Seconda fase dell’upscaling

Le mappe prodotte nella prima fase sono state utilizzate come "verità a terra" nel secondo stadio del processo di upscaling (fig. 6.13), cioé nella definizione di un modello di stima del LAI sulla base dei dati a media risoluzione derivati dalle immagini Landsat.

Per implementare il modello con la miglior capacità predittiva del LAI sono stati testati anche in questo caso sia gli indici di vegetazione che le bande spettrali dei dati Landsat ed il coseno dell’angolo di illuminazione.

L’analisi della covarianza effettuata per valutare l’incidenza dei diversi possibili fattori di variazione sulla relazione tra LAI (derivato da Ikonos) e dati Landsat ha evidenziato ancora una volta un’interazione significativa fra l’indice NDVI e l’anno di osservazione (§6.8), ad indicare (prevedibilmente) che anche nel secondo stadio la relazione fra NDVI e LAI non è costante nei due anni. È stata quindi analizzata la relazione tra LAI ed NDVI e sono stati testati anche altri indici. L’interazione significativa evidenziata tra i fattori “anno” e “tipologia di vegetazione” non è stata indagata in quanto il LAI stimato a livello Ikonos è stato derivato mediante un modello generale per tutti i tipi di vegetazione e quindi non sufficientemente accurato per le singole formazioni.

Anche a livello Landsat l’utilizzo degli indici di vegetazione si è mostrato meno efficace del modello basato sulle bande ed il coseno dell’angolo di illuminazione ma in entrambi i casi le performance tra i due anni sono risultate differenti. Il modello regressivo multiplo è stato utilizzato per produrre le mappe di LAI da Landsat. Le mappe descrivono l’86,5% (2004) ed il 78,5% (2005) della variabilità del LAI. Si deve però considerare che questi modelli risentono dell’accuratezza associata al dato di LAI prodotto mediante Ikonos e quindi la capacità di descrivere la distribuzione del parametro si abbassa di conseguenza soprattutto nel secondo anno (2004: 0,786*0,865=0,680; 2005: 0,435*0,785= 0,338).

In conclusione i risultati ottenuti si prestano ad interpretazioni contrastanti: da un lato, in uno degli anni di osservazione il metodo di upscaling testato si è rivelato più che adeguato a produrre dati di “verità a terra” aventi una risoluzione spaziale ottimale e con uno sforzo, in

termini economici e di forza lavoro, nel complesso accettabile, dall'altro, il metodo ha prodotto nei due anni risultati estremamente diversi. Infatti, mentre nel 2004 il processo di

upscaling ha dato ottimi risultati, nel 2005 i risultati sono stati decisamente insoddisfacenti: la

scarsa precisione nella stima del LAI da dati Ikonos evidenziata nella prima fase dell'elaborazione dei dati del 2005 si è poi (prevedibilmente) tradotta in una stima del LAI a scala Landsat non sufficientemente accurata. In sostanza, il metodo a due stadi testato si è rivelato applicabile quando la prima delle due fasi ha dato i risultati attesi. Quando invece la stima del LAI da dati Ikonos è risultata inadeguata il metodo si è rivelato inaffidabile.

Il processo di upscaling si è comunque rivelato utile in quanto è servito ad ottimizzare la fase di campionamento dei dati di LAI: se si confrontano le relazioni dirette tra dati derivati da Landsat (ad esempio NDVI) ed il LAI misurato in campo si ottengono risultati10 nettamente inferiori. L’upscaling si dimostra un passaggio necessario per ridurre i tempi ed i costi del campionamento diretto ed ottenere quindi stime più accurate di LAI.

Le differenze osservate tra i due anni nelle relazioni fra dati satellitari multispettrali e misure di parametri biofisici della vegetazione confermano quanto evidenziato da studi recenti circa la difficoltà di estrapolare temporalmente l’uso di modelli basati su regressione statistiche tra variabili biofisiche, come il LAI, e dati radiometrici, in particolare gli indici di vegetazione (Wang et al, 2005; Davi et al., 2006).

