1
Relazione Scientifica Teodosio Lacava
Istituto di Metodologie per l’Analisi Ambientale (IMAA) Consiglio Nazionale delle Ricerche (CNR)
Titolo del programma:
Sperimentazione di metodologie avanzate di analisi di dati satellitari acquisiti nelle microonde per il monitoraggio dell’umidità dei suoli
Dipartimento di afferenza:
Terra ed Ambiente
Istituto ospitante:
National Oceanic and Atmospheric Administration - Cooperative Remote Sensing Science and Technology Center (NOAA – CREST), City University of New York – CCNY
Durata:
21 giorni, 08/09/2011 – 29/09/2011
2
I. Introduzione
L’umidità dei suoli (soil moisture) è stata recentemente introdotta tra le "Essential Climate Variables" (ECV), cioè tra le variabili chiave per caratterizzare in modo appropriato il clima della Terra (CGOS-138, 2010). Tale grandezza, infatti, si trova al centro del sistema che regola le interazioni tra forzanti climatiche, suolo e vegetazione e svolge un ruolo chiave nei bilanci idrici ed energetici tra la superficie terrestre e l'atmosfera. In particolare, le condizioni dei suoli precedenti un evento meteorico influenzano il processo di ripartizione delle precipitazioni tra infiltrazione e ruscellamento superficiale (Merz and Plate, 1997; Meyles et al., 2003; Scipal et al., 2005; Manfreda, 2008). Negli ultimi anni le capacità dei sistemi satellitari nell’osservare la variabilità dell’umidità dei suoli nel dominio spazio-temporale è stata ampiamente investigata (Calvet et al., 2010). Le risultanze di tali studi hanno chiaramente indicato che le misure in banda L (1.24 GHz), sia da sensori attivi che passivi, sono quelle più efficaci nel fornire stime accurate ed affidabili dell’umidità dei suoli, in quanto in grado di penetrare maggiormente in profondità e meno soggette agli effetti negativi della presenza di vegetazione e contributi atmosferici (Schmugge, 1998; Kerr, 2007).
Proprio per questo motivo sono state previste diverse missioni satellitari in banda L, utili, pertanto, nella misura dell’umidità. La prima, in volo già da Novembre 2009, è la missione europea Soil Moisture and Ocean Salinity (SMOS), finanziata dall’Agenzia Spaziale Europea (ESA), in grado di fornire ogni tre giorni informazioni a scala globale sulla soil moisture a 40km di risoluzione spaziale con un’accuratezza nella misura di ±0.4m3 m-3 (Kerr et al., 2001; Kerr et al., 2010). Nel 2014 dovrebbe invece partire Soil Moisture Active and Passive (SMAP), missione finanziata dalla National Aeronautics and Space Administration (NASA) che grazie alla combinazione di misure attive e passive in banda L sarà in grado di stimare la soil moisture a scala globale con una risoluzione temporale di tre giorni ed una spaziale di 40km per le misure passive, e di 3 km per le misure attive. Il prodotto finale, generato a partire dalla combinazione dei due precedenti, garantirà una stima della soli moisture a 9km di risoluzione spaziale, con un’accuratezza simile a quella dei prodotti SMOS (Entekabi et al., 2010).
Nel caso in cui sia necessario acquisire informazioni frequenti e continue delle variazioni dell’umidità, bisogna utilizzare dati acquisiti da altri radiometri, che lavorano a frequenze superiori rispetto alla banda L. Tra questi, il sensore AMSR-E (Advanced Microwave Scanning Radiometer), a bordo del satellite EOS-Aqua (Earth Observing System), è quello che, grazie alla capacità di acquisire ogni 12 ore (13:30 LTA e 01:30 LTD) dati a doppia polarizzazione in 6 differenti bande (Tabella 1), tra cui quelli in banda C (6.9 GHz), risulta più utile per tali scopi (Njoku et al., 2003).
3
Diversi sono gli algoritmi che, a partire da misure AMSR-E, forniscono stime quantitative del contenuto d’acqua dei suoli. L’algoritmo standard della NASA è quello previsto da Njoku et al.
(2003), modificato in seguito alla scoperta della contaminazione in molte aree del mondo delle misure in banda C da parte delle Radio Interferenze (Njoku et al., 2006). Un altro algoritmo di riferimento è quello sviluppato presso l’università di Amsterdam (Vrije University of Amsterdam - VUA) da Owe et al. (2001; 2008). Più recentemente Jackson et al. (2010) hanno definito un loro prodotto basato sull’implementazione del “Single Channel Algorithm” (SCA – Jackson, 1993). In generale, tutti questi algoritmi cercano, in maniera differente, di separare il contributo al segnale proveniente dal contenuto d’acqua da quello della vegetazione e dalla variabilità della temperatura superficiale, di solito basandosi su dati e misure ancillari.
