– I.F.M. n. 2 anno 2006
ANDREA LAMONACA (*)
UTILIZZO DI IMMAGINI QUICKBIRD PER IL MONITORAGGIO ANNUALE
DELLA SUPERFICIE FORESTALE
I cambiamenti annuali delle superfici forestali sono generalmente rilevati a livello amministrativo tramite registrazione degli eventi occorsi. In particolare, in Italia, i dati riguardanti le utilizzazioni forestali sono raccolti negli Annuari ISTAT, di cui tuttavia vari Autori segnalano presunte inadeguatezze. Ai fini del monitoraggio delle superfici forestali il telerilevamento ad alta risoluzione consente di eseguire oggettive analisi multitemporali e multispettrali degli eventi occorsi. Scopo di questa nota è presentare i risultati di una sperimentazione di un indice multitemporale normalizzato per l’individuazione e la peri- metrazione delle tagliate nei boschi governati a ceduo eseguite nell’arco temporale di un anno, sulla base di immagini satellitari ad alta risoluzione. L’indice è calcolato su una coppia di immagini multitemporali QuickBird, acquisite per un’area di studio estesa circa 2215 ha nell’Alto Lazio. Le superfici delle tagliate individuate sono confrontate con i dati dichiarati a livello amministrativo secondo le correnti procedure. La valutazione dell’indi- ce è effettuata tramite tecniche di classificazione object oriented. I risultati ottenuti mostrano l’utilità della procedura proposta nel quantificare gli eventi occorsi alle superfici forestali analizzate.
Parole chiave: immagini telerilevate ad alta risoluzione; classificazione object oriented; indi- ce multitemporale normalizzato; utilizzazioni forestali.
Key words: very high resolution remotely sensed images; object oriented classification;
multitemporal normalized index; cutting areas.
1. I
NTRODUZIONEIn ambito forestale il monitoraggio a scala temporale annuale viene di norma eseguito a livello amministrativo tramite la registrazione degli eventi naturali o di origine antropica che occorrono nei soprassuoli forestali.
Le utilizzazioni forestali vengono generalmente registrate sulla base di
(*) sisFOR - Laboratorio di Inventari Forestali e Sistemi Informativi, Dipartimento di Scienze dell’Ambiente Forestale e delle sue Risorse, Università della Tuscia, Via S. Camillo de Lellis snc, 01100 Viterbo. Tel. 0761/357417, Fax 0761/357389, email: alamo.sisfor@unitus.it
comunicazione o autorizzazione al taglio rilasciata dagli Enti preposti. Que- sti dati sono successivamente sintetizzati negli Annuari ISTAT, previa com- pilazione da parte delle locali stazioni del Corpo Forestale dello Stato e delle Regioni e Provincie Autonome di schede appositamente predisposte, sulla base dei dati amministrativi raccolti.
Vari Autori segnalano la parziale inadeguatezza di questi dati, che risulterebbero sottostimati, soprattutto per quanto riguarda la raccolta della legna da ardere (C
UTOLO, 2000; T
OMASSETTI, 2000; H
ELLRIGL, 2002;
C
ORONAet al., 2004).
Il contesto internazionale affermatosi negli ultimi anni (vd. Ministerial Conferences on the Protection of Forests in Europe e Protocollo di Kyoto) richiede all’Italia di fornire dati statistici attendibili sull’utilizzo delle risorse forestali.
Scaturisce pertanto l’esigenza di sperimentare tecniche di monitorag- gio della superficie forestale che consentano di ottenere dati attendibili sugli eventi occorsi (come ad es. utilizzazioni, incendi, deforestazione, ecc.), con il grado di precisione richiesto, e possano essere agevolmente replicabi- li per applicazioni in campo operativo.
Scopo di questa nota è la presentazione dei risultati della sperimenta- zione di un indice multitemporale, già proposto con successo per la perime- trazione degli incendi boschivi (C
HIRICIe C
ORONA, 2005), che consenta di individuare le tagliate nei boschi governati a ceduo eseguite nell’arco tem- porale di un anno. La valutazione è basata su tecniche di classificazione object oriented (B
AATZet al., 2003), anch’esse già sperimentate con successo da vari Autori nel settore forestale (C
HIRICIet al., 2003; D
ORRENet al., 2003; F
LANDERSet al., 2003; B
ENZet al., 2004).