Tali modelli sono, infatti, significativamemente influenzati da molteplici fattori, per esempio la struttura eterogenea delle coperture vegetali, la presenza di specie arbustive ed erbacee nel sottobosco che interferiscono con la corretta stima del LAI dello strato superiore ed una serie di fattori esterni come gli effetti atmosferici, le condizioni di illuminazione e le caratteristiche di riflettanza delle superfici (determinate dalla configurazione relativa sole-suolo-sensore), la radiometria delle immagini satellitari, gli errori nel collocare le misure a terra sull’immagine, l’interferenza del suolo.

Numerose applicazioni ed un gran numero di relazioni sono state sviluppate negli anni tra gli indici di vegetazione ed il LAI ma la stima del LAI di una copertura vegetale per mezzo del telerilevamento ottico rimane non facile da comprendere sebbene in alcuni casi sia l’unico mezzo per ottenere distribuzioni spazializzate di LAI (Boresjö Bronge, 2004).

Poiché numerosi parametri influiscono sulla riflettanza spettrale di una copertura vegetale non è possible trovare una relazione unica tra LAI ed indici di vegetazione o bande spettrali, che possa essere applicata ad altri contesti e momenti.

10 _{La correlazione diretta tra NDVI derivato dal Landsat ed il LAI misurato ha nel 2004 un coefficiente di}

Figura 6.13 - Schema logico utilizzato per testare differenti modelli di correlazione tra LAI misurato e dati satellitari ad alta risoluzione Ikonos (fase 1 dell’upscaling) in base all’anno ed alla tipologia di vegetazione e tra LAI stimato mediante Ikonos e dati satellitari a media risoluzione Landsat (fase 2 dell’upscaling) in base all’anno. E ELLAABBOORRAAZZIIOONNEE M MAAPPPPEE DDII LLAAII 2004 2005 EEFFFFEETTTTOO “_“AANNNNOO XX VVEEGGEETTAAZZIIOONNEE”_”

LAImis = f(riflettanzaIko)

Modello generico (2 anni, 4 tipologie di vegetazione, 108 osservazioni) A ANNCCOOVVA A FASE1 UPSCALING

-

LAImis = f(riflettanzaIko) 4 modelli differenti per ogni anno

LAI = aNDVI+b

4 modelli differenti per ogni anno (8 modelli)

LnLAI = a NDVI+b

4 modelli differenti per o gni anno (8 modelli)

LAI = aVI+b

7 indici di vegetazione testati (14 modelli)

LAImis = f(riflettanzaIko) 2 modelli differenti, 1 per anno

LnL A I = aVI+b

7 indici di vegetazione testati (14 modelli) LnL A I = f(4bande, cos(i)) 2 modelli differenti R REEGGRREESSSSIIOONNEE LLIINNEEAARREE E EFFFFEETTTTOO _““AANNNNOO_”” S SEELLEEZZIIOONNEE I INNDDIICCEE

LAI = f(4bande, cos(i)) 2 modelli differenti R

REEGGRREESSSSIIOONNEE MMUULLTTIIPPLLAA

LAIIko = f(riflettanzaLandsat) Modello generico (2 anni, 4 tipologie di vegetazione, 236 osservazioni)

E

EFFFFEETTTTOO “_“AANNNNOO”_”

LAIiko = f(riflettanzaLandsat) 2 modelli differenti, 1 per anno

-

+

LnL A I= aVI+b

9 indici testati (18 modelli) R

REEGGRREESSSSIIOONNEE LLIINNEEAARREE

LnL A I = f(6bande, cos(i))

2 modelli differenti per anno R REEGGRREESSSSIIOONNEE MMUULLTTIIPPLLAA FASE 2 UPSCALING 2004 2005 E ELLAABBOORRAAZZIIOONNEE M MAAPPPPEE DDII LLAAII

7. ANALISI MULTITEMPORALE DI INDICI SPETTRALI DI VEGETAZIONE