I dati satellitari migliorano il monitoraggio delle foreste con il deep learning

Monitorare le foreste è fondamentale per proteggere l'ambiente e gestire le risorse. Un modo per farlo è osservare l'altezza della vegetazione, che aiuta a capire come le foreste cambiano nel tempo. In Svizzera, l'Inventario Nazionale delle Foreste svizzero fornisce mappe di altezza, ma vengono aggiornate solo ogni sei anni. Questo rende difficile vedere i cambiamenti nella foresta in modo rapido.

Per affrontare questo problema, i ricercatori stanno esplorando l'uso di dati satellitari e tecniche di Deep Learning per creare mappe di altezza della vegetazione più accurate e a costi contenuti, con aggiornamenti più frequenti. Questo articolo discute come questi metodi siano stati applicati in Svizzera per realizzare mappe annuali di altezza della vegetazione dal 2017 al 2020 utilizzando immagini del satellite Sentinel-2.

#Contesto sulle Dinamiche Forestali

Le dinamiche forestali si riferiscono a come le foreste cambiano nel tempo. Questi cambiamenti possono verificarsi a causa di eventi naturali come tempeste e incendi, o attività umane come il disboscamento e lo sviluppo del territorio. Tenere traccia di questi cambiamenti è cruciale per la conservazione e la gestione delle risorse. Misurazioni accurate dell'altezza degli alberi possono aiutare nella valutazione della biodiversità e nella pianificazione per un uso sostenibile delle foreste.

Tradizionalmente, le foreste sono state mappate e misurate utilizzando la tecnologia della scansione laser aerea (ALS), che fornisce dati molto precisi ma è costosa e richiede tempo. Questo processo porta a aggiornamenti limitati nelle mappe di altezza delle foreste. Pertanto, i ricercatori hanno esplorato l'uso di dati satellitari come alternativa che potrebbe fornire aggiornamenti più frequenti a un costo inferiore.

#Immagini Satellitari Sentinel-2

Il satellite Sentinel-2, gestito dall'Agenzia Spaziale Europea, offre immagini gratuite e pubblicamente disponibili della superficie terrestre. Queste immagini hanno una risoluzione di 10 metri, il che significa che ogni pixel rappresenta un'area di 10 metri per 10 metri a terra. Il satellite torna su ogni area ogni pochi giorni, consentendo una raccolta di dati frequente, utile per monitorare i cambiamenti nella struttura della foresta.

Utilizzando le immagini di Sentinel-2, i ricercatori possono creare mappe di altezza della vegetazione analizzando la luce riflessa dalla vegetazione. Questo approccio consente di creare mappe che mostrano come le foreste cambiano di anno in anno.

#Tecniche di Deep Learning

Il deep learning è un tipo di intelligenza artificiale che utilizza algoritmi per analizzare modelli di dati complessi. In questo studio, i ricercatori hanno utilizzato modelli di deep learning per prevedere le altezze della vegetazione dalle immagini di Sentinel-2. L'obiettivo era creare uno strato annuale di altezza della vegetazione in tutta la Svizzera.

Il modello di deep learning è stato progettato per lavorare con le immagini di Sentinel-2 e i dati di elevazione. Allenando il modello con altezze di vegetazione conosciute dai dati ALS, i ricercatori sono riusciti a creare un sistema in grado di prevedere le altezze della vegetazione su ampie aree a partire dalle immagini satellitari.

#Metodologia

#Area di Studio

Il focus dello studio era la Svizzera, nota per il suo paesaggio vario, inclusi montagne e aree urbane. Circa un terzo della Svizzera è coperto di foreste, cruciali per la biodiversità e la regolazione del clima. Le foreste qui includono principalmente alberi coniferi e decidui.

#Raccolta dei Dati

I ricercatori hanno utilizzato due principali set di dati per la loro analisi:

1. Immagini Sentinel-2: Hanno selezionato immagini scattate durante la stagione in cui le foglie sono presenti, da maggio a settembre, per gli anni dal 2017 al 2020. Queste immagini sono state utilizzate per calcolare le altezze della vegetazione.

2. Dati di Riferimento da ALS: Hanno utilizzato un dataset raccolto attraverso campagne ALS, che ha fornito misurazioni accurate dell'altezza della vegetazione. Questo dataset è stato essenziale per addestrare il modello di deep learning e convalidarne l'accuratezza.

#Costruzione del Modello

I ricercatori hanno sviluppato un modello di deep learning per prevedere le altezze della vegetazione. Questo modello ha utilizzato i seguenti passaggi:

1. Preparazione dei Dati di Input: Il modello ha preso come input le immagini di Sentinel-2 insieme ai dati di elevazione.