Le superfici delle tagliate individuate tramite l’indice proposto vengo- no confrontate con le superfici registrate a livello amministrativo secondo le correnti procedure, con riferimento a un’area tipicamente forestale, a pre- valenza di cedui di castagno, in Italia centrale.
2. A
REA DI STUDIOLo studio è stato condotto nel comprensorio forestale dei Monti Cimi- ni, nell’alto Lazio, in provincia di Viterbo, su una superficie complessiva pari a circa 2215 ha. La quota varia tra circa 370 m s.l.m. e 1053 m s.l.m., vetta del Monte Cimino.
I soprassuoli forestali sono rappresentati principalmente da cedui di
castagno (Castanea sativa Mill.) ma sono presenti anche cedui quercini e
cedui misti con altre latifoglie, mentre sulla sommità del Monte Cimino è
presente una faggeta di estensione pari a circa 57 ha. Nell’area di studio sono presenti anche castagneti da frutto e saltuariamente superfici a desti- nazione agricola.
La proprietà pubblica è di oltre 1000 ha, pari a circa il 47% della superficie complessiva investigata.
3. M
ATERIALI E PRE-
ELABORAZIONIÈ stata acquisita una coppia di immagini multitemporali, scelta sulla base di periodi vegetativi comparabili per attività fotosintetica in ambiente mediterraneo e sulla base della stagione dei tagli che, secondo la normativa vigente all’epoca delle analisi, andava dal 15 ottobre al 15 aprile (R
EGIONEL
AZIO, 1999): in particolare le due immagini telerilevate dal satellite Quick- Bird sono state acquisite il 24 giugno 2003 e il 29 settembre 2004 su una superficie complessiva di oltre 45 km
2.
Le immagini QuickBird sono state ortorettificate e registrate utilizzan- do un modello matematico basato sul rapporto di polinomi (RPF - Rational Polynomial Function), sulla base di 37 Ground Control Point (GCP) per cia- scuna immagine, scelti sulle ortofoto digitali a colori del progetto IT2000, con risoluzione geometrica nominale di 1 m. L’algoritmo RPF può essere applicato indipendentemente dal tipo di immagine e mette in relazione i pixel dell’immagine grezza con la loro ubicazione (G
EOMATICAO
RTHOE
N-
GINE
, 2003; B
AIOCCHIet al., 2004). L’algoritmo di ortogenerazione è stato calcolato per la banda pancromatica (risoluzione geometrica di 0,7 m) di ciascuna immagine QuickBird, utilizzando un modello digitale del terreno con passo di 20 m, e successivamente, sulla base degli stessi GCP scelti sulla banda pancromatica, applicato alle quattro bande multispettrali, aven- ti risoluzione geometrica di 2,8 m (C
HIRICIet al., 2003). I valori di RMSE ottenuti per le due immagini multispettrali sono risultati inferiori al pixel (di poco inferiori a 1 m).
I soprassuoli forestali sono stati classificati previo processo di segmen- tazione dell’immagine QuickBird multispettrale del 2003. L’algoritmo di segmentazione è quello implementato nel software eCognition (B
ENZet al., 2004), che permette di creare dei poligoni vettoriali caratterizzati da un certo grado di eterogeneità spettrale rispetto all’eterogeneità geometrica (w
f), calcolata a sua volta sulla base del peso attribuito al fattore frattale rispetto al fattore di compattezza (w
g); la soglia delle dimensioni dei poligo- ni viene invece stabilita tramite il fattore di scala (per la trattazione dell’al- goritmo della segmentazione multirisoluzione, vd. B
AATZet al., 2003 o C
HI-
RICI
et al., 2003).
L’immagine QuickBird del 2003, composta da quattro canali multispet- trali, è stata segmentata dapprima con un fattore di scala pari a 250 (w
f= 0.6; w
g= 0.9) e successivamente è stato creato un livello inferiore con fatto- re di scala pari a 100 (w
f= 0.6; w
g= 0.9). Sul livello di segmentazione finale e per individuare l’area caratterizzata da copertura arborea continua è stata eseguita, tramite fotointerpretazione a video dell’immagine stessa, la fusio- ne manuale dei poligoni generati.
