dei modelli sensoriali: I formati dati OHRC (PDS4) e i suoi modelli di sensore non sono supportati nativamente dalle pipeline standard come l'Ames Stereo Pipeline (ASP) o ISIS, che sono lo standard di fatto per la fotogrammetria planetaria.

2. Metodologia

Gli autori hanno sviluppato un framework riproducibile e interamente open-source basato su Ames Stereo Pipeline (ASP) e ISIS, adattato per gestire i dati OHRC. Il processo si articola in sei fasi principali:

• Ingestione Dati e Preparazione SPICE:

  • Utilizzo di kernel SPICE (SPK, CK, IK, PCK/FK) distribuiti dall'ISSDC per definire la posizione e l'orientamento della sonda.
  • Sviluppo di un template di importazione PDS4 personalizzato per mappare i metadati OHRC nel formato interno di ISIS.
  • Implementazione di un modello di sensore CSM (Community Sensor Model) tramite la libreria ALE (Abstraction Layer for Ephemerides), permettendo ad ASP di processare i dati OHRC senza codice specifico per lo strumento.

• Identificazione delle Coppie Stereo:

  • Poiché non esistono coppie predefinite, le immagini sono selezionate analizzando i metadati geometrici.
  • Criteri di selezione: sovrapposizione delle aree di copertura, similarità dell'illuminazione (angolo di incidenza solare) e, soprattutto, il rapporto Base/Altezza (B/H) e l'angolo di convergenza.
  • Il rapporto B/H ottimale è stato fissato tra 0,5 e 1,0 per bilanciare la precisione verticale e la facilità di matching.

• Bundle Adjustment:

  • Affinamento congiunto dei parametri della camera e delle posizioni dei punti di legame (tie points) per minimizzare l'errore di riproiezione.
  • Utilizzo di una funzione di costo robusta (Cauchy loss) per attenuare l'influenza degli outlier e del solver Levenberg-Marquardt.

• Ricostruzione Stereo Densa e Generazione di Point Cloud:

  • Matching stereo denso basato su correlazione incrociata normalizzata (block-matching) per calcolare le disparità pixel per pixel.
  • Triangolazione dei raggi ottici per generare una nuvola di punti 3D densa.

• Gridding e Post-Processing:

  • Interpolazione della nuvola di punti in una griglia regolare per creare il DEM.
  • Allineamento ICP: Allineamento rigido (Iterative Closest Point) del DEM OHRC a un DEM di riferimento derivato da LRO NAC per correggere offset globali.
  • Correzione del Bias: Rimozione di un offset verticale costante residuo dovuto a imprecisioni nei kernel SPICE.
  • Riempimento dei buchi (Hole Filling): Le aree senza dati (causate da ombre o texture scarsa) sono riempite utilizzando il DEM NAC di riferimento.
  • Mosaico: Unione di più tile DEM con una strategia di blending prioritario (OHRC ha priorità su NAC).

3. Contributi Chiave

1. Pipeline Open-Source Riproducibile: Prima implementazione completa per generare DEM da dati OHRC utilizzando esclusivamente strumenti open-source (ASP, ISIS, ALE), risolvendo i problemi di compatibilità tramite template PDS4 e modelli CSM.
2. Strategia di Selezione Stereo: Introduzione di un metodo sistematico per identificare coppie stereo "opportunistiche" da archivi non catalogati, basandosi su vincoli geometrici (B/H e angolo di convergenza).
3. Ricostruzione Sub-Metrica: Generazione di DEM lunari con risoluzioni spaziali effettive tra 24 e 54 cm, dimostrando la capacità di preservare morfologie superficiali su scala metrica e sub-metrica.
4. Validazione Quantitativa: Valutazione rigorosa della coerenza geometrica e dell'accuratezza verticale rispetto ai dati di riferimento LRO NAC.
5. Analisi dei Limiti: Studio dettagliato del caso limite (Regione 5) con alto rapporto B/H, fornendo linee guida empiriche per la selezione futura delle coppie stereo.

4. Risultati

Lo studio è stato applicato a cinque regioni lunari geograficamente distribuite.

• Risoluzione e Copertura:

  • Sono stati generati DEM con risoluzioni tra 24 cm e 54 cm.
  • Le Regioni 1-4 (con rapporto B/H tra 0,4 e 0,9) hanno prodotto DEM completi con una buona copertura spaziale.
  • La Regione 5 (B/H = 1,16, angolo di convergenza ~61°) ha mostrato un'alta frazione di "buchi" (voids) a causa di forti disparità radiometriche, confermando che un rapporto B/H > 0,9 è sconsigliato per questo tipo di sensori.

• Accuratezza Verticale:

  • Confrontando i profili di elevazione OHRC con il DEM NAC di riferimento (dopo correzione del bias), il RMSE verticale medio è stato di 5,85 m (alla risoluzione nativa OHRC).
  • Questo valore è stato confermato anche dopo il downsampling del DEM OHRC alla risoluzione NAC, indicando che l'errore non è dovuto a differenze di scala ma a offset sistematici residui.

• Accuratezza Orizzontale:

  • Valutata tramite il matching di caratteristiche planimetriche (bordi di crateri, creste) tra DEM OHRC e NAC.
  • L'offset orizzontale medio è risultato inferiore a 30 cm, coerente con la risoluzione nativa del sensore (GSD ~30 cm).
  • L'errore di triangolazione medio è stato di 0,212 ± 0,164 m.

• Performance Computazionale:

  • L'intera pipeline richiede circa 1-3 ore per coppia stereo su una workstation standard (Intel Xeon Gold 128 core, 1 TB RAM). La fase più costosa è il matching stereo denso e la rasterizzazione.

5. Significato e Implicazioni

Questo lavoro rappresenta un passo avanti significativo per l'esplorazione lunare:

• Accessibilità: Dimostra che è possibile generare prodotti topografici di altissima risoluzione (sub-metrici) utilizzando dati di missioni internazionali e strumenti open-source, democratizzando l'accesso a dati di qualità scientifica.
• Sicurezza delle Missioni: I DEM sub-metrici sono essenziali per la certificazione dei siti di atterraggio e la pianificazione delle traiettorie dei rover, permettendo di rilevare pericoli (rocce, pendii ripidi) che i DEM a risoluzione più bassa (1-5 m) non riescono a vedere.
• Ottimizzazione dei Dati: Fornisce linee guida pratiche (rapporto B/H ottimale) per l'analisi futura degli archivi OHRC, massimizzando il valore scientifico dei dati esistenti.
• Futuri Sviluppi: L'accuratezza assoluta potrebbe essere ulteriormente migliorata con l'aggiornamento dei kernel SPICE di Chandrayaan-2 (che attualmente introducono offset verticali) e con l'integrazione di tecniche di shape-from-shading o reti neurali per il matching stereo in aree con texture scarsa.

In sintesi, lo studio convalida la fattibilità di una pipeline end-to-end open-source per trasformare le immagini ad alta risoluzione di Chandrayaan-2 in modelli topografici di precisione, colmando il divario tra la risoluzione dei satelliti attuali e le esigenze operative delle future missioni lunari.