Sensor Advanced Microwave Scanning Radiometer - Earth Observing System (AMSR-E)
Spacecraft Aqua
Launch date 4th, May 2002
Orbit Sun-synchronous, near-polar orbit. Cross Equator at 1:30pm., ascending node Center frequency
(GHz) 6.925 10.65 18.7 23.8 36.5 89.0
Bandwidth (MHz) 350 100 200 400 1000 3000
Polarization H & V
Incidence angle
(°) 55
Swath (km) 1445
Spatial resolution
(km) 75 × 43 51 × 29 27 × 16 32 × 18 14 × 8 6 × 4
Radiometric
resolution (K) 0.3 0.6 0.6 0.6 0.6 1.1
Temporal
resolution 3 days at the equator and more frequently (up to 1 day) at higher latitudes Tabella 1: principali caratteristiche del sensore AMSR-E.
Implementando la filosofia Robust Satellite Techniques (RST - Tramutoli, 2005), un nuovo indice per la stima delle variazioni del contenuto in acqua, che verrà meglio descritto di seguito, è stato sviluppato a partire da dati AMSR-E (Lacava et al., 2009) ed applicato con buoni risultati per
4
l’analisi dell’inondazione che ha interessato lo stato dello Iowa (America) nell’estate del 2008 (Temimi et al., 2011).
Durante il programma di mobilità si è voluta testare la capacità di questo indice nel fornire informazioni circa la variabilità dell’umidità dei suoli a scala globale, in particolare in corrispondenza di eventi alluvionali estremi.
II. Dati
Nell’ambito del progetto sono stati utilizzati i dati AMSR-E DailyLand Level 3 (Land3) disponibili presso gli archivi del National Oceanic and Atmospheric Administration - Cooperative Remote Sensing Science and Technology Center (NOAA – CREST), istituto presso il quale il programma di mobilità cui fa riferimento questa relazione è stato effettuato. Si tratta di dati in formato HDF-EOS (Hierarchical Data Format), uno per ciascun giorno dell’anno, contenenti tutte le temperature di brillanza misurate nei 6 canali AMSRE, sia nella polarizzazione orizzontale che in quella verticale, il prodotto NASA soil moisture (g cm-3), il prodotto vegetation water content (kg m-2), il prodotto land surface temperature (K) ed un indicatore di qualità. Tutti gli output sono riproiettati su una griglia “Equal-Area Scalable Earth Grid” (EASE-grid) a 25 km di risoluzione. In particolare, il dato a 36.5 GHz viene fornito anche a 12.5km di risoluzione spaziale (definita Res4). Questi dati sono disponibili anche online presso gli archivi del National Snow and Ice Data Center, Distribuited Archive Data Center (NSIDC DACC). In particolare, come vedremo meglio dopo, tutti i dati Land3 da Giugno 2002 a Luglio 2011 sono stati utilizzati per gli scopi di questo progetto.
III. La Metodologia
L’indice di umidità implementato è il Polarization Ratio Variation Index (PRVI) definito da Lacava et al. (2009). Come detto, l’indice si basa sull’implementazione della metodologia RST, un approccio generale di analisi multi-temporale di dati satellitari, ai dati AMSR-E. In generale tale approccio prevede la caratterizzazione del segnale misurato tramite l’analisi di serie storiche di dati satellitari omogenei nel dominio spazio-temporale, per il riconoscimento del valore atteso del segnale in specifiche condizioni di osservazione nonché della intrinseca variabilità naturale per tali condizioni di osservazione. Successivamente, eventuali anomalie del segnale vengono riconosciute come scostamenti statisticamente significativi da tali valori attesi. Quando implementata ai dati AMSR-E per l’individuazione di variazioni del contenuto in acqua dei suoli nel dominio spazio-temporale, il segnale investigato è il Rapporto di Polarizzazione (Polarization Ratio – PR) calcolato utilizzando la
5
misura in una determinata banda (ch) in polarizzazione Verticale (TbV) ed Orizzontale (TbH) come segue:
ch ch
ch ch
TbH TbV
TbH PRch TbV
+
= − (1)
Per costruzione, il PR è un indice che elimina il contributo della temperatura superficiale, lasciando un segnale che dipende essenzialmente dalla soil moisture e dalla vegetazione (Kerr and Njoku, 1993). Proprio per questo motivo, quando usato per stime della soil moisture (e.g. Njoku et al., 2006; Paloscia et al., 2006) è necessario l’utilizzo combinato di altre misure satellitari o di informazioni ancillari per discriminarne il contributo da quello della vegetazione.