4. M
ETODOLOGIALa sperimentazione proposta si basa sull’applicazione di un indice multitemporale normalizzato (C
HIRICIe C
ORONA, 2005):
[1]
dove I indica la riflettanza di una data banda multispettrale dell’immagine QuickBird (o una combinazione delle riflettanze in bande diverse) e n l’an- no di acquisizione dell’immagine stessa. Per facilitare il suo utilizzo in ambiente eCognition l’indice è stato moltiplicato per 1000.
L’indice T permette di evidenziare in formato raster le aree sottoposte a utilizzazione forestale nell’arco temporale di un anno, e, più in generale, i cambiamenti avvenuti in questo arco temporale.
L’indice è stato calcolato per ciascuno dei quattro canali multispettrali (T
blu, T
green, T
red, T
nir) e per l’indice di attività fotosintetica NDVI (T
NDVI).
Per valutare la capacità descrittiva dell’indice T è stata eseguita la classifica- zione automatica in ambiente eCognition.
Dapprima è stato eseguito un processo di segmentazione utilizzando congiuntamente i quattro indici calcolati su ciascuna banda multispettrale.
Sono stati condotti tre livelli di segmentazione, prima con un fattore di scala pari a 250 (w
f= 0.2; w
g= 0.5), poi un livello inferiore con un fattore di scala pari a 100 (w
f= 0.1; w
g= 0.45) e infine l’ultimo livello è stato sottoseg- mentato con un fattore di scala pari a 20 (w
f= 0.75; w
g= 0.6).
La nomenclatura di classificazione adottata è semplice e mira a indivi- duare gli eventi verificatisi nell’arco temporale oggetto di analisi. Le classi sono quattro: utilizzazioni forestali; ripresa vegetativa seguente al taglio;
superfici percorse da incendio; superfici invariate.
I poligoni ottenuti dalla segmentazione di terzo livello sono stati classi-
ficati utilizzando il classificatore k-Nearest Neighbours (k-NN) con logica
fuzzy, sulla base di attributi già utilizzati in prove sperimentali di classifica-
zione di immagini QuickBird (C
HIRICIet al., 2003; C
HIRICIet al., 2006). Gli
attributi sono basati sui parametri statistici dei valori dell’indice per ogni pixel incluso nel poligono considerato (media e deviazione standard); para- metri geometrici, legati alla forma e dimensione dei poligoni generati (estensione e rapporto tra lunghezza e larghezza); parametri gerarchici, basati sulle relazioni tra poligoni vicini dello stesso livello (numero di poli- goni vicini). Per la trattazione completa dell’algoritmo di classificazione k-NN, si veda B
AATZet al. (2003) o C
HIRICIet al. (2003).
Il 5% circa dei poligoni generati tramite segmentazione è stato utiliz- zato come training sites per la classificazione, mentre la restante parte dei poligoni è stata usata come test sites per il controllo dell’accuratezza temati- ca della classificazione (verità a terra).
La classe individuata come utilizzazioni forestali è stata verificata al ter- mine della stagione silvana successiva (2004-2005) e la superficie delle tagliate è stata misurata tramite posizionamento a terra con GPS a precisio- ne submetrica e correzione post-differenziale.
La classe ripresa vegetativa seguente il taglio è stata controllata presso le stazioni forestali locali per individuare il periodo di utilizzazione forestale delle singole tagliate.
Le superfici di cui è stato possibile misurare l’estensione sono state anche confrontate con i dati amministrativi registrati presso le stazioni fore- stali locali, per verificare l’attendibilità delle informazioni fornite a ISTAT.
Per valutare l’apporto di ciascun singolo indice T (per ciascun canale multispettrale) sono state classificate anche le immagini di ciascun singolo indice e tutte le possibili combinazioni degli indici considerati congiunta- mente tra loro, lasciando invariate le condizioni di utilizzo, ossia con la stes- sa copertura vettoriale generata con la segmentazione, utilizzando gli stessi attributi di classificazione e gli stessi poligoni di training per l’algoritmo classificatore.
