5. Metodi seguiti per il rilevamento di zone percorse da incendio.
1.1. Introduzione.
I metodi applicati in questa tesi sono mirati a riconoscere se una certa zona è stata percorsa o meno da un incendio. Infatti, lo scopo di questo lavoro è quello di trovare una metodologia in grado di rilevare le aree percorse da incendio in modo semplice ed immediato, facendo, ovviamente, delle approssimazioni significative ma guadagnando notevolmente in tempo e lavoro. Pertanto, i metodi applicati in questa tesi non sono appropriati per studiare l’intensità con la quale il fuoco si è sviluppato e i danni apportati su di un territorio.
Il telerilevamento, come già visto, si basa sulla interazione tra energia (luce) e materia. Quando la luce solare colpisce un oggetto, certe lunghezze d’onda sono assorbite e altre sono riflesse (figura 5.1).
Dalla figura si nota che:
¾ L’acqua assorbe gran parte della radiazione solare incidente nel visibile (0.4 – 0.7 µm) riflettendone generalmente meno del 10%, mentre nell’infrarosso assorbe virtualmente tutta la radiazione incidente. La riflettività dell’acqua può aumentare in presenza di materiale in sospensione, oppure su acque poco profonde a causa della riflettività del fondale.
¾ I suoli hanno riflettività che aumenta all’aumentare della lunghezza d’onda, con una serie di minimi centrati approssimativamente a 1.4, 1.9 e 2.7 µm, causati da un elevato assorbimento dell’energia radiante da parte dell’acqua contenuta nel suolo.
¾ La vegetazione ha una curva tipica più complessa. Nel visibile si
questo fa seguito un notevole incremento di riflettività, che resta elevata in tutto l’infrarosso vicino. Nell’infrarosso medio la riflettività diminuisce all’aumentare della lunghezza d’onda, con minimi posizionati a 1.4, 1.9 e 2.7 µm causati, come nel caso dei suoli, dall’assorbimento da parte dell’acqua, in questo caso contenuta nelle foglie.
Figura 5.1 (da Richards, 1994). Spettri delle tre più comuni coperture superficiali.
La figura 5.1 descrive l’andamento generale delle curve di riflettività spettrale di acqua, suoli e vegetazione. Analizzando la risposta spettrale di varie superfici dello stesso tipo si nota un andamento simile con differenze nell’altezza relativa dei picchi, dovute alle caratteristiche peculiari delle singole superfici. Per esempio, la vegetazione di tipo erbaceo generalmente riflette più della vegetazione arborea nel rosso, cosicché la curva di un prato
A parità di tipo di superficie, le curve di riflettività sono anche influenzate da altre caratteristiche delle superfici stesse, quali:
¾ nel caso dell’acqua, è già stato accennato che la riflettività aumenta al crescere della torbidità (sedimenti, pigmenti, clorofilla) e della profondità;
¾ nel caso della vegetazione, i principale fattori che influenzano la risposta spettrale sono:
o la densità di copertura nell’elemento di immagine (pixel):
se nell’area corrispondente ad un pixel la vegetazione è rada, la sua risposta spettrale sarà una via di mezzo tra le curve della vegetazione e quella del suolo sottostante;
o lo stadio di sviluppo della vegetazione: al momento della ripresa, come vedremo in seguito, la curva di riflettività della vegetazione varia durante il ciclo fenologico;
o lo stato di salute della vegetazione: il diminuire della attività fotosintetica nelle piante sofferenti porta ad una diminuzione della riflettività;
¾ nel caso dei suoli, la curva di riflettività è influenzata principalmente dal contenuto d’acqua (figura 3.1), ed in misura molto minore dalle caratteristiche dei suoli, quali tessitura, granulometria, contenuto in materia organica, presenza di particolari minerali, ecc. (Baumgardner et al., 1985).
Come detto precedentemente, l’incendio di una superficie vegetata è una delle più importanti cause di alterazione ambientale e di degradazione del territorio. Quello che si cercherà di fare è riconoscere le aree percorse da incendio basandosi sull’identificazione di alterazioni, causate dal fuoco, apportate al rivestimento superficiale di un territorio (Garcia et al., 2001).
Il fuoco, infatti, può modificare le proprietà di riflettanza degli arbusti e della vegetazione in genere e le manifestazioni del danno provocato dal fuoco possono essere morfologiche e/o fisiologiche (Murtha 1978).
Il danno morfologico è espresso attraverso il cambiamento nella struttura della pianta, la scomparsa delle foglie, la perdita dei rami e il collasso cellulare. Le lunghezze d’onda dell’infrarosso vicino (NIR, 0,7- 1,1 µm) sono sensibili alla struttura cellulare vegetale e hanno avuto grande applicazione nel monitoraggio della mortalità delle foreste dovuta al fuoco, all’inquinamento, all’infezione da parte di insetti ed altro ancora (Iverson et al., 1989).