A partire da questo segnale, Lacava et al. (2009) implementando l’approccio RST su serie storiche pluriennali di dati AMSR-E, hanno definito il PRVI:
) , (
) , ( )
, , ( )
, , (
y x PR
PR ch
ch
ch
ch x y t
y x PR t y x
PRVI σ
µ
= − (2)
dove PRch(x,y,t) è il sopra citato rapporto di polarizzazione calcolato per una delle bande (ch) AMSR-E, µPRch(x,y) e σPRCh(x,y) sono i valori di riferimento, rispettivamente la media temporale e la relativa variazione standard calcolati per ogni pixel (x,y) della scena dall’analisi di serie storiche di dati AMSR-E comprendenti solo le immagine acquisite durante lo stesso mese dell’anno ed alla stessa ora del giorno dell’immagine da investigare. Il PRVI dà, per ogni pixel (x,y) ed istante (t) di osservazione, l’eccesso di PR rispetto al suo valore atteso per quelle condizioni, tenendo conto anche della sua normale variabilità. Un indice del genere automaticamente riduce l’impatto di quei segnali, noti o meno, come ad esempio le Radio Interferenze, legati a condizioni specifiche del sito osservato nell’istante di acquisizione (i.e. effetti di sito). Considerando che tipicamente la vegetazione all’interno di un pixel cambia lentamente nell’arco di un mese, e che per uno stesso mese dell’anno quando considerato in serie pluriennali essa può essere considerata costante, alti valori di PRVI sono attesi in corrispondenza di variazioni statisticamente significative del contenuto in soil moisture (Lacava et al., 2009; Temimi et al., 2010). In particolare, considerando che per costruzione il PRVI è una variabile standardizzata, che, al crescere del numero di immagini satellitari costituenti il dataset, tende ad avere una distribuzione di tipo Gaussiana, avente media nulla e sigma unitaria, la probabilità di occorrenza di valori sopra/sotto 2 sigma (x>µv ±2σv) è di
6
circa il 2.5% e scende allo 0.13% per valori sopra/sotto 3 sigma. Ciò significa che una deviazione in valore assoluto del segnale investigato dal valor medio pari ad almeno 2 volte la sua normale variabilità (i.e. PRVI ≥ 2) garantisce l’identificazione di anomalie statisticamente significative, con un livello di confidenza crescente all’aumentare del valore del PRVI.
IV. L’implementazione
Nell’ambito di questo programma di mobilità, per poter implementare a scala globale e per tutti i mesi dell’anno il PRVI, per prima cosa sono generati i dataset di riferimento. Per tutti e dodici i mesi dell’anno sono stati generati due distinti dataset, uno relativo ai dati ascendenti (13:30 LTA) ed uno a quelli discendenti (01:30 LTD). Nella tabella 2 è riportato il numero di immagini di cui è costituito ciascun dataset pluriennale. L’informazione che si ricava dall’analisi di tabella 2 è che, ad esempio, per generare i campi di riferimento (e.g. media temporale e deviazione standard) utili ai fine dell’implementazione del PRVI (equazione 2) per il mese di Gennaio considerando i soli passaggi ascendenti, si sono utilizzate 279 immagini, lo stesso per quelli relativi alle orbite discendenti.
Tabella 2: numero di immagini utilizzate per costruire i dataset AMSR-E Land3.
In definitiva, considerando che sia la banda a 23.5GHz che quella ad 89GHz non sono state prese in considerazione, perché troppo vulnerabili ad effetti atmosferici ed in particolare alla presenza del vapor d’acqua (in particolare il canale a 23.5GHZ), e che per la banda a 36.5GHz, come detto, sono
Mesi
01 02 03 04 05 06 07 08 09 10 11 12 Tot
2002 11 29 24 23 31 30 31 179
2003 31 28 31 30 31 30 31 31 30 29 25 31 358 2004 31 29 31 30 31 30 31 31 30 31 29 31 365 2005 31 28 31 30 31 30 31 31 30 31 29 31 364 2006 31 28 31 30 31 30 31 31 30 31 29 31 364 2007 31 28 31 30 31 30 31 31 30 31 29 31 364 2008 31 29 31 30 31 30 31 31 30 31 30 31 366 2009 31 28 31 30 31 30 31 31 30 31 30 31 365 2010 31 26 31 30 31 30 31 31 30 31 30 31 363
2011 31 28 31 30 31 30 181
Tot 279 252 279 270 279 281 277 272 263 277 261 279 3269
7
presenti dati a due differenti risoluzioni spaziali (Res1 e Res4, rispettivamente), sono stati calcolati 264 campi di riferimento: per ognuna delle cinque (quattro più una) bande, quattro (due ascendenti, due discendenti) al mese per ognuno dei 12 mesi dell’anno. Per abbattere l’effetto negativo che le nuvole precipitanti potrebbero generare nel riconoscere le condizioni imperturbate del segnale investigato è stato impiegato un approccio RST, basato sulla differenza di segnale misurato ad 89.0 e 18.7GHZ (in polarizzazione orizzontale). Tutti quei pixel che presentavano valori statisticamente significativi bassi di tale differenza, che in assenza di precipitazioni è positiva (McCollum and Ferraro, 2003), sono stati esclusi nel calcolo dei campi di riferimento. Al termine di tale computo, si è passati al calcolo a scala globale dei PRVI per tutti i giorni dell’anno per tutti i 3269 dati AMSR-E Land3 considerati nel periodo 01 Giugno 2002 – 30 Giugno 2011, pari a circa 225 GB di dati.