Il confronto delle performance delle classificazioni è stato realizzato sinteticamente calcolando l’indice KIA (Kappa Index of Agreement) rispetto alla verità a terra (C
ONGALTON, 1991). Le classi mappate sono state valutate tramite gli indici di accuratezza del produttore (AP) e di accuratezza dell’u- tilizzatore (AU) (C
ORONA, 1999).
5. R
ISULTATIL’indice T è un’immagine in tonalità di grigio, con valori compresi tra
-1 e +1, che evidenzia immediatamente, anche tramite fotointerpretazione a
video, gli eventi occorsi alla copertura del suolo dovuti alle utilizzazioni
forestali. Si possono apportare eventuali tecniche di stretching sull’immagi-
ne per enfatizzare le superfici interessate. In Figura 1 è visibile un esempio fornito dall’indice T
red.
La classificazione automatica ottenuta considerando congiuntamente i quattro indici ha fornito un valore di KIA pari a 0,76 (Tabella 1).
La classificazione dei singoli indici ha mostrato i risultati migliori per l’indice T
redelaborato sulla banda del rosso (KIA = 0,19), risultato migliore anche nella classificazione delle singole classi, ad esclusione delle superfici percorse da incendio, in cui la classificazione migliore è avvenuta per l’indi- ce T
nir(AP = 0,49; AU = 0,06), confermando le esperienze precedenti in cui la banda dell’infrarosso è stata la più efficace per descrivere queste aree (B
AGNOLIet al., 1998; C
HIRICIe C
ORONA, 2005). Un esempio di area per- corsa da incendio su immagine T
nirè mostrato in Figura 2.
La classificazione dell’indice T
NDVIè risultata migliore rispetto a quella dei singoli indici elaborati per ciascuna banda multispettrale, con un valore di KIA pari a 0,24.
Figura 1 – Particolare dell’indice Tred (vd. formula [1], dove I è la banda del rosso): ben visibili in primo piano due superfici tagliate (tonalità grigio chiaro) e le due superfici vicine, in ripresa vegetativa seguente al taglio effettuato nella stagione silvana precedente (tonalità grigio scuro).
– Detail of the index Tred(formula [1], where I is the red band). Two cutting areas (light grey tonality) and near them two surfaces with resprouting after cutting (dark grey tonality).
Le classificazioni condotte congiuntamente sugli indici T calcolati per le differenti bande multispettrali hanno fornito buoni risultati per la combi- nazione di indici T
nir- T
red- T
green(KIA = 0,68), con valori per le singole classi mappate simili alla classificazione eseguita congiuntamente con tutti gli indici, e per la combinazione di indici T
nir- T
red- T
blu(KIA = 0,66).
Anche la classificazione congiunta degli indici calcolati per la banda rossa e infrarossa (T
red- T
nir) ha dato buoni risultati (KIA = 0,61), così come l’utiliz- zo dell’indice T
NDVIinsieme agli indici T
nir- T
red- T
green(KIA = 0,65) e con T
red- T
nir(KIA = 0,62).
La combinazione in falsocolore degli indici T
nir- T
red- T
greenè mostrata
Tabella 1 – Valori di KIA (Kappa Index of Agreement) e valori dell’accuratezza del produttore (AP) e dell’accuratezza dell’utilizzatore (AU) per le classi mappate, calcolati per le classificazioni automatiche in ambiente eCognition sulla base degli indici.
– Values of KIA (Kappa Index of Agreement), values of the producer’s accuracy (AP) and values of the user’s accuracy (AU), calculated for the classifications performed in eCognition software on the base of the indexes.
