MAPPATURA DELL’EVOLUZIONE MORFOLOGICA DEGLI ECOSISTEMI COSTIERI TERRESTRI (INCLUSA LA ZONA RETRODUNALE)

Paolo Villaa, Federica Bragab

a Istituto per il Rilevamento Elettromagnetico dell’Ambiente, Consiglio Nazionale delle Ricerche (CNR-IREA), Milano

b Istituto di Scienze Marine, Consiglio Nazionale delle Ricerche (CNR-ISMAR), Venezia

Obiettivi del tema di ricerca

L’obiettivo di questo tema di ricerca è quello di esplorare il potenziale dei dati Sentinel-2 (S2) per valutare lo stato e l’evoluzione della vegetazione costiera come indicatore primario delle condizioni di un ecosistema. Inoltre, è stata effettuata una prima valutazione dei dati iperspettrali raccolti da PRISMA, concentrandosi sulla qualità della riflettanza spettrale e sulla sua capacità di discriminare le diverse comunità vegetali. Per ricavare le mappe relative alle comunità vegetali costiere e delle zone umide abbiamo adottato un approccio di classificazione basato su quello implementato da Villa et al. (2015) [1], che sfrutta le caratteristiche spettrali derivate dalle serie temporali annuali dei dati S2.

Materiali e Metodi

Area di studio

La laguna di Venezia è la più grande laguna d’Italia, con una superficie di circa 550 km2 e una profondità media di circa 1 m. È caratterizzata da un regime di marea semidiurno con un valore medio di ± 0,7 m. La laguna è costituita da un complesso mosaico di comunità vegetali, dipendenti principalmente dalla salinità dell’acqua e dall’apporto di acqua dolce. Le paludi salmastre sono dominate da diverse specie alofite (ad esempio Spartina maritima), mentre i settori marginali di acqua dolce sono dominati da Phragmites australis, con Juncus maritimus come specie dominante in condizioni intermedie. Le dune costiere e le aree lungo la linea di costa del mare Adriatico sono principalmente popolate da specie erbacee, intervallate da piccole aree dominate da Pinus pinea.

Le informazioni relative alla distribuzione spaziale degli habitat della laguna di Venezia (paludi salmastre e vegetazione costiera), secondo la nomenclatura Natura 2000 (che copre un intervallo temporale dal 2007 al 2010), sono state utilizzate per compilare un dataset di riferimento delle tipologie di comunità vegetali. Gli habitat sono stati suddivisi in 11 classi (Livello 2), per poi essere aggregati in 6 classi di livello superiore (Livello 1). Il primo step è stato il campionamento casuale di 1000 punti (pixel di 10×10 m, coerente con la risoluzione S2) per ogni classe di livello 2, da utilizzare per l’elaborazione e la validazione delle mappe tematiche. Il secondo step è stato invece il controllo dei 1000 punti rispetto alle condizioni di vegetazione nel 2016 e nel 2017, corrispondenti all’intervallo temporale dei dati S2 utilizzati, escludendo i punti non coperti da vegetazione naturale. Infine, il terzo step è stato l’aggregazione al L1 e la divisione dell’intero set di riferimento in sottoinsiemi da utilizzare per i test di classificazione: test A) composto da “training set” (2/3 dei punti del 2016, per ogni classe L1), “validation set” (2/3 dei punti del 2016, per ogni classe L1), e “transferability test set” (tutti i punti del 2017); e test B) composto da “training set”  (2/3 dei punti del 2016 e 2017 uniti, per ogni classe L1), e “validation set” (1/3 dei punti del 2016 e 2017 uniti, per ogni classe L1).