Tutte le operazioni finora riportate hanno richiesto l’implementazione e/o la modifica di script ad hoc, in grado di interrogare l’archivio NOAA-CREST dei dati AMSR-E, selezionandoli opportunamente rispetto alle condizioni sopra indicate.
V. I risultati
Nel lavoro precedentemente citato (Temimi et al., 2011), il PRVI calcolato utilizzando i dati a 36.5Ghz (Res4) è stato applicato per studiare l’inondazione che ha interessato lo stato dello Iowa nell’estate del 2008. Durante questo progetto quel lavoro è stato esteso e totalmente generalizzato, nel senso che, selezionato un evento alluvionale estremo, si è prima valutata la sensibilità di ciascuna delle bande, in termini di PRVI, rispetto alla variazione del contenuto in acqua, poi se ne è verificata l’affidabilità rispetto alle dinamiche di tale evento, anche per confronto con i risultati ottenibili utilizzando alcuni degli algoritmi di riferimento che abbiamo introdotto precedentemente.
L’evento selezionato come caso test è l’alluvione che nel 2010 ha interessato il Pakistan. L’evento, il più intenso lì occorso da sempre, è stato causato da copiose piogge monsoniche che hanno prodotto l’esondazione del fiume Indo tra la fine di Luglio e gli inizi di Agosto 2010, allagando circa un quinto dell'intero territorio del Pakistan (figura 1) e colpendo circa 20 milioni di persone, anche a causa delle frane e delle epidemie sviluppatesi in conseguenza della mancanza di acqua potabile (http://www.unicef.it/doc/1702/emergenza-alluvioni-in-pakistan.htm).
8
Figura 1: mappa delle aree coinvolte dall’inondazione che ha interessato il Pakistan nell’estate del 2010, aggiornata al
30 Agosto 2010. In giallo sono raffigurate le zone colpite in maniera moderata (meno di 100.000 abitanti coinvolti) e in rosso quelle colpite gravemente (oltre 100.000 abitanti coinvolti). Disponibile online all’indirizzo:
http://www.unicef.it/doc/1723/emergenza-alluvioni-in-pakistan-la-mappa.htm
Per studiare questo evento, da ognuno dei PRVI (6.9; 10.7; 18.7; 36.5_Res1 e 36.5_Res4) calcolati a scala globale per il periodo 1 Luglio 2010 – 31 Agosto 2010 è stata estratta la porzione relativa all’area affetta dall’evento. Per ogni giorno, una volta scartati i pixel identificati come nuvolosi dalla metodologia precedentemente descritta e quelli fuori dall’orbita acquisita, è stato calcolato il PRVI medio sui rimanenti pixel. I risultati ottenuti sono mostrati nelle figure 2, 3 e 4. In questa fase preliminare, l’analisi ha interessato solo i dati acquisiti durante le orbite discendenti, cioè di notte.
Le misure in queste condizioni di osservazione si sono rivelate più affidabili nella stima della soil moisture, in quanto svincolate dal contributo alla temperatura superficiale derivante dalla radiazione solare (Njoku et al., 2006).
9
In particolare in figura 2 sono riportati gli andamenti ottenuti per tutte le bande considerate.
Mentre nelle figure 3 e 4, per una migliore visione dei risultati, le bande a più bassa frequenza (6.9, 10.7 e 18.7 – figura 3) sono state separate da quelle a maggiore frequenza (36.5 –figura 4).
Figura 2: andamento temporale del valor medio dei PRVI (tutte le bande) calcolati sui pixel chiari dell’area di studio nel periodo 1 Luglio 2010 – 31 Agosto 2010.
10
Figura 3: come figura 2 solo per le bande 6.9, 10.7 e 18.7.
Figura 4: come figura 2 solo per le bande 36.5Res1 e 36.5Res4.
