I dati satellitari (o telerilevati) per lo studio della superficie terrestre rappresentano l’ossatura del Telerilevamento satellitare (TR) e van- no sotto il nome di EO (Earth Observation) Data. Il Telerilevamento afferisce al più ampio ambito della Geomatica, rivisitazione moder- na, tecnologica e informatizzata, delle più tradizionali discipline della Topografia (rilievo) e della Cartografia (rappresentazione). Il TR è una tecnica conoscitiva per l’ottenimento di informazio- ni (qualitative e quantitative) relative a oggetti (superfici) posti a distanza rispetto allo strumento rilevatore (il sensore), che nor- malmente registra segnali complessi di tipo elettromagnetico rappresentandoli sotto forma di immagine digitale.
I dati EO possono venire da sistemi “attivi” dove la sorgente del segnale elettromagnetico registrato è parte integrante del- lo strumento rilevatore (per esempio RADAR - Radio Detection and Ranging e LiDAR - Light Detection and Ranging); oppure da sistemi “passivi”, dove la sorgente del segnale è esterna al siste- ma rilevatore (telerilevamento ottico e termografia).
Se la sorgente è il Sole si parla di telerilevamento “ottico”; se è una superficie terrestre di “termografia”.
Il telerilevamento ottico passivo, in particolare, costituisce una estensione della fotografia che sostituisce al concetto di “colore” quello di “firma spettrale”. Questa definisce il comportamento ri- flettivo delle superfici nei confronti della radiazione elettromagne- tica incidente. Sulla base della loro natura chimico-fisica, i corpi riflettono differentemente le diverse lunghezze d’onda del segnale proveniente dalla sorgente esterna. I sensori scompongono il se- gnale complesso in bande (tipicamente nella regione delle lunghez- ze d’onda dai 400 ai 2500 nm) che codificano separatamente sotto forma di immagini digitali. L’interpretazione della firma spettrale di ciascun pixel dell’immagine consente di derivarne informazioni utili alla sua caratterizzazione, cioè del corrispettivo territoriale che il pixel rappresenta.
Le caratteristiche tecniche di una immagine multispettrale sono: • la risoluzione geometrica che definisce l’ingombro a terra del
pixel e si misura in metri;
• la risoluzione radiometrica, che definisce il numero di bit allo- cati per rappresentare il quantitativo energetico registrato dal sensore sul singolo pixel (detto radianza). Essa definisce anche il livello di sensibilità della misura, cioè il quantitativo minimo ambito disciplinare ambientale geomatico autori Enrico Borgogno Mondino Tommaso Orusa
• la risoluzione spettrale, che definisce il nu- mero di intervalli spettrali (bande) che il sensore è in grado di acquisire. All’infor- mazione relativa al numero di bande è associato quello di valore e ampiezza di banda; • la risoluzione temporale, che definisce il numero di giorni tra due acquisizioni suc-
cessive della stessa area. Esiste oggi grande disponibilità di archivi di EO data gratuiti e pronti all’uso rilasciati sotto forma di immagini calibrate e georiferite e di prodotti semilavorati immediatamente fruibili. Nella maggioranza dei casi gli archivi fanno ri- ferimento a missioni a carattere scientifico per le quali è prevista una regolarità di acquisizione che consente di disporre di immagini relative alla stessa area con cadenza temporale che va da sovra-giornaliera (dati a bassa risoluzione geometrica) fino a quindicinale. Tale insperata disponibilità di dati consente oggi il monitorag- gio di numerosi parametri “vitali del Pianeta”. Nei primi anni settanta (1972), il programma statunitense Landsat (NASA e USGS) inaugurò l’epoca degli EO data a cui ne seguirono molte altre. Dopo una prolungata politica di distri- buzione dei dati basata su dinamiche com- merciali, a partire dagli anni ’10 del 2000 le principali missioni satellitari a carattere scien-
tifico hanno iniziato a rendere disponibili
gratuitamente i loro archivi. Oggi disponiamo di quasi 50 anni di immagini multispettrali a copertura globale.
La disponibilità di dati aggiornati, continuati- vi e ripetuti garantita dalle missioni esistenti, consente di affrontare con successo sia ap- plicazioni di monitoraggio che di analisi sto- rica basata sull’utilizzo di serie multitemporali estese, che assicurano coerenza spettrale e geometrica grazie alle consolidate catene di pre-processamento.
Le informazioni spettrali consentono di inse- guire le dinamiche temporali e la distribuzione spaziale delle caratteristiche chimico-fisiche espresse da diversi sistemi, tra cui i principali sono:
• i sistemi vegetati agricoli: produzioni, tipo- logia, fabbisogni idrici, fitopatie, controlli PAC (Politica Agricola Comunitaria), assi- curazioni, ecc.;
• i sistemi forestali: biomassa, monitoraggio dei tagli forestali, inventari forestali, de- forestazione, carbon sink (“pozzi di assor- bimento del carbonio” atmosferico), ecc.; • i sistemi nivologici e glaciali: coperture, ar-
retramenti, composizione, ecc.:
• i sistemi antropici urbani: consumo di suo- lo, atmosfera, regimi termici delle super- fici, ecc.
Inoltre costituiscono un irrinun- ciabile strumento per la map- patura dei danni da eventi ca- lamitosi e per la gestione delle emergenze (per esempio con il Rapid Mapping).
A fronte di tale potenziale in- formativo, resta tuttavia ancora fondamentale il ruolo dei dati di
D
Sensori e immagini multispettrali.
Fonte: Dispense del Corso di Basics of Remote Sensing for Agriculture di Borgogno Mondino, 2020.
Bibliografia
- Mather, Paul M., and Magaly Koch. “Computer processing of remote- ly-sensed images: an introduction”. John Wiley & Sons, 2011. - Gomarasca, M. A. (2009). “Basics of geomat- ics”. Springer Science & Business Media. - Lewis, A., Lymburner, L., Purss, M. B., Brooke, B., Evans, B., Ip, A., ... & Oliver, S. (2016). “Rapid, high-resolution detection of environmen- tal change over continental scales from satellite data–the Earth Obser- vation Data Cube”. International Journal of Digital Earth, 9(1), 106-111. - De Petris, S., Boccardo, P., & Borgogno-Mondino, E. (2019). “Detec- tion and characterization of oil palm plantations through MODIS EVI time series”. International Journal of Remote Sensing, 40(19), 7297-7311. - Orusa, T., & Mondino, E. B. (2019, October). Landsat 8 ther- mal data to support urban management and planning in the climate change era: a case study in Torino area, NW Italy. In Remote Sens- ing Technologies and Applications in Urban Environments IV (Vol. 11157, p. 111570O). International Society for Optics and Photonics.
campo senza i quali le de- duzioni remote risultereb- bero meramente indiziarie (non conclusive). I dati di campo devono pertanto confluire costantemente all’interno della catena conoscitiva per garantire calibrazione specifica (nel tempo e nello spazio) dei modelli deduttivi oltre che la loro validazione.
D
Vedi Transizione energetica.