Prima fase dell’upscaling

Nella prima fase dell’upscaling sono stati testati diversi modelli predittivi basati sia sugli indici spettrali sia sulle bande e sul coseno dell’angolo di illuminazione. Poiché l’analisi della covarianza aveva evidenziato un’interazione significativa fra l’indice NDVI e l’anno di osservazione (§6.7), sono state condotte regressioni semplici fra indici spettrali (tutti quelli esaminati) e LAI, analizzando separatamente i dati dei due anni. Dall’analisi del LAI misurato (§6.6) e delle sue relazioni con i dati spettrali (§6.7), si è evidenziata anche una possibile dipendenza dalla tipologia di vegetazione. È stato quindi verificato se i vari modelli basati sugli indici si comportassero diversamente in funzione delle diverse tipologie di vegetazione e dell’anno di osservazione.

Da queste analisi è emersa in primo luogo una forte differenza tra i due anni di osservazione nella performance dei modelli generali in cui i migliori risultati si sono ottenuti per il 2004 utilizzando l’indice NDVI come variabile indipendente e la trasformazione logaritmica del LAI come variabile dipendente, riuscendo a spiegare il 60,4% della variabilità del parametro, mentre nel 2005 le relazioni tra i diversi indici spettrali e il LAI non hanno mai raggiunto la significatività statistica.

In secondo luogo si è verificata una diversa capacità predittiva degli indici a livello di tipologie di vegetazione con differenti livelli di variabilità del parametro spiegata.

La necessità di analizzare i comportamenti spettrali delle diverse tipologie di vegetazione trova riscontro anche in letteratura: ci sono evidenze che le proprietà della vegetazione (e il

background) influenzano la relazione tra gli indici di vegetazione ed il LAI (Myneni et al.,

1997b; Turner et a.l, 1999 e più recentemente Davi et al., 2006), suggerendo che per ottenere una certa accuratezza nella stima del LAI a scala locale sarebbe meglio utilizzare una stratificazione basata sulle classi di copertura del suolo ed usare l’indice o la relazione ottimale per ogni singola classe.

In questa tesi però non è stato possibile indagare ulteriormente questo aspetto testando ad esempio modelli regressivi multivariati, poichè il numero di osservazioni per singola tipologia di vegetazione non è sufficiente a costruire delle relazioni statistiche basate su un numero maggiore di variabili.

Si è quindi deciso di trovare una relazione il più generica possibile da poter estrapolare a diversi contesti e tipologie di vegetazione, accettando in tal modo la possibilità che un modello unico sia meno accurato e robusto nel predire il LAI delle singole tipologie vegetali, ma comunque in grado di descrivere con un certo livello di affidabilità il parametro in questione in modo tale da poter essere generalizzato.

Poiché gli indici di vegetazione non hanno mostrato risultati soddisfacenti nello sviluppo di modelli generali, è stato analizzato un modello basato sulle quattro bande spettrali disponibili ed il coseno dell’angolo di illuminazione introdotto per considerare gli effetti della pendenza e dell’esposizione, in tal modo sono state sfruttate tutte le bande riflessive disponibili.

Sono state quindi condotte regressioni multiple basate sull’utilizzo, contemporaneamente, dei valori di riflettanza di tutte le bande dell'immagine Ikonos e del coseno dell'angolo di illuminazione, come variabili indipendenti, ed il LAI come variabile dipendente.

Dopo aver analizzato i due diversi anni di osservazione si può concludere che esiste un generale miglioramento nella performance dei modelli regressivi multipli rispetto ai modelli basati solo sugli indici: nel 2004 e nel 2005, rispettivamente, il 78,6% ed il 43,1% della variabilità del LAI può essere spiegata mediante dati Ikonos. Anche in questo caso i risultati migliori si sono ottenuti utilizzando la trasformazione logaritmica del LAI che corregge quindi un effetto di saturazione delle singole bande.

Da questa seconda analisi emerge comunque la difficoltà di ottenere un modello predittivo adeguato per le osservazioni del 2005 poichè una parte significativa della variabilità del parametro non è spiegata dall’analisi di regressione applicata.