11
L’analisi delle figure precedenti permette differenti considerazioni. Prima di tutto si noti il netto contrasto di comportamento tra i risultati ottenuti mediando i PRVI calcolati a partire dalle misure a 36.5GHz, indipendentemente dalla risoluzione spaziale, e quelli conseguiti utilizzando tutte le altre bande. La variabilità mostrata dalle bande a 36.5 è nell’intervallo tra 1 e -1, quindi in quella che è la naturale variabilità del segnale, mentre le altre presentano fluttuazioni maggiori. Per queste ultime in particolare si osserva, a cavallo tra gli ultimi 10 giorni di Luglio ed i primi 10 di Agosto, un trend prima in crescita e poi, raggiunto un valore massimo, un lento ritorno verso condizioni più
“normali”. In effetti, il picco osservato è proprio in corrispondenza della massima esondazione del fiume Indo, pertanto è plausibile che esso sia effettivamente legato alla presenza di estese aree del territorio inondate. Come atteso, tra le misure a più bassa frequenza, quelle a 18.7GHz sembrano essere meno sensibili alla presenza di acqua rispetto a quelle a minore frequenza.
Per meglio valutare le differenze tra i PRVI calcolati a partire dalle diverse bande considerate, si è analizzata la correlazione che ognuno di essi mostra rispetto alle altre bande. I risultati di questa analisi sono mostrati in tabella 3.
PRVI 6.9 PRVI 10.7 PRVI 18.7 PRVI 36.5Res1 PRVI 36.5Res4
PRVI 6.9 # 0.98 0.63 -0.02 0.06
PRVI 10.7 0.98 # 0.72 0.07 0.16
PRVI 18.7 0.63 0.72 # 0.70 0.75
PRVI 36.5Res1 -0.02 0.07 0.70 # 0.97
PRVI 36.5Res4 0.06 0.16 0.75 0.97 #
Tabella 3: coefficiente di correlazione (R) tra i PRVI calcolati a partire da alcune delle bande AMSR-E.
L’analisi della tabella 3 avvalora i commenti precedenti, indicando come le misure ottenute a partire dai dati acquisiti nelle bande a bassa frequenza siano altamente correlate tra di loro, così come le misure a 36.5GHz. La banda a 18.7GHz è quella che ha un comportamento più intermedio, garantendo un buon livello di correlazione con tutte le altre misure.
Nessuna correlazione sembra esistere tra le misure a minore frequenza con quelle a 36.5GHz, indicandone una probabile minore sensibilità al contenuto in acqua dei suoli, indifferentemente dalla risoluzione spaziale utilizzata. Questo risultato conferma che una stima più affidabile dell’umidità dei suoli può essere ottenuta a partire da misure radiometriche a bassa frequenza, perché più sensibili al contenuto in acqua e meno perturbabili dalla presenza di vegetazione e/o di contributi atmosferici.
12
Una volta accertata la maggiore sensibilità delle misure ottenute a partire dai dati acquisiti in banda C, il lavoro è proseguito allargando la finestra temporale di indagine, per verificare la sensibilità di questo indicatore nel monitorare l’evoluzione temporale del fenomeno. In particolare si è estesa l’analisi precedente al periodo 1 Giugno 2010 – 30 Settembre 2010. I risultati di questa analisi sono mostrati in figura 5.
Figura 5: andamento temporale del valor medio dei PRVI calcolati in banda C (6.9 GHZ) calcolati sui pixel chiari dell’area di studio nel periodo 1 Giugno 2010 – 30 Settembre 2010
L’analisi di questa figura mostra come in effetti, dopo la fase parossistica occorsa nei primi giorni di Agosto 2010, le condizioni nell’area investigata lentamente regrediscano verso condizioni normali.
Relativamente alla situazione pre-evento, valori anomali abbastanza significativi (valor medio di PRVI >1.5) si riscontrano il giorno 7 Giugno 2010. Una ricerca bibliografica ha permesso di appurare che la tempesta tropicale Phet, dopo aver investito Oman ed Afghanistan, ha colpito nella notte tra il 6 ed il 7 Giugno 2010 le coste del Pakistan, nei pressi di Karachi, la città più popolosa della nazione, provocando 16 morti (http://floodobservatory.colorado.edu/). Gli effetti di queste precipitazione in termini di variazione di contenuto in acqua dei suoli sono quelli quindi che il PRVI è riuscito ad identificare.
13
In definitiva, rispetto a questa prima analisi, siamo riusciti a verificare l’affidabilità del PRVI costruito a partire dalle misure in banda C di AMSR-E, nel seguire la dinamica dell’evento alluvionale investigato. La valenza di questo risultato diventa ancora più significativa se si considera che, come detto, le misure in banda C sono quelle più affette dai problemi di Radio Interferenza, tant’è che tutti gli algoritmi precedentemente citati hanno preferito non considerarle durante le operazioni effettive di stima dell’umidità dei suoli. Un approccio differenziale quale RST, che tiene conto della storia del segnale a livello di pixel, permette invece di utilizzare il dato anche in queste condizioni, garantendo una misura più sensibile alla presenza di acqua.