Il danno fisiologico è espresso attraverso il decremento dell’attività fotosintetica della pianta, la deteriorazione dei cloroplasti, e l’interruzione della traslocazione di agenti come l’acqua (Murtha 1978). Le lunghezze d’onda del blu (0,4- 0,5µ m), verde (0,5-0,6 µm), rosso (0,6-0,7 µm), e infrarosso a onda corta (SWIR) (1,3-1,8 µm e 2,05-2,4 µm) sono sensibili ai componenti fisiologici della vegetazione (Nelson, 1983). Un incendio riduce l’assorbimento delle lunghezze d’onda visibili da parte della clorofilla fogliare, e le lunghezze d’onda dello SWIR da parte dell’umidità della pianta (Roy et al., 1999).
I cambiamenti della copertura vegetale di un certo territorio possono essere analizzati con dati provenienti da immagini satellitari mediante le varie tecniche di change detection (Rogan et al., 2001), ed è proprio questo tipo di approccio metodologico che sarà applicato con particolare riguardo ai cambiamenti indotti da incendi.
5.2 Change detection.
La change detection è il processo di identificazione di differenze nello stato di un oggetto o di un fenomeno osservandolo in momenti distanti nel tempo ( Ridd and Liu, 1998). Essenzialmente, essa racchiude la capacità di quantificare effetti temporali usando sets di dati multitemporali (Singh, 1989).
area prese a differenti date e mostrino i cambiamenti e la loro localizzazione all’interprete. Con la disponibilità di dati multispettrali in formato digitale telerilevati e con i progressi fatti nell’elaborazione digitale, il remote sensing fornisce una nuova prospettiva per l’analisi di mutazioni nella copertura/uso del suolo. Con la possibile acquisizione di immagini a piccoli intervalli di tempo e con l’elevata qualità delle stesse, è possibile determinare l’estensione e il tipo di cambiamento avvenuto in un territorio attraverso il telerilevamento satellitare.
Una grande varietà di metodi di change detection sono stati proposti e applicati, e nuovi metodi continuano ad apparire in letteratura frequentemente (Lambin and Strahler, 1994; Gopal and Woodcock, 1995).
Tutti questi metodi funzionano ragionevolmente bene in certe situazioni e per certe applicazioni. Quello che non è chiaro è quale metodo sia maggiormente appropriato per particolari applicazioni.
La maggior parte dei metodi di change detection rientrano in una delle due principali categorie: i metodi di confronto post classification e i metodi di miglioramento dell’immagine (Pilon et al., 1988; Nelson, 1983; Yuan et al., 1998).
I metodi di confronto post classification includono la completa classificazione della copertura del suolo in ogni data dell’immagine, con i cambiamenti della copertura che sono visti come cambiamenti nella classificazione dalla prima alla seconda data. L’accuratezza delle classificazioni individuali limita l’accuratezza del risultato.
I metodi di miglioramento dell’immagine (enhancement methods) sono basati sulla diretta acquisizione di cambiamenti spettrali. Questa categoria include tecniche come la composizione a falsi colori, o come la differenza e il rapporto fra immagini usate per enfatizzare l’area che presenta una certa variazione spettrale. La discriminazione dei valori di cambiamento e non cambiamento influenzano l’accuratezza del risultato.
Nella post classification change detection, due immagini provenienti da date differenti sono indipendentemente classificate. Le aree che presentano un certo cambiamento sono poi estratte attraverso diretta comparazione dei risultati della classificazione (Colweel and Weber, 1981; Howarth and Wickware, 1981). Il vantaggio della post classification change detection è che
si evita le difficoltà associate con l’analisi delle immagini acquisite in differenti date dell’anno o da differenti sensori. Gli svantaggi includono le grandi richieste di calcolo e di classificazione, severe difficoltà nell’ottenere classificazioni individuali accurate, e difficoltà inerenti la valutazione circa un set di dati storici nel compiere un’accuratezza adeguata (Yuan and Elvidge,1998).
Le tecniche di miglioramento dell’immagine e di post classification change detection consistono nel trasformare due immagini originali in una nuova immagine non classificata a singola banda o multibanda, nella quale le zone con variazione nella copertura del suolo sono prontamente rilevate.
Molte delle tecniche di miglioramento dell’immagine sono basate sul concetto di differenza di immagini o di rapporto di immagini (Weismiller et al., 1977;
Toll et al., 1980).
In questa tesi verranno applicati due differenti tecniche di change detection. Una rientrante nella categoria di confronto post classification e l’altra nella categoria di miglioramento dell’immagine.
Il primo metodo scelto si basa sull’applicazione di indici di copertura del suolo su entrambe le immagini (pre e post incendio) e sul successivo rapporto di tali immagini ( immagine pre incendio / immagine post incendio).
Il secondo metodo applicato è basato sulla sottrazione di due immagini di classificazione a singola banda. Più precisamente, all’immagine di classificazione fatta sulla Landsat di febbraio verrà sottratta l’immagine di classificazione ottenuta sulla Landsat di ottobre.
