Indici di vegetazione da dati RADAR e indici spettrali della vegetazione

“Indici di vegetazione da dati RADAR e indici spettrali della vegetazione” è il nuovo articolo frutto della collaborazione tra la Sezione Valorizzazione della Ricerca e Public Engagement – Agorà Scienza – e dal Green Office UniToGO dell’Università di Torino con la IdeeGreen S.r.l. Società Benefit.

L’articolo riprende i testi del prof. Enrico Borgogno Mondino, del dott. Tommaso Orusa, del dott. Samuele De Petris e del dott. Filippo Sarvia pubblicati nell’opera “Lessico e Nuvole: le parole del cambiamento climatico”, la seconda edizione della guida linguistica e scientifica per orientarsi nelle più urgenti questioni relative al riscaldamento globale, curata dalla Sezione e dal Green Office.

La versione gratuita di Lessico e Nuvole, sotto forma di file in formato .pdf, è scaricabile dalla piattaforma zenodo.org.

La versione cartacea è acquistabile online sulle seguenti piattaforme di distribuzione:

– Amazon

– youcanprint.it

– Mondadori (anche con Carta del Docente e 18app)

– IBS

– Libreria Universitaria (anche con Carta del Docente e 18app)

Tutto il ricavato delle versioni a pagamento sarà utilizzato dall’Università di Torino per finanziare progetti di ricerca e di public engagement sui temi dei cambiamenti climatici e della sostenibilità.

Indici di vegetazione da dati RADAR

Il telerilevamento attivo (si veda il lemma “Dati satellitari – EO Data” su Lessico e Nuvole), in par­ticolare quello basato su tecnologia SAR (Synthetic Aperture RA­DAR), permette di definire indici spettrali sintetici utili alla carat­terizzazione delle superfici vegetate (Ulaby et al., 2015). I sensori attivi RADAR (RAdio Detection And Ranging) utilizzano lunghezze d’onda variabili tra 0.6 e 140 cm; lo stesso sensore emette e re­gistra l’energia elettromagnetica riflessa dalle superfici illuminate. Grazie a queste caratteristiche i sensori SAR operano anche in presenza di copertura nuvolosa ed in assenza di luce diurna.

Il telerilevamento attivo, in particolare quello ba­sato su tecnologia SAR (Synthetic Aperture RADAR), permette di definire indici spet­trali sintetici utili alla caratterizzazione del­le superfici vegetate (Ulaby et al., 2015). I sensori attivi RADAR (RAdio Detection And Ranging) utilizzano lunghezze d’onda variabili tra 0.6 e 140 cm; lo stesso sen­sore emette e registra l’energia elettroma­gnetica riflessa dalle superfici illuminate. Grazie a queste caratteristiche i sensori SAR operano anche in presenza di copertura nu­volosa ed in assenza di luce diurna.

I dati RADAR sono molto sensibili alle pro­prietà geometriche e di umidità delle su­perfici. In particolare, le caratteristiche di polarizzazione del segnale derivabili dall’in­formazione di ampiezza del segnale regi­strato (noto anche in fase) permettono di caratterizzare la vegetazione. I sensori SAR sono in grado di registrare simultaneamen­te da 1 a 4 diverse combinazioni di polariz­zazione: VV, VH, HH, HV. La prima lettera della coppia si riferisce alla polarizzazione del segnale elettromagnetico emesso; la seconda a quella ricevuta. In queste lun­ghezze d’onda, la vegetazione è responsa­bile di un’interazione peculiare con l’energia elettromagnetica chiamata “diffusione volu­metrica”. A partire da questo fenomeno si possono ricavare degli indici che misurano il grado di depolarizzazione indotta dalla ve­getazione sul segnale incidente. In generale, all’aumentare della densità di vegetazione aumenta il grado di depolarizzazione (Ulaby et al., 2015).

Gli indici più diffusi che si basano su questo fenomeno sono: il Radar Vegetation Index – RVI (Ulaby et al., 2015), il Cross-Ratio – CR (Vreugdenhil et al., 2018) e il Normalized Ratio Procedure between Bands – NRPB (Fil­gueiras et al., 2019). L’utilizzo di questi indi­ci deve essere preceduto da opportune fasi di calibrazione geometrica e radiometrica dei dati originali.

L’analisi di serie multi-temporali di questi indici permette di monitora­re le proprietà geometriche (altezza e disposizione delle foglie/rami) e l’umidità della vegetazione eviden­ziando anomalie dovute a disturbi (incendi, frane, alluvioni e asporto della vegetazione) o trend partico­lari (si veda la figura qui di seguito).