L’ultima analisi condotta durante questo periodo di mobilità è consistita nel confrontare i risultati ottenuti implementando il PRVI sui dati AMSR-E acquisiti in banda C con due prodotti AMSR-E standard di soil moisture, entrambi disponibili online, precisamente quello generato dalla NASA, che è compreso tra i valori contenuti all’interno del Land3 e quello generato dalla VUA, scaricabile dal server dell’Atmospheric Data Access for the Geospatial User Community (ADAGUC) all’indirizzo http://geoservices.falw.vu.nl/adaguc_portal_dev/.
Anche in questo caso si sono analizzati i dati nello stesso intervallo temporale (Giugno-Settembre 2010), filtrando i valori con le stesse procedure precedentemente descritte per il PRVI relativamente ai pixel contaminati da nuvole precipitanti ed ai dati non acquisiti. In Figura 6 sono plottati i risultati di tale analisi. Si noti il basso range di variabilità (10%) mostrato dal prodotto NASA, soprattutto se confrontato con quello ben più evidente del prodotto VUA, che inoltre sembra mostrare un trend più simile a quello del PRVI.
Le differenze con quest’ultimo sono più facilmente apprezzabili sia guardando la figura 7, dove sono graficate contemporaneamente le tre linee, che analizzando i valori tra le correlazioni ottenute tra le serie mostrati in tabella 4.
14
Figura 6: andamento temporale del valor medio del prodotto Soil Moisture generato dalla NASA (linea blu) e dalla VUA (linea verde) calcolati sui pixel chiari dell’area di studio nel periodo 1 Giugno 2010 – 30 Settembre 2010
Figura 7: come figura 6 con in più l’andamento del PRVI calcolato a partire dai dati AMSR-E in banda C (linea rossa)
15
PRVI 6.9 NASA VUA PRVI 6.9 # 0.717423 0.561822
NASA 0.717423 # 0.346005 VUA 0.561822 0.346005 #
Tabella 4: coefficiente di correlazione (R) tra il PRVI calcolato a partire dai dati AMSR-E in banda C ed i prodotti soil moisture NASA e VUA.
Il PRVI ha valori di correlazioni tra 0.56 e 0.71 con il dato soil moisture VUA e NASA, rispettivamente, mostrando un sufficiente accordo con tali prodotti. Se si considera che contrariamente ad essi, il PRVI è calcolato automaticamente solo basandosi sui dati satellitari, se ne capisce la rilevanza nell’ambito di quei sistemi operativi che, per una migliore definizione e costante aggiornamento degli scenari di rischio, necessitano di informazioni frequenti e continue delle variazioni della umidità dei suoli.
VI. Conclusioni e sviluppi futuri
L’attività di ricerca svolta durante i 21 giorni trascorsi presso il NOAA-CREST si è concentrata sull’implementazione di una metodologia avanzata basata su dati AMSR-E che fosse in grado di fornire, a scala globale, informazioni accurate e sensibili sulla variazione del contenuto in umidità dei suoli in occorrenza di eventi alluvionali estremi. L’attività si è sviluppata in differenti fasi, una prima atta allo sviluppo delle procedure necessarie all’interrogazione dell’archivio storico dei dati AMSR-E, una seconda di elaborazione delle serie storiche precedentemente create ed un’ultima dedicata all’analisi dei risultati.
L’evento alluvionale che ha interessato il Pakistan nell’estate del 2010 è stato selezionato come caso di studio. I risultati preliminari ottenuti hanno mostrato: i) una migliore sensibilità del PRVI ottenuto a partire da misure a minore frequenza (band C e band X, rispettivamente) alle variazioni del contenuto in acqua dei suoli; ii) una buona capacità del PRVI calcolato in banda C nel seguire l’evoluzione nel dominio spazio-temporale dell’evento investigato; iii) un buon accordo tra i risultati ottenuti utilizzando questo indice e quelli generati implementando algoritmi standard.
Considerando che il PRVI è basato solo su dati satellitari, e che inoltre per sua costruzione è meno influenzabile dalla comparsa di effetti spuri o stabilmente presenti quali possono essere le Radio Interferenze, le potenzialità che esso garantisce nell’ambito di un monitoraggio giornaliero, affidabile ed a scala globale della soil moisture sono enormi.
