Elaborazione delle carte della vegetazione da immagini Ikonos

5.2.1 Pre-processing delle immagini satellitari

Prima di essere sottoposte a classificazione o ad elaborazione per l’estrazione di indici spettrali (vd. cap.6), le immagini telerilevate sono state sottoposte ad una fase di pre-

processing per correggere le distorsioni geometriche, renderle perfettamente co-registrate

(sovrapponibili) tra loro e ad altre immagini o strati informativi di vario genere e per ridurre l’interferenza dell’atmosfera.

5.2.1.1 La correzione geometrica

I dati satellitari del sensore Ikonos come già detto (§4.3.3) comprendono un’immagine pancromatica ad 1m di risoluzione ed un’immagine multispettrale a 4 bande acquisite sincronicamente con risoluzione spaziale di 4m (tab. 5.2).

Le immagini sono state sottoposte a correzione geometrica seguendo un approccio gerarchico: si è proceduto prima alla correzione delle immagini a più alta risoluzione poi utilizzate a loro volta come riferimento per la correzione di quelle a risoluzione minore. Il software utilizzato è il modulo OrthoBASE Pro 8.5.1 dell’Earth Resource Data Analysis System (ERDAS)

Imagine 8.5.

Sono state quindi preliminarmente ortocorrette le immagini pancromatiche utilizzando Ground Control Points (GCPs) planimetrici derivati sia da rilievi GPS effettuati durante le …..

Figura 5.1 – Bosco Pantano Sottano: localizzazione dei transetti e delle aree per i rilievi sulla vegetazione e dei rilievi per il campionamento del LAI, alcuni poligoni visualizzati sono stati individuati mediante fotointerpretazione, l’immagine su cui sono riportati è la Ikonos del 22/06/05 (RGB 3:2:1).

Tabella 5.2 – Immagini Ikonos acquisite

Sensore Passaggio satellitare Bande Risoluzione spaziale (m) Scena ripresa

Multispettrali 4 Monte Coppolo : 1 frame

02/08/2004 _{Pancromatiche 1 Bosco Pantano: 2 frame}

Multispettrali 4 Monte Coppolo: 1 frame

Ikonos

campagne di misura, sia estratti dalle ortofoto a colori, in scala 1:10.000, del volo Italia 20005. La quota dei punti, è stata ricavata da un modello digitale del terreno (DTM) con passo di 4m. Le due immagini pancromatiche ortocorrette del 2004 (relative alle due aree di studio) sono quindi divenute il riferimento per l’ortocorrezione delle restanti immagini Ikonos.

È stato individuato un certo numero di check point (CHK) per valutare la bontà (RMSE) del processo di ortorettifica. L’accuratezza nella georeferenziazione è risultata pari a 2,8 pixel per le 2 immagini pancromatiche del 2004, mentre le multispettrali del 2004 e le immagini del 2005 sono state co-registrate con un’accuratezza inferiore al pixel. Le immagini sono state quindi ricampionate mediante l’algoritmo Nearest-Neighbour.

Si può dire quindi che, data la risoluzione geometrica delle immagini, l’incertezza con cui si può identificare un punto al suolo è inferiore a ± 7 m.

La proiezione cartografica adottata è la UTM con i parametri seguenti: Sferoide International 1909, Datum European 1950, Zona 33 Nord.

5.2.1.2 Le correzioni radiometriche

Le correzioni radiometriche hanno riguardato sia la trasformazione da Digital Number (DN) a radianza, utilizzando i coefficienti gain e offset forniti insieme alle immagini dal distributore stesso, sia la correzione per gli effetti di rumore dovuti all’interazione con l’atmosfera terrestre. Quest’ultima è stata effettuata mediante l’uso del codice di trasferimento radiativo 6S-Second Simulation of the Satellite Signal in the Solar Spectrum (Vermote et al., 1997). In mancanza dei dati necessari per una caratterizzazione dell’atmosfera al momento del passaggio satellitare, si è proceduto alla stima dello spessore atmosferico, per iterazione, a partire da misure di riflettanza a terra eseguite su opportuni target mediante spettroradiometro portatile ASD Fieldspec Pro.