Profilo multi-temporale di CR (indice Cross-Ratio) di una zona boscata inter­essata da incendi. In nero l’andamento dell’indice CR senza alcuna elabora­zione; come si può notare da un’osservazione all’altra il segnale è fortemente variabile (fenomeno chi­amato speckle). In verde l’andamento dell’indice CR dopo una filtratura. In alto a sinistra immagine dell’ar­ea boscata pre-incendio, in alto a destra la stessa area percorsa da incendio. L’analisi del trend (pre e post-incendio) di questa serie di dati, opportuna­mente elaborati, permette il riconoscimento e la mappatura dei danni alle chiome. La bruciatura della chioma ha eliminato le fog­lie e i rami più piccoli an­dando a modificare la ris­posta riflettiva degli alberi.

Fonte: immagine degli au­tori.

Indici spettrali della vegetazione

La firma spettrale descrive il comportamento riflettivo del­le superfici rispetto alle diverse lunghezze d’onda della radia­zione elettromagnetica (EE) incidente. Il telerilevamento (vedi “Dati satellitari / EO data”) misura e interpreta le firme spet­trali (tipicamente nel range spettrale 350-2500 nm) per deri­vare informazioni circa le proprietà dei corpi che le esprimono. In particolare, la firma spettrale della vegetazione è influenzata da diversi fattori legati alla struttura fogliare (latifoglie o aghifoglie), alla biomassa (stadio fenologico), allo stato di salute (efficienza fotosin­tetica) e al contenuto idrico. Spesso il contenuto informativo com­plesso insito nella firma spettrale viene sintetizzato mediante indici spettrali (IS), cioè formulazioni matematiche che coinvolgono i va­lori di riflettività registrati in alcune delle bande spettrali disponibili. Nel caso della vegetazione gli IS che ne sintetizzano il comporta­mento risultano correlabili alla biomassa, allo stato di salute, alla produttività e allo stato nutrizionale.

Esistono tre principali tipologie di IS di vegetazione basati su dati ottici (Brivio et al., 2006):

1) Indici intrinseci (o di pendenza): costruiti come rapporti più o meno complessi tra bande spettrali che geometricamente identificano delle direzioni (pendenze) di specifiche linee nello spazio del­le bande. Per la vegetazione questi in genere combinano il segnale riflesso nella banda del rosso (580-750 nm), correlabile all’assorbimento operato dalla clorofilla per supportare la fun­zione fotosintetica, con quello riflesso nella banda del vicino infrarosso (750-1100 nm) dove invece si esprimono le caratteristiche di struttura fogliare e di chioma. A questa famiglia di indici ap­partengono per esempio il Ratio Vege­tation Index – RVI e il Normalized Diffe­rence Vegetation Index – NDVI (Bannari et al., 1995).

2) Indici di distanza (rispetto alla “linea dei suoli”): ragionano con riferimento alla firma spettrale del suolo nello spa­zio delle bande (che della vegetazione costituisce il background, soprattutto laddove la risoluzione geometrica del­le immagini multispettrali non sia ele­vatissima). Essi tentano di minimizzare il contributo riflettivo del suolo sotto­stante la copertura vegetata poco den­sa. Tra questi indici ricordiamo il Per­pendicular Vegetation index – PVI e Soil adjusted Vegetation Index – SAVI (Huete, 1988).

3) Indici con correzioni atmosferiche: poiché ogni misura spettrale è nativamente “sporcata” dal contributo diffusivo e di assorbimento operato dall’atmosfera, alcuni indici cercano di minimizzarne l’effetto. Tra questi l’Atmospheric Resi­stant Vegetation Index – ARVI (Kaufman & Tanre, 1992) e Enhanced Vegetation index – EVI.

L’NDVI è certamente il più diffuso e utiliz­zato per il monitoraggio della vegetazione (Bannari et al., 1995). Esso risulta dalla se­guente relazione:

in cui ƿ_NIR e ƿ_RED rappresentano la riflettivi­tà (rapporto tra energia riflessa ed energia incidente disponibili per una certa banda) nelle bande del vicino infrarosso (NIR) e del rosso (RED) rispettivamente.