16
Ovviamente questi risultati preliminari necessitano di ulteriori ed approfondite indagini per confermarne la validità. In particolare, oltre ad investigare altri casi studi, anche di intensità differente rispetto a quello già studiato, un’analisi approfondita riguarderà l’affidabilità dell’indicatore, verificando l’occorrenza di valori anomali del PRVI solo in conseguenza di eventi meteorici. Tale analisi dovrà essere effettuata anche avvalendosi di misure al suolo, che garantiranno un’effettiva validazione dell’indicatore sviluppato. Inoltre sarà necessario investigare anche le potenzialità dei dati acquisiti durante le orbite ascendenti.
Un’ultima considerazione circa i possibili sviluppi futuri di questo lavoro è che purtroppo, alle 06:58 UTC del 4 Ottobre 2011, una settimana dopo il termine di questo programma di mobilità, l’AMSR-E ha smesso di funzionare a causa di un problema al motore della sua antenna (http://nsidc.org/data/amsre/news.html - 04 October 2011 -AMSR-E Instrument Failure). Ciò ovviamente riduce le possibilità di implementare in maniera automatica ed in near real time questa procedura su dati nuovi acquisiti. D’altro canto, i risultati ottenuti possono essere utili nell’ambito delle fase di preparazione del sensore AMSR-2 (a bordo del satellite GCOM-W1), che entro fine 2012 sarà messo in orbita dall’agenzia spaziale giapponese JAXA.
VII. Valutazione critica dell’iniziativa
La qualità dell’attività di ricerca condotta nel corso della permanenza presso il National Oceanic and Atmospheric Administration - Cooperative Remote Sensing Science and Technology Center (NOAA – CREST), City University of New York – CCNY è testimoniata dai seguenti indicatori oggettivi:
• Pianificazione di sottomissione a rivista internazionale di almeno un lavoro con citazione del CNR
• Presentazione dei risultati ottenuti nell’ambito di questo programma di ricerca alla AGU 2011 Fall Meeting, San Francisco (California – USA), 5-9 Dicembre 2011 nel lavoro “Monitoring flood events using the AMSR-E based Polarization Variation Index”
• Sottomissione dei risultati ottenuti dal prosieguo delle attività al convegno MicroRad2012, Frascati (Roma, Italy), 5-9 Marzo 2012 nel lavoro “Global monitoring of soil moisture using a microwave based variational wetness index”
• Rafforzamento della collaborazione internazionale: in particolare l’attività svolta nell’ambito di questo programma di ricerca ha permesso l’instaurarsi di un rapporto di collaborazione scientifica con la National Oceanic and Atmospheric Administration - Cooperative Remote Sensing
17
Science and Technology Center, nella persona del Dr. M. Temimi, con cui sono stati presi accordi per il prosieguo delle attività già svolte.
VIII. Ringraziamenti
Si ringraziano:
- il CNR, per la concessione del finanziamento nell’ambito del programma di “Short Term Mobility 2011” con il quale la presente attivita’ di ricerca è stata svolta;
- il National Oceanic and Atmospheric Administration - Cooperative Remote Sensing Science and Technology Center, per l’ospitalità concessa durante il periodo di soggiorno a New York per condurre la presente ricerca;
- il Dr. Marouane Temimi, per la collaborazione fornita e per i dati messi a mia disposizione per l’analisi effettuata nel’ambito della presente ricerca.
IX. Bibliografia
Calvet, J., Wigneron, J., Walker, J., Karbou, F., Chanzy, A., and Albergel, C.: Sensitivity of passive microwave observations to soil moisture and vegetation water content: L-band to W-band, IEEE T.
Geosci. Remote, 99, 1–10, 2010.
CGOS-138: Implementation Plan for The Global Observing System for Climate in support of the
UNFCCC (2010 Update). 180 pages, (available on line at
http://www.wmo.int/pages/prog/gcos/Publications/gcos-138.pdf), 2010
Manfreda, S.: Runoff generation dynamics within a humid river basin, Nat. Hazards Earth Syst. Sci., 8, 1349–1357, doi:10.5194/nhess-8-1349-2008, 2008.
Entekhabi, D., Njoku, E.G., O'Neill, P.E., Kellogg, K.H., Crow, W.T., Edelstein, W.N., Entin, J.K., Goodman, S.D., Jackson, T.J., et al. (2010). The Soil Moisture Active Passive (SMAP) mission.
Proceedings of the IEEE, 98(5), 704–716, doi:10.1109/JPROC.2010.2043918.
Jackson, T. J.: “Measuring surface soil moisture using passive microwave remote sensing,”
Hydrological Processes, pp.139-152, 1993.
Jackson, T.J., Michael H. Cosh, Rajat Bindlish, Patrick J. Starks, David D. Bosch, Mark Seyfried, David C. Goodrich, Mary Susan Moran, and Jinyang Du (2010) Validation of Advanced Microwave Scanning Radiometer Soil Moisture Products, IEEE TGRS, 48(12), 4256-4272.