Tra le cause che possono aver determinato queste differenze vi è sicuramente il diverso momento di acquisizione delle immagini nei due anni. Infatti, nel 2004 a causa della copertura nuvolosa e di altri ritardi di pertinenza del gestore, la ripresa Ikonos, richiesta per fine giugno è stata acquisita il 2 agosto (circa 20 giorni dopo la fine del campionamento del LAI), nel 2005 invece l’acquisizione è stata effettuata il 22 giugno. In pratica le due immagini ritraggono momenti fenologici differenti relativi a diversi stati della vegetazione e del

background.

In realtà quel che per il 2004 poteva essere uno svantaggio (in quanto l’acquisizione satellitare è stata effettuata non in sincronia con le misure di campo ed oltre il picco di sviluppo

vegetativo) probabilmente si è rivelato tutt’altro. È verosimile, infatti, che a stagione inoltrata l’eterogeneità spaziale dovuta alla presenza di una copertura vegetale sottobosco sia meno rilevante e quindi interferisca meno sulla corretta stima del LAI di tipologie il cui sviluppo stagionale in termini quantitativi si assesta su valori costanti.

Al contrario nel 2005 gli effetti del background possono aver avuto un peso considerevole nel determinare la scarsa performance dei vari modelli testati.

Secondo Myneni et al. (1997b), infatti, in coperture con struttura verticale complesse, la relazione tra NDVI e LAI è in generale fortemente dipendente dal LAI dello strato sottostante. In coperture forestali con un denso sottobosco l’NDVI in pratica è insensibile al LAI dello strato superiore. Secondo Turner et al. (1999) numerosi fattori contribuiscono a vari livelli ad influenzare le differenze nella relazione tra LAI e indici nei diversi tipi di vegetazione: a livello fogliare si hanno variazioni nel contenuto dei pigmenti, nella struttura interna e nell’orientamento delle foglie rispetto al sole. A livello di chioma la variabilità è dovuta al diverso livello di aggregazione mostrato dalle foglie che causa situazioni di ombra e al contributo del materiale legnoso alla riflettanza totale. A scale maggiori la variabilità è dovuta all’eterogeneità nell’altezza delle piante, nel numero e nella dimensione delle aperture (gap). Nelle formazioni più mature la complessità della struttura causa degli ombreggiamenti che abbassano la riflettanza nell’infrarosso vicino.

È chiaro che i fattori vegetazione-dipendenti e la presenza di sottobosco più o meno sviluppato sono tutti effetti strettamente collegati al momento fenologico: i primi perché legati alla crescita e allo stato fisiologico delle piante, il secondo perché, nelle nostre aree di studio, costituito prevalentemente da specie che raggiungono il massimo dello sviluppo tra maggio e giugno e raggiungono poi una fase di stasi con l’avanzare della stagione vegetativa. I risultati ottenuti sembrano suggerire che le stime più accurate in queste aree e per queste tipologie di vegetazione si ottengano per modelli basati su dati relativi a fasi della vegetazione avanzate ovvero quando la vegetazione ha raggiunto il massimo sviluppo e l’effetto del sottostante

background è meno evidente.

Le mappe prodotte mediante i modelli multipli (figg. 6.7 e 6.8) si prestano a loro volta a considerazioni analoghe sulle diverse condizioni fenologiche e stagionali. Nella mappa di agosto (2004) in entrambe le aree di studio sono presenti estese zone non classificate (vegetazione assente o non fotosinteticamente attiva) o con valori di LAI molto bassi (0-3) ed altre, in special modo a M.te Coppolo, con valori anche molto alti (8-12). Al contrario nella mappa di giugno (2005) sono estesamente diffuse le classi di LAI con valori medi (3-6) ad

fotosinteticamente attiva, la quale, nel proseguimento della stagione e a seconda delle specie vegetali, può ridursi o raggiungere il massimo sviluppo in una fase successiva come invece sembra verificarsi nella mappa di agosto.

Nel fare queste considerazioni sulle mappe prodotte va comunque tenuto in conto il diverso grado di affidabilità che i singoli modelli, con cui sono state prodotte le mappe, presentano nello stimare la variabilità del parametro.