5.2.2 Classificazione supervised delle immagini satellitari

Il processo di elaborazione delle immagini satellitari per la produzione di carte della vegetazione reale delle aree di studio è stato un processo di tipo iterativo in cui attraverso passi successivi si è proceduto ad identificare ed eventualmente aggregare o separare le diverse categorie di vegetazione e copertura del suolo presenti nelle aree di studio con l’obiettivo di amplificare la discriminabilità spettrale tra le tipologie vegetali di maggior interesse per questo lavoro ed ottenere così il miglior compromesso tra dettaglio della legenda ed accuratezza della classificazione. A tal fine sono state valutate le classificazioni derivate da

diverse combinazioni di immagini multispettrali e multitemporali per poter valutare il contributo di ogni banda e della diversa informazione fenologica corrispondente alle riprese del 22 giugno (2005) e del 2 agosto (2004).

Il metodo di classificazione utilizzato è di tipo supervised. Come già detto (§4.5.5), questa procedura prevede l’intervento dell’operatore nella definizione delle categorie da classificare. Durante una classificazione supervised occorre “istruire” il software attraverso l’individuazione di aree di training che costituiscono il riferimento a terra per ciascuna tipologia di vegetazione o classe di uso/copertura del suolo. È necessario, di fatto, conoscere il tipo di risposta spettrale che contraddistingue le diverse tipologie vegetali affinché il classificatore possa riconoscerle e di conseguenza etichettarle correttamente in tutta l’area di studio. Le aree deputate a questo scopo devono rispettare determinati criteri (Schowengerdt R., 1997; Congalton, 1991), ovvero devono essere:

‰ omogenee in modo che la vegetazione, il suolo o la coltura presenti in esse siano

rappresentativi di una sola categoria;

‰ grandi abbastanza da non essere localizzate in maniera ambigua all'interno

dell'immagine;

‰ sufficientemente numerose da poter fornire una serie statistica significativa e

comprensiva della variabilità intrinseca della risposta spettrale di ogni categoria.

Per ciascuna tipologia vegetale definita sono state quindi individuate numerose aree di

training attraverso specifiche campagne di rilevamento al suolo.

Il numero e l’ampiezza delle aree di training delle varie tipologie di vegetazione è stato stabilito tenendo in considerazione la rappresentatività della formazione vegetale all’interno dell’area di studio, la sua ubicazione, la risoluzione dell’immagine satellitare e la sua accuratezza geometrica, l’estensione del territorio da classificare e infine l’accessibilità delle aree (ad esempio la vicinanza a strade e sentieri).

Le coordinate geografiche delle aree di training sono state acquisite mediante GPS ottenendo una serie di poligoni che sono stati successivamente sovrapposti alle immagini da classificare. Sulla base delle indagini in campo che hanno fornito una conoscenza complessiva delle aree di studio, nonché attraverso un’analisi fotointerpretativa delle ortofoto disponibili, sono state acquisite ulteriori aree campione digitalizzate direttamente a video.

Dalle aree di riferimento sono state estratte le firme spettrali medie per classe tematica ed è stata effettuata un’analisi preliminare della separabilità spettrale per ogni possibile coppia di classi mediante la funzione Transformed Divergence (§ 4.4.4.1).

Successivamente le immagini sono state classificate mediante l’algoritmo di massima verosimiglianza ed applicando un filtro statistico (con matrice di 3x3 pixel) sui pixel classificati al fine di rendere più omogenee le classi eliminando il cosiddetto effetto “sale e pepe”.

L’accuratezza delle mappe è stata valutata quantitativamente mediante il calcolo della matrice di confusione basato sul confronto tra i dati di riferimento a terra (test), individuati indipendentemente da quelli utilizzati per classificare (training), e i dati classificati. Sono stati così definiti gli errori di omissione ed inclusione per ogni classe, la User’s Accuracy e la

Producer’s Accuracy, nonché l’accuratezza totale. Infine per ogni mappa prodotta è stata

effettuata un’analisi del coefficiente di concordanza K di Cohen (cfr. §4.4.4.3).

Poichè l’area di Bosco Pantano è risultata estremamente interessante sotto l’aspetto floristico e vegetazionale in quanto ricca di specie e di formazioni di pregio naturalistico si è proceduto alla classificazione con un dettaglio maggiore di un’area di dimensioni ridotte ma costituita da mosaici di vegetazione. L’accuratezza con cui sono state classificate queste formazioni è però valutabile solo in termini qualitativi e non quantitativi, in quanto i dati di training e di test non sono numericamente sufficienti ad applicare i test statistici.