Mappe delle comunità vegetali tramite Sentinel-2 e PRISMA

È stata scaricata ed elaborata una serie temporale di dati Sentinel-2 (S2A) per gli anni 2016 e 2017, con copertura nuvolosa inferiore al 50% sull’area lagunare di Venezia (22 date per il 2016 e 21 date per il 2017). Il dataset S2 è stato convertito in riflettanza superficiale tramite la correzione atmosferica effettuata con SEN2COR [2]. A partire dai dati di riflettanza superficiale S2, sono stati elaborati due indici spettrali sensibili alle caratteristiche della vegetazione: il Water Adjusted Vegetation Index (WAVI), sviluppato appositamente per massimizzare la sensibilità alla biomassa e alla densità della vegetazione acquatica [3], e il Normalized Difference Flood Index (NDFI), che fornisce informazioni sull’umidità del suolo e sulle condizioni di allagamento delle aree vegetate [4]. I valori di WAVI e NDFI sono stati suddivisi in tre periodi per ciascun anno, seguendo un approccio sviluppato da Villa et al. (2015) [1] per la classificazione delle macrofite d’acqua dolce, ovvero: i) periodo di inizio primavera, incentrato su aprile (DOY 85-125); ii) periodo estivo, che va da metà luglio a fine agosto (DOY 190-250); iii periodo di fine autunno, che va da metà ottobre a metà novembre (DOY 280-325). Le caratteristiche sinottiche stagionali dei tre periodi e dell’intero anno (DOY 1-366) sono state calcolate combinando i dati S2 che rientrano nell’intervallo temporale coperto da ciascun periodo (min, max, media e std). Di conseguenza, sono state calcolate quattro caratteristiche sinottiche per ciascun periodo, portando ad un totale di 16 caratteristiche per WAVI e 16 caratteristiche per NDFI. Oltre a queste 32 caratteristiche, è stato aggiunto anche il valore di riflettanza superficiale registrato durante il picco stagionale di vegetazione (derivato dalle immagini S2 acquisite il 27/08/2016 e il 02/08/2017). La classificazione della comunità vegetali, seguendo l’approccio sviluppato da Villa et al. (2015) [1], si basa su un insieme gerarchico di regole a cascata strutturate in un albero binario. L’algoritmo viene eseguito utilizzando la routine J48, modellata su Quinlan (1996) [5] e inclusa nella suite di data mining WEKA [6].

In assenza di immagini acquisite durante la fase di “commissioning” (fino a ottobre 2019) sulla laguna di Venezia, la valutazione delle potenzialità dei dati PRISMA per la mappatura della vegetazione costiera è stata eseguita su un’area di studio differente che ospita comunità vegetali simili, situata lungo la costa occidentale della Sardegna, vicino alla città di Arborea, a sud di Oristano. Immagini pressoché simultanee della stessa area sono state acquisite da S2A e da PRISMA il 25/08/2019. L’immagine S2A è stata scaricata come Livello 2A (dati di riflettanza superficiale), mentre l’immagine  PRISMA è stata scaricata come radianza TOA e convertita in riflettanza superficiale tramite il codice ATCOR [7]. Le bande spettrali di PRISMA sono state ricampionate alla stessa risoluzione spettrale di S2 MSI, dopodiché gli spettri di riflettanza superficiale delle due immagini sono stati confrontati per fornire una panoramica della qualità spettrale e dell’affidabilità dei dati PRISMA. Le capacità fornite da PRISMA nel discriminare diverse comunità vegetali sono state valutate calcolando la separabilità di ogni coppia di comunità costiera e delle zone umide, selezionate dalla mappa degli habitat ISPRA della zona.

Risultati e Discussione

L’algoritmo di classificazione delle comunità vegetali è stato eseguito utilizzando come input le caratteristiche derivate dal S2, cioè WAVI e NDFI, nonché la riflettanza superficiale in condizioni di picco stagionale, sotto due diversi test di classificazione: test A, cioè validando i risultati separatamente per il 2016 (validazione indipendente) e il 2017 (test di trasferibilità temporale), e test B, ovvero unendo i dati 2016 e 2017. Le mappe tematiche del 2016 e del 2017 (test B, fig.1) sono state elaborate solo per le aree di vegetazione naturale, per le zone acquatiche e per le zone umide della laguna di Venezia, mentre tutte le altre classi di copertura del suolo sono state escluse utilizzando la mappa CORINE Land Cover.

Figura 1: Mappe tematiche relative alle comunità vegetali della laguna di Venezia derivate dai dati S2 e utilizzando i dati integrati 2016-2017 (test B). a) copertura vegetale nel 2016. b) copertura vegetale nel 2017

Il confronto tra i valori di accuratezza per il test A mostra un’accuratezza generalmente buona per il 2016, con OA=80.6% e Kappa=0.771 calcolato sul set di validazione indipendente. Quando le regole implementate a partire dal “training set” del 2016 vengono applicate alle stesse caratteristiche derivate dai dati S2 del 2017, l’accuratezza complessiva scende al 65.5%. Questo suggerisce come le variazioni interannuali nelle caratteristiche di input devono essere prese in considerazione se si punta alla trasferibilità temporale del metodo. Data l’incoerenza temporale evidenziata del test A, è stato effettuato l’esperimento di classificazione anche nelle condizioni del test B (Tab.1). L’accuratezza delle mappe tematiche prodotte per il 2016 e il 2017 risultano generalmente buone e molto coerenti, cioè con OA=78.9% (Kappa=0.751) e OA=79.1% (Kappa=0.754) rispettivamente per il 2016 e il 2017. Inoltre, le differenze di accuratezza rilevate tra i due anni, per ciascuna classe, risultano inferiori a 0.10. Anche se le prestazioni nel 2016 sono leggermente inferiori rispetto al test A, il test B ha fornito risultati più robusti, che presentano dunque una maggiore affidabilità se applicati in diverse stagioni.

