Il telerilevamento da satellite

Dal lancio del primo satellite ERTS-11 (luglio 1972), poi rinominato Landsat, destinato all’osservazione della terra, sono oramai trascorsi 26 anni e i dati relativi alla superficie ter- restre acquisiti da piattaforme satellitari sono diventati familiari anche ai tecnici forestali.

Progressi notevoli sono stati fatti nella risoluzione spaziale e in quella spettrale del sensori, ma soprattutto nella messa a punto di attrezzature hardware e software per agevolare l’analisi dei dati e di tecniche idonee all’interpretazione delle immagini.

Come già accennato all’inizio di questo capitolo, occorre fare da subito una grande distinzione fra sistemi di telerilevamento passivo, che nel settore del telerilevamento da satellite sono rappresentati da una vasta gamma di sensori ottici, e sistemi di telerileva- mento attivo, che consistono in radar e operano nel campo delle microonde.

Anche questi ultimi possono vantare oramai una storia ventennale di sperimentazioni e applicazioni. Il primo satellite a montare un sensore radar è stato infatti il Seasat-A, statuni- tense, lanciato nel 1978, che portava un sensore SAR (Synthetic Aperture Radar). Non sono però statunitensi i satelliti attualmente operativi nel campo dei radar, bensì europei (ERS-1 e 2), giapponesi (JERS-1) e canadesi (RADARSAT).

Il grande vantaggio dei sensori radar è che questi acquisiscono dati utili in qualunque condizione atmosferica (D’Angelo e Galli, 1996), ma sfortunatamente il loro segnale è influenzato da una miriade di fattori, come pendenza, esposizione, condizioni di umidità, microrilievo, a parte quelli legati alla struttura della vegetazione (Pitt et al., 1997).

Escluso lo JERS-1, questi satelliti operano nella banda C; il contenuto informativo delle immagini prodotte per quanto riguarda gli aspetti forestali è molto ridotto e questa tecnolo- gia appare difficilmente utilizzabile negli inventari forestali (KöhI e Päivinen, 1996). Si segnala tuttavia che, nell’ambito dell’inventario forestale finlandese, sono state condotte sperimentazioni per l’uso delle immagini ERS-1 SAR: i risultati delle ricerche mostrano che queste immagini non sono rivolte alle applicazioni forestali, ma che con analisi multitempo- rali, è possibile ottenere delle informazioni utili (Tomppo, 1997).

In ogni caso non si ritiene utile diffondersi ulteriormente in questa sede sulle tecniche di telerilevamento con sensori radar, poiché siamo ancora in una fase di sperimentazione e di verifica delle potenzialità operative (D’Angelo e Galli, 1996).

Come guida alla lettura del presente capitolo, nella tabella 4.1 sono illustrate le pro- prietà dei principali sensori ottici utilizzati nell’osservazione della terra da satellite.

Riguardo ai dati multispettrali, questi sono ripresi in diversi intervalli di lunghezza d’onda, nello spettro del visibile e in quello dell’infrarosso (vedi fig. 4.1).

Le metodologie di classificazione del territorio forestale sviluppate in questi ultimi anni hanno fatto uso soprattutto dei due satelliti multispettrali Landsat TM e SPOT (Kellenber- ger, in press), che, come si può notare dalla tabella 4.1, sono fra quelli di migliore risolu- zione spaziale e spettrale, ma anche disponibili da più tempo, e per i quali dunque le tecniche sono oramai più consolidate. È necessario comunque segnalare per il Landsat TM le difficoltà derivate dal fallimento del lancio dei Landsat-6, previsto per il 1993, che costringono oggi ad utilizzare un sensore che ha superato il suo periodo di vita, mentre problemi analoghi, emersi con la perdita dello SPOT-3 avvenuta nel 1996, sembrano risolti con il successo del nuovo satellite SPOT-4. Per questi motivi i dati IRS-1C suscitano un crescente interesse, anche per l’elevata risoluzione spaziale (5,8 m) che raggiungono nel pancromatico. Recentemente Kellenberger (in press) ha confrontato, sugli stessi siti test, i risultati ottenuti nella classificazione dell’area forestale con dati multispettrali del satellite IRS-1 C, dello SPOT e del Landsat TM. Dalla sperimentazione è emerso che le tre fonti di dati sono ugualmente idonee allo scopo, anche senza integrare i dati con quelli ad elevata risoluzione del pancromatico.

