Analisi delle radure in foresta

Le radure in foresta rappresentano degli elementi di grande importanza poiché oltre a contribuire a man-tenere una eterogeneità a scala di paesaggio andando a costituire soluzioni di continuità nella copertura fo-restale, influenzano il ciclo dei nutrienti, le dinamiche di successione e rinnovazione forestale, aumentano la diversità di habitat e suolo, preservando una notevole diversità specifica.

Un aspetto molto studiato è l’aumento della radiazio-ne solare incidente rispetto alle zoradiazio-ne limitrofe in cui vi è copertura, con conseguente modificazione del microclima locale. Le ricadute sono non solo a livello della composizione specifica (che ne risulta modifica-ta), ma riguardano anche la mineralizzazione della so-stanza organica che aumenta notevolmente, tanto da definire queste aree come degli “hot spot” per quanto concerne i nutrienti (Schliemann e Bockheim, 2011).

Le radure sono di fatto un elemento di diversità, so-prattutto a scala di paesaggio, per tale motivo la loro presenza è stata inclusa nel set di indicatori BIOΔ4.

1 La distribuzione segue l’andamento tipico osservato nei soprassuoli soggetti a disturbi abiotici: poche radure di grandi dimensioni e, viceversa, molte di piccole dimensioni.

Per esaminare la struttura delle radure, ovvero la loro dimensione, forma e distribuzione, e per determinare un metodo per il loro campionamento che fosse ac-coppiabile al rilievo di campo degli altri indicatori, si è fatto ricorso a dati LiDAR (Light Detection And Ran-ging). Nelle aree considerate si è impiegato un prodot-to derivaprodot-to, ovvero il modello digitale delle chiome (Canopy Height Model - CHM), disponibile sul portale cartografico della Regione del Veneto (volo 2017, fig.

3.26).

Inizialmente sono state definite come radure tutte le porzioni di bosco di superficie compresa tra 25 e 5000 m², in cui l’altezza degli eventuali alberi presenti fosse inferiore a 10 m. Successivamente le radure sono state mappate in modo automatico tramite il software R (R Core Team, 2013).

Si è quindi potuto osservare come la distribuzione del-le radure nonché la distribuzione di frequenza relati-va alle dimensioni segua la legge di potenza inversa¹, così come riscontrato anche in letteratura (Lingua et al., 2011) (fig. 3.27).

Figura 3.26: mappatura delle radure (“gap”) sul modello digitale delle chiome (CHM) nella particella 52a, in Cansiglio. In blu sono eviden-ziate le radure, in rosso i confini di particella.

Gap Particellare CHM

0 39

0 100 200 m

2500

2000

1500

1000

500

0

Frequenza

100 200 300 400 500 600 700 800 900 1000 Classi di superficie (m²)

y = 1E+09x^-2,57 R² = 0,9787

Figura 3.27: la distribuzione per dimensione delle radure segue la legge di potenza inversa (reverse J-shape) secondo cui si hanno molte radure di piccole dimensioni e poche di grandi dimensioni.

Partendo dalla carta delle radure così determinata è stata calcolata la cosiddetta “gap fraction”, ovvero la percentuale di superficie del popolamento forestale occupata da radure. Il parametro viene facilmente cal-colato in ambiente GIS. Le prime soglie dell’indicatore n. 9 erano state determinate considerando proprio il valore di gap fraction. Qualora sia disponibile il dato LiDAR, ovvero un CHM per l’area di interesse, questa procedura è da ritenersi rapida ed accurata. Nel caso questo dato non fosse disponibile o risultasse datato (situazione ancora comune, anche se progressivamen-te le acquisizioni stanno coprendo gran parprogressivamen-te del progressivamen- ter-ritorio nazionale), è stato messo a punto un metodo di stima speditiva da applicare in campo. Questo metodo prevede di approssimare la gap fraction alla percen-tuale del percorso di rilievo degli indicatori BIOΔ4 contenuta all’interno delle radure.

Per testare il metodo sono stati generati in ambiente GIS 10 aree rettangolari di 20 ha (500 x 400 m), per ognuna delle due aree di studio. All’interno di queste sono stati collocati i transetti (come da protocollo di rilievo), in modo da comprendere zone con densità e dimensioni dei gap diverse. (fig. 3.28). Si è quindi cal-colata la lunghezza del percorso all’interno di radu-re, simulando il percorso a piedi di un rilevatore. Da una prima analisi è stato possibile osservare come le maggiori criticità di campionamento, ovvero la discre-panza tra la percentuale misurata lungo il transetto e la gap fraction totale dell’area, si ottengano quan-do sono presenti pochi gap di piccole dimensioni (fig.

3.29) oppure quando le radure sono distribuite in ma-niera fortemente eterogenea, ovvero concentrate (fig.

3.30), e dunque la collocazione del percorso potrebbe alterare notevolmente il risultato. L’obiettivo primario del progetto BIOΔ4 è quello di creare indicatori sem-plificati e speditivi: per tale motivo, a seguito di diversi test e confronti con esperti, si è deciso di considerare solamente le radure che rispondano a criteri dimensio-nali più restrittivi, ovvero una superficie compresa tra 400 e 2000 m² e altezza degli eventuali alberi presenti all’interno inferiore al metro. Queste prime correzioni contribuiscono anche ad eliminare il rumore generato dalle piccole interruzioni di continuità della copertura arborea ed escludono grandi aperture già potenzial-mente classificabili come diverso uso suolo: in questo modo si ottiene una buona correlazione tra la gap fraction così stimata e i valori di riferimento ottenuti tramite GIS (R² = 0.707, fig. 3.31). Attraverso ulteriori confronti e simulazioni, si è inoltre osservato come un risultato di analoga accuratezza si ottenga con il sem-plice conteggio delle radure. La relazione esistente tra il numero di gap e la gap fraction è infatti molto buona (R² = 0.941, fig. 3.32), avendo eliminato la parte iniziale della distribuzione vista in fig. 3.27.

Ai fini pratici questo risultato è di grande importanza, in quanto semplifica e velocizza notevolmente i rilievi in campo. In tutte le occasioni in cui i dati LiDAR siano disponibili, si consiglia comunque sempre il ricorso ai dati telerilevati.

Figura 3.28: esempio di plot rettangolare per il calcolo della gap fraction. La linea nera rappresenta il transetto da seguire che interseca i gap, evidenziati in arancione.

Figura 3.29: esempio di plot rettangolare con poche radure di piccole dimensioni.

Legenda Gap

Gap attraversati Particelle Plot 20 ha Transetto Transetto selezione

Figura 3.30: esempio di plot rettangolare con radure concentrate.

9 8 7 6 5 4 3 2 1 0

Gap fraction speditivo (%)

0 1 2 3 4 5 6 7 8 9 Gap fraction riferimento (%)

16 14 12 10 8 6 4 2 0

Gap fraction (%)

0 2 4 6 8 10 12 14 16 N gap

Figura 3.31: confronto tra i valori di gap fraction ottenuti tramite metodo speditivo simulato in campo e quelli di riferimento. (R²

= 0.707).

Figura 3.32: grafico della correlazione tra gap fraction e il nume-ro di radure (R² = 0.941).