2. Addestramento del Modello: Il modello è stato addestrato sugli altezze di riferimento dai dati ALS. Durante questo processo, ha imparato a prevedere l'altezza della vegetazione dalle caratteristiche delle immagini satellitari.

3. Generazione delle Mappe di Altezza: Dopo l'addestramento, il modello è stato utilizzato per generare mappe di altezza della vegetazione per ogni anno dal 2017 al 2020.

#Validazione

Per assicurarsi dell'accuratezza delle mappe di altezza generate, i ricercatori hanno convalidato il loro modello utilizzando il dataset ALS indipendente. Hanno confrontato le altezze previste dalle immagini satellitari con le misurazioni ALS per quantificare quanto bene il modello funzionasse.

#Risultati

#Mappe Annuali di Altezza della Vegetazione

I ricercatori sono riusciti a generare con successo mappe annuali di altezza della vegetazione per la Svizzera. Queste mappe mostrano come l'altezza della vegetazione vari di anno in anno, consentendo un monitoraggio migliore delle dinamiche forestali.

#Accuratezza del Modello

La valutazione del modello ha mostrato che funzionava bene nel prevedere le altezze della vegetazione. L'errore medio era basso, rendendo il metodo promettente per future applicazioni. Tuttavia, il modello tendeva a sottovalutare le altezze degli alberi molto alti, che è una limitazione nota in studi simili.

#Fattori che Influenzano l'Accuratezza

L'accuratezza del modello variava a seconda di diversi fattori, tra cui:

• Elevazione: Il modello aveva errori maggiori nelle regioni con elevazioni più alte, probabilmente a causa della complessità del terreno.
• Densità degli Alberi: Funzionava meglio in foreste dense rispetto a aree aperte.
• Tipo di Foresta: Il modello aveva un'accuratezza simile per le foreste a foglia larga e conifere.

#Rilevamento dei Cambiamenti

Una delle applicazioni significative delle mappe di altezza della vegetazione è il monitoraggio dei cambiamenti strutturali nelle foreste. I ricercatori hanno analizzato quanto bene le loro mappe potessero rilevare cambiamenti causati da eventi naturali o attività umane.

I risultati hanno mostrato che cambiamenti più grandi, come quelli causati da tempeste, potevano essere rilevati efficacemente. Tuttavia, cambiamenti più piccoli, come la crescita di singoli alberi, erano più difficili da catturare con precisione a causa delle limitazioni del modello.

#Discussione

#Vantaggi dell'Utilizzo dei Dati Satellitari

Uno dei principali vantaggi dell'utilizzo dei dati satellitari Sentinel-2 è la possibilità di produrre mappe di altezza più frequentemente rispetto ai metodi tradizionali. Questo porta a un monitoraggio migliore delle dinamiche forestali, consentendo interventi tempestivi in caso di cambiamenti negativi.

Il modello di deep learning riduce anche i costi associati alla Mappatura, rendendola accessibile per valutazioni ambientali in corso e gestione delle foreste.

#Sfide e Limitazioni

Sebbene lo studio abbia raggiunto i suoi obiettivi, ci sono ancora sfide da affrontare. La tendenza del modello a sottovalutare gli alberi alti potrebbe influenzare alcune applicazioni, come quelle focalizzate sulla stima della biomass. Inoltre, le aree con terreni ripidi hanno presentato complicazioni che hanno influito sull'accuratezza delle previsioni.

I ricercatori hanno notato che i dati sbilanciati utilizzati per l'addestramento, in cui le altezze della vegetazione più basse erano più comuni, hanno contribuito a questi problemi. Hanno suggerito che includere una gamma più ampia di altezze della vegetazione nei futuri set di dati potrebbe migliorare le prestazioni del modello.

#Conclusione

Lo studio ha dimostrato che utilizzare dati satellitari e tecniche di deep learning per creare mappe di altezza della vegetazione è un approccio praticabile per monitorare le foreste. Le mappe generate forniscono preziose informazioni sulle dinamiche forestali e possono servire come strumento complementare ai metodi di mappatura tradizionali.

Il lavoro futuro include il raffinamento ulteriore del modello e l'affrontare le sue limitazioni. Ad esempio, incorporare dati di riferimento più diversificati e considerare fattori meteorologici potrebbe migliorare l'accuratezza. Inoltre, i ricercatori pianificano di implementare questo flusso di lavoro su scala più grande, permettendo un monitoraggio completo della salute delle foreste in tutta la Svizzera e potenzialmente oltre.

In generale, questa ricerca contribuisce a far avanzare i metodi per il monitoraggio delle foreste e supporta pratiche di gestione sostenibile fornendo dati tempestivi e accurati sulle condizioni forestali.