Tabella 1: Matrice di confusione (pixel di 10×10 m) relativa alle mappe tematiche derivate dai dati S2 utilizzando il test B. Vengono mostrate le metriche di accuratezza globale e per ciascun classe, calcolate sui set di validazione indipendente per il 2016 (sopra) e per il 2017 (sotto).

Il confronto spettrale tra S2 e PRISMA mostra come gli spettri derivati da quest’ultimo, dopo la correzione atmosferica con ATCOR hanno valori generalmente più bassi di circa il 10-20 % rispetto ai dati di riflettanza superficiale derivati da S2. Questa sottostima è però apparentemente coerente in tutta la gamma dal visibile all’infrarosso a onde corte. Per quanto riguarda le prestazioni di PRISMA nel discriminare le diverse comunità vegetali, il suo alto contenuto spettrale fornisce un notevole upgrade nella discriminazione delle diverse tipologie di vegetazione costiera e delle zone umide (sulla base della mappa degli habitat ISPRA), chiaramente evidenziata nella tabella 2.

Tabella 2: Matrice di separabilità che mostra i punteggi J-Mdist basati sulla riflettanza spettrale derivata dall’immagine PRISMA del 25/08/2019, sull’area di studio di Arborea, per le comunità vegetali costiere e delle zone umide (mappa degli habitat ISPRA della Sardegna). Il triangolo in basso a sinistra mostra i punteggi J-Mdist calcolati usando le bande spettrali PRISMA, mentre il triangolo in alto a destra mostra quelli ottenuti ricampionando i dati PRISMA sulla base della risoluzione spettrale del S2.

Possibili sviluppi futuri

I risultati di questa attività di ricerca hanno dimostrato come le informazioni spettrali derivate da serie temporali S2 possono essere efficacemente utilizzate per valutare lo stato della vegetazione costiera e delle zone umide come indicatore primario delle condizioni di un ecosistema. Le mappe tematiche relative alle comunità vegetali derivate per gli anni 2016 e 2017 hanno generalmente fornito un quadro affidabile della vegetazione della laguna di Venezia, con una precisione complessiva intorno all’80%. Un test preliminare delle capacità di PRISMA ha rivelato il potenziale dei dati iperspettrali nel migliorare le capacità di discriminazione spettrale delle diverse comunità vegetali costiere e delle zone umide rispetto a quelle multispettrali, aprendo così concrete possibilità di miglioramento nel prossimo futuro.

Pubblicazioni e Presentazioni

  • Villa, P; Braga, F (2020). Mapping coastal and wetland vegetation communities using multi-temporal satellite data. EUROLAG 9 conference, 20-24 January 2020, Venice, IT.
  • Villa, P; Giardino, C; Mantovani, S; Tapete, D; Vecoli, A; Braga, F (2021). Mapping Coastal and Wetland Vegetation Communities using Multi-temporal Sentinel-2 data. XXIVth ISPRS Congress, 04-10 July 2021. Accettato nel programma.

Bibliografia

  1. Villa, P., Bresciani, M., Bolpagni, R., Pinardi, M., Giardino, C. (2015). A rule-based approach for mapping macrophyte communities using multi-temporal aquatic vegetation indices. Remote Sensing of Environment, 171, 218-233.
  2. Louis, J., Debaecker, V., Pflug, B., Main-Korn, M., Bieniarz, J., Mueller-Wilm, U., … Gascon, F. (2016). Sentinel-2 Sen2Cor: L2A Processor for Users. In Living Planet Symposium, 740, 91.
  3. Villa, P., Mousivand, A., Bresciani, M. (2014). Aquatic vegetation indices assessment through radiative transfer modeling and linear mixture simulation. International Journal of Applied Earth Observation and Geoinformation, 30, 113-127.
  4. Boschetti, M., Nutini, F., Manfron, G., Brivio, P. A., Nelson, A. (2014). Comparative analysis of normalised difference spectral indices derived from MODIS for detecting surface water in flooded rice cropping systems. PloS one, 9(2), e88741.
  5. Quinlan, J. R. (1996). Learning decision tree classifiers. ACM Computing Surveys (CSUR), 28(1), 71-72.
  6. Witten, I. H., Frank, E., Hall, M. A., Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann.
  7. Richter R. and Schläpfer, D. (2019). “Atmospheric / Topographic Correction for Satellite Imagery”, DLR report DLR-IB 565-01/2019, Wessling, Germany, 210.