“COMBINED TECHNIQUES STUDY FOR THE IDENTIFICATION OF MAIN DRIVES IN COASTAL CLIFF PROCESSES BETWEEN PORTONOVO AND TRAVE (ANCONA, ITALY)”

Questo studio esamina i fattori che influenzano la stabilità delle falesie, concentrandosi su litologia, strutture geologiche, condizioni idrogeologiche ed evoluzione delle forme del terreno. Sottolinea l'importanza delle tecniche di telerilevamento, come l’uso di immagini satellitari, la fotografia aerea e la fotogrammetria digitale con UAV, per raccogliere dati geologici di alta qualità, soprattutto in regioni costiere inaccessibili. Le falesie, che subiscono l'erosione per la combinazione di forze subaeree, marine ed endogene, pongono significativi rischi per la sicurezza umana e le infrastrutture, necessitando di un monitoraggio attivo. La ricerca esamina specificamente il ritiro della sommità delle scogliere nel Parco Regionale del Conero, nel Mare Adriatico settentrionale, tra le spiagge di Portonovo e Trave. Utilizza ortofoto aeree dal 1978 al 2021, fotografie UAV del 2021 e dati LiDAR del 2012. Il Digital Shoreline Analysis System (DSAS) dell'USGS ha analizzato queste immagini per identificare l'erosione delle sommità delle falesie, convalidata da dati su onde e precipitazioni. I principali risultati mostrano fino a 40 metri di erosione nei pressi del Trave in 40 anni. Lo studio ha utilizzato un Modello Digitale di Elevazione della Differenza (DoD) per corroborare i risultati del DSAS, mostrando un'elevata concordanza nelle aree di ritiro identificate. I rilievi UAV del 2021 e 2022 hanno fornito nuvole di punti dettagliate, permettendo l'analisi del evoluzione geomorofologica con l'algoritmo M3C2. La stima del volume tramite lo strumento 2.5D Volume nel software CloudCompare ha rivelato un'erosione significativa, attribuita all'erosione della base per solco di battigia e processi di frana. Gli algoritmi di Machine Learning (ML), Random Forest (RF) e eXtreme Gradient Boosting (XGB), hanno analizzato i dati per identificare i principali fattori di erosione, e l'altezza del pendio è emersa come il più significativo. Questi risultati sono stati convalidati utilizzando un Metodo di Equilibrio Limite 2D (LEM), mostrando risultati coerenti con l'analisi ML. Lo studio sottolinea l'efficacia dell'integrazione di telerilevamento, ML e analisi LEM per la valutazione dell'erosione costiera. Evidenzia l'importanza di dati ad alta risoluzione e del monitoraggio continuo utilizzando tecnologie avanzate come gli UAV. L'approccio completo che combina lavoro sul campo, telerilevamento, ML e modellazione numerica migliora la comprensione dei processi costieri e supporta una gestione efficace dell'erosione. Una nuova metodologia, accompagnata da codice open-source, è proposta per indagare l'erosione specifica delle falesie, identificando i fattori chiave che guidano il processo di erosione.

This study examines the factors influencing cliff erosion, focusing on lithology, geological structures, hydrogeological conditions, and landform evolution. It highlights the importance of remote sensing techniques such as satellite imagery, aerial photography, and UAV digital photogrammetry for collecting high-quality geological data, especially in inaccessible coastal regions. Coastal cliffs, which face erosion from subaerial, marine, and endogenic forces, pose significant risks to human safety and infrastructure, necessitating active monitoring. The research specifically investigates cliff-top retreat in Conero Regional Park, Northern Adriatic Sea, Italy, between Portonovo and Trave beaches. It utilizes aerial orthophotos from 1978 to 2021, UAV photographs from 2021, and 2012 LiDAR data. The USGS Digital Shoreline Analysis System (DSAS) analyzed these images to identify top-cliff erosion, validated by wave and rainfall data. Key findings include up to 40 meters of erosion in Trave over 40 years. The study used a Digital Elevation Model of Difference (DoD) to corroborate DSAS results, showing high agreement in identified retreat areas. UAV surveys in 2021 and 2022 provided detailed point clouds, enabling change detection analysis with the M3C2 algorithm. Volume estimation via the 2.5D Volume tool in CloudCompare software revealed significant erosion, attributed to notch erosion and landslide processes. Machine Learning (ML) algorithms, Random Forest (RF) and eXtreme Gradient Boosting (XGB), analyzed data to identify primary erosion factors, with slope height emerging as a significant influencer. These results were validated using a 2D Limit Equilibrium Method (LEM), showing consistent outcomes with the ML analysis. The study underscores the effectiveness of integrating remote sensing, ML, and LEM analyses for coastal erosion assessment. It emphasizes the importance of high-resolution data and continuous monitoring using advanced technologies like UAVs. The comprehensive approach combining fieldwork, remote sensing, ML, and numerical modeling enhances the understanding of coastal processes and supports effective erosion management. A novel methodology, accompanied by open-source code, is proposed to investigate site-specific cliff erosion, identifying key factors driving the erosion process.