18
Kerr, Y.H, Njoku, E.G. 1993. On the use of passive microwaves at 37 GHz in remote sensing of vegetation. International Journal of Remote Sensing 14(10): 1931–1943.
Kerr, Y., Waldteufel, P., Wigneron, J., Martinuzzi, J., Font, J., and Berger, M.: Soil moisture retrieval from space: the soil moisture and ocean salinity (SMOS) mission, IEEE T. Geosci. Remote, 39, 1729–
1736, 2001.
Kerr, Y.: Soil moisture from space: where are we?, Hydrogeol. J., 15(1), 117–120, 2007.
Kerr, Y., Waldteufel, P., Wigneron, J., Delwart, S., Cabot, F., Boutin, J., Escorihuela, M., Font, J., Reul, N., Gruhier, C., Juglea, S., Drinkwater, M., Hahne, A., Martin-Neira, M., and Mecklenburg, S.: The SMOS Mission: New Tool for Monitoring Key, P. IEEE, 98(5), 666–687, 2010.
Lacava, T., Calice, G., Coviello, I., Mazzeo, G., Pergola, N., Tramutoli, V. 2009. Advanced Multi- Temporal Passive Microwave Data Analysis For Soil Wetness Monitoring And Flood Risk Forecast.
Proceedings of 2009 IEEE International Geoscience and Remote Sensing Symposium, Vol. 3, DOI:10.1109/IGARSS.2009.5418299, pp. III-490–III-493.
McCollum, J.R. and R.R. Ferraro, 2003: The next generation of NOAA/NESDIS SSM/I, TMI and AMSR- E microwave land rainfall algorithms, J. Geophys. Res. 108, 8382-8404
Merz, B. and Plate, E.: An analysis of the effects of spatial variability of soil and soil moisture on runoff, Water Resour. Res., 33, 2909–2922, 1997.
Meyles, E., Williams, A., Ternan, L., and Dowd, J.: Runoff generation in relation to soil moisture patterns in a small Dartmoor catchment, Southwest England, Hydrol. Process., 17, 251–264, 2003.
Njoku, E.G., Jackson, T.J., Lakshmi, V., Chan, T.K. and Nghiem, S.V.: “Soil moisture retrieval from AMSR-E,” IEEE Trans. Geosci. Rem. Sens., 41, 2, pp. 215-229, 2003.
Njoku, E.G. and Chan, S.K.: “Vegetation and surface roughness effects on AMSR-E land observations,”
Remote Sensing of Environment, 100, pp. 190-199, 2006.
Owe, M., De Jeu, R. and Walker, J.: “A methodology for surface soil moisture and vegetation optical depth retrieval using the microwave polarization difference index,” IEEE Trans. Geosci. Remote Sens., vol. 39, no. 8, pp. 1643–1654, Aug. 2001.
Owe, M., De Jeu, R.A.M. and Holmes, T.R.H.: “Multi-sensor historical climatology of satellite-derived global land surface moisture,” J. Geophys. Res., vol. 113, p. F01 002, 2008. DOI:1029/2007JF000769.
19
Paloscia, S., Macelloni, G., Santi, E.: Soil Moisture Estimates From AMSR-E Brightness Temperatures by Using a Dual-Frequency Algorithm. IEEE T. Geoscience and Remote Sensing 44IEEE T.
Geoscience and Remote Sensing 44(11-1): 3135-3144 (2006).
Scipal, K., Scheffler, C., and Wagner, W.: Soil moisture-runoff relation at the catchment scale as observed with coarse resolution microwave remote sensing, Hydrol. Earth Syst. Sci., 9, 173–183, doi:10.5194/hess-9-173-2005, 2005.
Schmugge, T.J. (1998). Applications of passive microwave observations of surface soil moisture, Journal of Hydrology, 212-213, 188-197.
Temimi, M., Lacava, T., Lakhankar, T., Tramutoli, V., Ghedira, H., Khanbilvardi, R.: A multi-temporal analysis of AMSR-E data for flood and discharge monitoring during the 2008 flood in Iowa.
Hydrological Processes, Volume 25, Issue 16, pages 2623–2634, doi: 10.1002/hyp.8020, 2011.
Tramutoli, V. 2005. Robust Satellite Techniques (RST) for natural and environmental hazards monitoring and mitigation: ten years of successful applications. In The 9th International Symposium on Physical Measurements and Signatures in Remote Sensing, Shunlin Liang, Jiyuan Liu, Xiaowen Li, Ronggao Liu, Michael Schaepman (eds), ISPRS: Beijing (China); Vol. XXXVI (7/ W20), 792–795. ISSN 1682–1750.
Firma del Fruitore
Dr. Teodosio Lacava