Oltre alla scelta dei dati, nelle tecniche di classificazione è molto importante definire la procedura di elaborazione e interpretazione, scegliendo quella più appropriata. Il panorama delle metodologie sviluppate a questo scopo è molto vasto, e si evolve costantemente. In genere le diverse tecniche prevedono una fase preliminare molto importante di pre-tratta-

mento delle immagini, in cui effettuare la correzione geometrica e quelle radiometriche (sia

lità dei dati grezzi e più difficile è la geomorfologia del territorio studiato, ed una di classifi- cazione vera e propria. La correzione geometrica e radiometrica per quanto attiene agli effetti topografici che causano differenti condizioni di illuminazione deve essere effettuata con l’ausilio di un DTM di qualità adeguata.

Nel pre-trattamento dovrebbe rientrare, soprattutto per applicazioni su territori estesi, anche un momento di stratificazione delle immagini, con la suddivisione in regioni più omo- genee, sulle quali procedere separatamente con la classificazione.

La fase di pre-trattamento è molto importante e può migliorare notevolmente l’accura- tezza raggiunta nelle classificazioni.

Prima di descrivere brevemente i differenti approcci seguiti nella classificazione delle immagini, si ritiene utile accennare agli indici di vegetazione. Si tratta di combinazioni algebriche di misure di riflettanza in due o più canali spettrali (bande) che risultano partico- larmente significative in relazione ad alcuni caratteri della vegetazione. In particolare tali indici sono “correlati con i parametri associati allo stato di salute ed alla produttività delle colture” quali la densità, la copertura, la biomassa verde, l’indice di area fogliare (LAI o Leaf Area Index)2 (Gomarasca, 1997). Gli indici di vegetazione inoltre possono servire come sin- tesi del contenuto informativo di più bande e sono utilizzati nelle procedure di classifica- zione, consentendo di ridurre il set di valori spettrali da considerare. Fra questi, uno del più comuni è il normalized difference vegetation index (NDVI – Cowell, 1974, citato in Gomara- sca, 1997), dato dal rapporto tra la differenza fra la riflettanza nell’infrarosso vicino e quella nel rosso e la loro somma. Attraverso I’NDVI il fenomeno dell’assorbimento di energia nel rosso (630-690 nanometri) dovuto alla clorofilla viene messo in relazione con quello della forte riflessione nell’infrarosso vicino (760-900 nanometri), influenzato dalla struttura fogliare. Questo indice è usato in particolare per studi sulla distribuzione spaziale della vegetazione e sulle sue condizioni fisiologiche, per stime della biomassa vegetale e a scopi di monitoraggio.

Riguardo alle classificazioni, si deve innanzitutto distinguere l’interpretazione visuale delle immagini dalle procedure di analisi di tipo automatico, che prevedono l’uso di algo- ritmi.

Le tecniche automatiche possono essere a loro volta di tipo guidato, non guidato e ibrido.

La classificazione guidata comporta l’identificazione, la selezione e l’eiaborazione di dati di addestramento del ciassificatore sui cosiddetti training sites. Questi dati consentono di individuare la firma spettrale degli oggetti da classificare, sulla base della quale vengono guidate le procedure da applicare. In una prima fase del processo si registrano i valori numerici delle firme spettrali tipiche delle categorie considerate. Successivamente si con- frontano i valori spettrali di ciascun pixel con quelli tipici delle categorie suddette in modo da poterlo assegnare alla categoria i cui valori spettrali sono più vicini (Gomarasca, 1997).

Esempi diffusi di classificatori guidati sono quello della massima verosimiglianza (Maxi- mum Likelihood, MLL), di tipo statistico, basato sulla probabilità di appartenenza ad una classe, quello della minima distanza (Minimum Distance, MID), basato sulla distanza eucli- dea fra i pixel in uno spazio multidimensionale, dove ogni asse rappresenta una banda spettrale, quello del parallelepipedi, che delimita delle regioni dello spazio multispettrale all’interno delle quali sono comprese le diverse categorie. Oltre ai classificatori elencati, che si basano su tecniche oramai consolidate, esiste una vasta gamma di metodi nuovi, in costante evoluzione e che sembrano fornire migliori accuratezze. Si segnala in proposito il Linear Spectral Mixture Modelling (LSMM), un modello lineare di rappresentazione dei pixel misti che identifica i componenti principali di ciascuna immagine e ne stima le frazioni pre- senti in ciascun pixel dell’immagine (D’Angelo e Galli, 1996) e che è stato di recente utiliz-

2. Il LAI, o indice di area fogliare, è definito come la superficie fogliare incidente su un’unità di area. Questo parametro condiziona fortemente la firma spettrale (poiché le foglie sono le principali responsabili sia dell’assorbimento nel rosso che della riflessione nell’infrarosso vicino) e pertanto sono stati messi a punto diversi metodi di stima del LAI a partire dai dati satellitari.

zato per una classificazione dell’intero territorio del Lussemburgo (Radeloff et al., 1997). Si citano inoltre i classificatori basati sui fuzzy sets e quelli basati sulle reti neurali, che appa- iono molto interessanti, ma che non sono da ritenersi ancora operativi.