INDICIT KIA CLASSI MAPPATE
Ripresa Utilizzazioni Superfici Superfici vegetativa forestali percorse invariate
seguente da incendio
al taglio
AP AU AP AU AP AU AP AU
Tblu- Tgreen- Tred- Tnir 0,76 0,64 0,94 0,66 0,92 0,57 0,93 1,00 0,99
Tred 0,19 0,40 0,16 0,40 0,16 0,00 0,00 0,94 0,98
Tblu 0,08 0,22 0,05 0,32 0,08 0,04 0,00 0,89 0,98
Tgreen 0,05 0,27 0,06 0,22 0,04 0,00 0,00 0,87 0,98
Tnir 0,04 0,24 0,05 0,16 0,03 0,49 0,06 0,87 0,98
Tred- Tnir 0,61 0,58 0,63 0,53 0,73 0,66 0,70 0,99 0,99
Tnir- Tgreen 0,30 0,53 0,38 0,38 0,18 0,54 0,21 0,96 0,99
Tnir- Tblu 0,29 0,41 0,20 0,45 0,26 0,48 0,18 0,96 0,99
Tred- Tgreen 0,26 0,45 0,20 0,46 0,24 0,00 0,00 0,95 0,99
Tred- Tblu 0,21 0,43 0,16 0,46 0,18 0,00 0,00 0,94 0,98
Tgreen- Tblu 0,11 0,29 0,09 0,36 0,09 0,08 0,01 0,90 0,98
Tnir- Tred- Tgreen 0,68 0,62 0,78 0,58 0,80 0,57 0,70 1,00 0,99
Tnir- Tred- Tblu 0,66 0,63 0,66 0,59 0,78 0,57 0,78 0,99 0,99
Tnir- Tgreen- Tblu 0,43 0,50 0,48 0,48 0,35 0,54 0,36 0,98 0,99
Tred- Tgreen- Tblu 0,28 0,47 0,22 0,49 0,26 0,00 0,00 0,96 0,99
Tblu- Tgreen- Tred- Tnir - TNDVI 0,65 0,65 0,76 0,62 0,61 0,77 0,61 0,99 0,99
Tnir- Tred- Tgreen- TNDVI 0,65 0,66 0,76 0,61 0,60 0,77 0,57 0,99 0,99
Tred- Tnir- TNDVI 0,62 0,65 0,68 0,61 0,56 0,77 0,55 0,99 0,99
Tred- TNDVI 0,48 0,55 0,46 0,56 0,43 0,30 0,50 0,98 0,99
TNDVI 0,24 0,42 0,21 0,42 0,16 0,04 0,17 0,95 0,98
in Figura 3: è già possibile individuare le superfici in cui sono state eseguite le utilizzazioni forestali (colore verde chiaro) e la ripresa vegetativa seguen- te al taglio (colore rosso intenso). In Figura 4 sono mostrati i risultati di alcune classificazioni automatiche eseguite.
I valori statistici assunti dalle tre classi di copertura del suolo sono riportati in Tabella 2.
Le utilizzazioni forestali eseguite nei boschi cedui di castagno sono quelle meglio classificate con il classificatore k-NN applicato congiunta- mente a tutti i quattro indici T (T
blu- T
green- T
red- T
nir), infatti è stata classifi- cata correttamente una superficie pari a 84% della classe utilizzazioni fore- stali e il 72% della superficie della classe ripresa vegetativa seguente il taglio. Nei cedui misti è stato classificato correttamente il 60% della super-
Figura 2 – Particolare dell’indice Tnir (vd. formula [1], dove I è la banda dell’infrarosso): ben visibile al centro una piccola area percorsa da incendio, che decorre lungo la strada (tonalità grigio scuro).
– Detail of the index Tnir(formula [1], where I is the infrared band): in the middle of the figure, along the road, a small area crossed by fire (dark grey tonality).
ficie della classe utilizzazioni forestali. I cedui a prevalenza quercina invece sono quelli che hanno presentato maggiori difficoltà, con il 32% della superficie correttamente classificata per la classe utilizzazioni forestali, e il 39% della superficie della classe ripresa vegetativa seguente il taglio.
In Tabella 3 sono presentati i dati sulle superfici misurate a terra trami- te GPS per quanto riguarda la classe delle utilizzazioni forestali, mentre per la classe della ripresa vegetativa seguente al taglio la superficie è calcolata in ambiente GIS.
Figura 3 – Immagine prodotta dalla combinazione in falsocolore degli indici T calcolati per la banda infrarosso (Tnir), la banda del rosso (Tred) e la banda del verde (Tgreen). Vengono indicate alcune superfi- ci della classe utilizzazioni forestali, che appaiono di colore verde chiaro (VC), e alcune superfici della ripresa vegetativa seguente al taglio che assume un colore rosso intenso (RI).