In queste bande le piante esprimono un comportamento peculiare che permette di isolare e mappare la biomassa presente. In particolare, più la riflettività nel rosso dimi­nuisce più la funzione clorofilliana è attiva, cioè aumenta l’efficienza fotosintetica della pianta. La riflettività nel NIR è invece corre­lata alla struttura fogliare e di chioma, quin­di, in qualche modo, alla biomassa espressa. Se la differenza tra NIR e RED è alta, signi­fica che si è in presenza di una biomassa significativa in ottimo stato di funziona­mento. Se si confronta il valore dell’indice in tempi successivi, è possibile pertanto derivare informazioni circa l’evoluzione fe­nologica o fitosanitaria della pianta. Se cal­colato, come vorrebbe la prassi, da bande calibrate e corrette atmosfericamente, l’N­DVI assume valori compresi nell’intervallo [-1 ; 1]. Valori tra 0.4 e 1.0 indicano la pre­senza di vegetazione a densità (o attività) crescente, mentre valori compresi tra 0 e 0.4 denotano l’assenza di vegetazione iden­tificando suoli nudi o superfici antropiche.

Valori negativi sono generalmente legati alla presenza di corpi idrici o di neve. L’NDVI costituisce pertanto una misura in­diretta, costruita per formulazione matema­tica, a partire dalle bande registrate dai sen­sori multispettrali ospitati su satelliti, aerei, droni o prossimali di campo. L’analisi di serie multi temporali di mappe di NDVI consente di descrivere il comportamento negli anni della vegetazione naturale o delle colture (si veda la figura), evidenziando eventuali anomalie, la cui spiegazione non può che avvenire sulla base di doverosi controlli di campo. Il valore dell’indice è infatti la sintesi degli effetti e della reazione dei si­stemi vegetati alle sollecitazioni indotte dai molteplici fattori esterni che su essi agiscono (fenologia, gestione, patologie, meteo/clima).

Serie multi-temporale di mappe NDVI di una zona ag­ricola in cui è stato estrapola­to il profilo di un pixel (coltura di mais). Valori di NDVI < 0.3 corrispondono a suolo nudo, mentre NDVI aumenta con lo sviluppo fenologico della coltura. La raccolta comporta un decadimento dell’indice. Se però si registrano decad­imenti in momenti non attesi dell’anno, questo indice può misurare tali anomalie e una loro mappatura può aiutare lo studio del fenomeno in­dagato e una sua gestione.  Fonte: immagine a cura degli autori.

 

prof. Enrico Borgogno Mondino, Dipartimento di Scienze Agrarie, Forestali e Ali­mentari – Università di Torino; Coordinamento Cambiamenti Climatici Uni­To Green Office UniToGO

dott. Tommaso Orusa, Gruppo Energia e Coordinamento Cambiamenti Climatici UniTo Green Office UniToGO; Dipartimento di Scienze Agrarie, Forestali e Alimentari – Università di Torino

dott. Filippo Sarvia, Dipartimento di Scienze Agrarie, Forestali e Alimentari – Uni­versità di Torino

dott. Samuele De Petris, Dipartimento di Scienze Agrarie, Forestali e Alimentari – Università di Torino

 

Bibliografia

– Latini Gianni, Bagliani Marco, & Orusa Tommaso. (2020). Lessico e nuvole: le parole del cambiamento climatico – II ed., Università di Torino. Zenodo. http://doi.org/10.5281/zenodo.4276945

– Filgueiras, R., Mantovani, E. C., Althoff, D., Fernandes Filho, E. I., & Cunha, F. F. D. (2019). “Crop NDVI Monitoring Based on Sentinel 1”. Remote Sensing, 11(12), 1441.

– Ulaby, F., & Long, D. (2015). “Microwave radar and radiometric remote sensing”. (pp. 461-548) Artech House.

– Vreugdenhil, M., Wagner, W., Bauer-Marschallinger, B., Pfeil, I., Teubner, I., Rüdiger, C., & Strauss, P. (2018). “Sensitivity of Sentinel-1 backscatter to vegetation dynamics: An Austrian case study”. Remote Sensing, 10(9), 1396.

– Bannari, A., Morin, D., Bonn, F., & Huete, A. R. (1995). “A review of vegetation indices”. Remote sensing reviews, 13(1-2), 95-120.

– Brivio, P., Lechi, G., & Zilioli, E. (2006). “Principi e metodi di telerilevamento” (pp. 1-525). CittaStudi.

– Huete, A. R. (1988) “A soil-adjusted vegetation index (SAVI)”. Remote Sensing of Environment, 25, 295-309.

– Kaufman, Y. J., & Tanre, D. (1992). “Atmospherically resistant vegetation index (ARVI) for EOS-MODIS”. IEEE transactions on Geoscience and Remote Sensing, 30(2), 261-270.

– Pettorelli, N., Vik, J. O., Mysterud, A., Gaillard, J. M., Tucker, C. J., & Stenseth, N. C. (2005). “Using the satellite-derived NDVI to assess ecological responses to environmental change”. Trends in ecology & evolution, 20(9), 503-510.