Recentemente si stanno affermando dei classificatori che tengono conto anche dell’analisi del contesto spaziale, che prevedono l’integrazione di dati spaziali e spettrali, superando il limite costituito dal considerare ciascun pixel indipendente da quelli vicini. Sono state così sviluppate procedure che si basano su informazioni spaziali o tessiturali, spesso integrandole mediante sistemi esperti a basi di conoscenze. A questo proposito, particolare interesse rivestono alcune procedure di analisi spaziale delle immagini che sono state implementate nel software SILVICS (Satellite Image Land Vegetation Integrated Clas- sification System) sviluppato nell’ambito del progetto FIRS3. Tali procedure comportano l’individuazione ed il delineamento di margini fra differenti categorie, rimuovendo le varia- zioni random che si verificano fra pixel vicini, e la segmentazione dell’immagine da satellite in regioni più omogenee (Mc Cormick, 1997).

La classificazione non guidata non prevede controlli al suolo e consiste in un’applica- zione sui dati spettrali delle tecniche di cluster analysis. Questa permette di individuare automaticamente classi di pixel, caratterizzati da valori spettrali simili. Tali classi, definite soltanto sulla base di criteri statistici, senza disporre a priori di informazioni sulla loro corri- spondenza con le coperture del suolo, vengono successivamente verificate a terra (Goma- rasca, 1997).

Metodi di classificazione intermedi fra queste due grandi categorie sono quelli ibridi, che prevedono in genere una fase senza controlli a terra ed una guidata. Una tecnica di classi-

ficazione ibrida è stata ad esempio impiegata nel recente inventario pilota realizzato in

Minnesota, su dati Landsat TM (Bauer et al., in press).

L’interpretazione visuale delle immagini da satellite è ancora oggi competitiva rispetto alle altre tecniche. L’uso di combinazioni di bande particolarmente significative da parte di un fotointerprete di buon livello (esperto del territorio che sta esaminando) produce spesso le classificazioni più accurate.

Un recente lavoro di Mas e Ramirez (1996) su di un’area del Messico di circa 4500 km2, che mette a confronto diverse tecniche di classificazione (tecniche di massima verosimi- glianza senza o con integrazione di dati ausiliari in ambiente GIS, in quest’ultimo caso con il supporto di un sistema di regole dettate da esperti e tradotte in algoritmi) con una classifica- zione ottenuta tramite tecniche di interpretazione visuale, conclude che l’interpretazione visuale risulta la più efficace e migliora l’accuratezza in ogni caso almeno del 10%. Le imma- gini di sintesi utilizzate a questo scopo erano stampe in scala 1:100.000 di combinazioni RGB 3,2,1 (a colori naturali) e 4,3,2 (in falso colore) di bande del Landsat TM. Nel caso parti- colare la classificazione distingueva in tutto 10 classi, di cui 4 forestali (fra cui quercia, pino, misto quercia/pino: si tratta dunque di una vegetazione piuttosto omogenea), Lo stesso lavoro citava comunque altri casi in cui la classificazione visuale era risultata migliore di quelle spettrali: ovviamente il dato varia molto in relazione all’abilità dell’interprete.

Considerazioni simili vengono fatte da Bodmer (1993) in Svizzera: prove con diversi classificatori e diverso numero di classi distinte nel territorio forestale portano a concludere che le migliori accuratezze si raggiungono con l’interpretazione visuale e quando il dettaglio non è troppo spinto (per un massimo di accuratezza del 75,6%, ma bisogna considerare che si tratta di territori alpini, quindi con morfologie molto difficili).

Dopo questa breve rassegna del metodi di classificazione attualmente in uso per le immagini da satellite, occorre soffermarsi sugli aspetti dell’accuratezza. Ci si riferisce in particolare all’accuratezza tematica, ossia alla corrispondenza esistente fra il dato ottenuto dalla classificazione e quello reale.

In generale c’è una stretta relazione fra l’accuratezza della classificazione, il numero

delle classi tematiche e la velocità e semplicità delle procedure di classificazione (fig. 4.2). All’aumentare di ciascuna di queste proprietà si registra una diminuzione delle altre (Austin et al., 1996).

Comunque, a seconda del contesto, alcune procedure di classificazione risultano più efficaci di altre e, per poter effettuare un confronto, è molto utile misurare l’accuratezza raggiunta. In modo analogo, si ritiene importante fornire dei dati sull’accuratezza della fotointerpretazione di foto aeree. Questo tema dunque non è specifico dell’analisi di imma- gini da satellite, ma riguarda il telerilevamento in generale ed è trattato in dettaglio nel para- grafo seguente.