– Image produced by the falsecolor composite of the indexes T calculated for the infrared band (Tnir), the red band (Tred) and the green band (Tgreen). Some surfaces of the class «cutting areas» are poin- ted out, they are light green (VC), and some surfaces of the class «resprouting after cutting» take on a dark red color (RI).
Figura 4 – Risultati delle classificazioni automatiche eseguite in ambiente eCognition per gli insiemi di indici Tblu- Tgreen- Tred- Tnir(a), Tnir- Tred- Tgreen(b), Tred- Tnir(c), Tred(d).
– Results of the classifications performed in eCognition software for the sets of indexes Tblu- Tgreen- Tred- Tnir(a), Tnir- Tred- Tgreen(b), Tred- Tnir(c), Tred(d).
6. D
ISCUSSIONE E CONCLUSIONIL’indice multitemporale T è risultato utile per il monitoraggio delle
superfici forestali, anche tramite semplice interpretazione e digitalizzazione
a video. Nelle condizioni esaminate ha permesso di individuare le superfici
utilizzate in boschi cedui in due anni successivi, anche se il riconoscimento
dei tagli dell’ultima stagione silvana appare lievemente più agevole rispetto
a quello della precedente.
La banda multispettrale che apporta il miglior contenuto informativo è risultata essere quella del rosso, mentre per l’individuazione delle superfici percorse da incendio è fondamentale l’apporto della banda dell’infrarosso.
L’utilizzo congiunto dei singoli indici calcolati per ciascuna banda multispettrale è il valore aggiunto di questa tecnica, perché permette di aumentare notevolmente l’efficienza di riconoscimento degli eventi occorsi ai soprassuoli forestali. Risulta particolarmente efficace la combinazione congiunta degli indici T
nir- T
red- T
greenche, rappresentata in falsocolore, appare di valido supporto anche nella semplice fotointerpretazione a video.
Tabella 2 – Valori statistici dell’indice T per ciascuna banda spettrale nelle classi mappate.
– Statistic values of the index T for every spectral band in the classes.
Ripresa vegetativa Utilizzazioni forestali Superfici percorse
seguente al taglio da incendio
Media Dev. St. Media Dev. St. Media Dev. St.
Tblu -0,206 0,042 -0,118 0,045 -0,118 0,037
Tgreen -0,267 0,065 -0,144 0,073 -0,162 0,059
Tred -0,361 0,118 -0,057 0,132 -0,054 0,098
Tnir -0,203 0,168 -0,367 0,132 -0,484 0,119
Tabella 3 – Superfici misurate per la classe della ripresa vegetativa seguente al taglio (epoca di taglio:
2002-2003) e per la classe delle utilizzazioni forestali (epoca di taglio: 2003-2004). La superficie dichiarata è quella riscontrata presso le stazioni forestali.
– Measured areas for the class of the «resprouting after cutting» (cutting time: 2002-2003) and for the class of the «cutting areas» (cutting time: 2003-2004). The «superficie dichiarata» is the area declared at the forest stations.
Tipologia di Proprietà Epoca Superficie Superficie Differenza
bosco ceduo di taglio effettivamente dichiarata percentuale
misurata [ha] [ha]
Ceduo di castagno Privata 2002-2003 0,6 0,3 +100%
Ceduo di castagno Privata 2002-2003 7,9 7,0 +13%
Ceduo di castagno Privata 2002-2003 6,0 2,6 +7%
Ceduo di castagno Privata 2002-2003 3,0
Ceduo di castagno Privata 2002-2003 1,2 1,0 +20%
Ceduo quercino Privata 2002-2003 5,6 3,0 +87%
Ceduo di castagno Privata 2003-2004 7,1 7,0 +1%
Ceduo di castagno Pubblica 2003-2004 22,8 25,0 -9%
Ceduo di castagno Privata 2003-2004 2,0 2,0 0%
Ceduo quercino Privata 2003-2004 3,6 4,0 -10%
Ceduo misto Pubblica 2003-in corso 42,4 45,0 -6%