alma mater studiorum - universitÀ di bologna · diretta della nota equazione di penman-monteith,...
TRANSCRIPT
ALMA MATER STUDIORUM - UNIVERSITÀ DI BOLOGNA
SCUOLA DI INGEGNERIA E ARCHITETTURA
DIPARTIMENTO DI INGEGNERIA CIVILE, CHIMICA, AMBIENTALE E DEI
MATERIALI
CORSO DI LAUREA MAGISTRALE
in
INGEGNERIA CIVILE
TESI DI LAUREA
in
Telerilevamento e GIS
APPLICAZIONE DEL TELERILEVAMENTO SATELLITARE NELLA
GESTIONE DEGLI INTERVENTI IRRIGUI IN AGRICOLTURA
CANDIDATO RELATORE
Luca Domenico Sapia Prof. Ing. Gabriele Bitelli
CORRELATORI
Dott. Andrea Spisni
Dott. Vittorio Marletto
Dott. Ing. Emanuele Mandanici
Anno Accademico 2013/2014
Sessione III
1
Indice
1. Introduzione ............................................................................................... 3
2. Gestione dell’irrigazione in relazione al bilancio idrico delle colture .......... 7
2.1. La risorsa effettivamente utilizzabile dalla coltura ............................................ 8
2.2. Schematizzazione di un bilancio idrico e modalità di intervento irriguo ... 11
2.3. L’evapotraspirazione ............................................................................................... 13
2.3.1. Evapotraspirazione di riferimento ET0 ........................................................ 14
2.3.2. Evapotraspirazione massima ETM o evapotraspirazione in
condizioni standard della coltura ETc .......................................................... 15
3. Il telerilevamento satellitare come strumento per la valutazione del
fabbisogno idrico delle colture ................................................................. 19
4. Metodologia ............................................................................................. 27
4.1. Premessa .................................................................................................................... 27
4.2. Approccio analitico: applicazione diretta dell’equazione di Penman-
Monteith ....................................................................................................................... 28
4.2.1. Calcolo dell’albedo ............................................................................................ 32
4.2.2. Calcolo del LAI .................................................................................................... 34
4.3. Metodo Kc-NDVI: approccio del coefficiente colturale singolo ................... 36
5. Elaborazioni ............................................................................................. 43
5.1. Caso di studio e obiettivi del lavoro .................................................................... 43
5.2. Raccolta ed elaborazione dei dati ....................................................................... 44
5.2.1. Dati satellitari ....................................................................................................... 44
5.2.2. Calibrazione radiometrica delle immagini ................................................... 46
5.2.3. Correzione atmosferica delle immagini ....................................................... 47
5.2.4. Dati vettoriali ........................................................................................................ 49
5.3. Applicazione del metodo Kc-NDVI ...................................................................... 54
5.4. Applicazione dell’approccio analitico .................................................................. 56
5.5. Estrazione dei valori medi di ETc per ciascun campo agricolo .................. 60
5.6. Validazione: il modello CRITERIA ....................................................................... 63
6. Conclusioni .............................................................................................. 91
Bibliografia ....................................................................................................... 95
3
1. Introduzione
La scarsità della risorsa idrica è una preoccupazione crescente per
l’agricoltura mondiale, è ovviamente sentita in maniera molto diversa nei
vari Paesi ed assume caratteristiche drammatiche per molti di essi.
Anche quei Paesi dotati di una maggiore disponibilità d’acqua si trovano
oggi a fronteggiare inevitabilmente tale problema sia per l’incremento
della domanda d’acqua potabile, industriale ed irrigua, sia per i problemi
derivanti dalla sempre maggiore irregolarità delle piogge provocata dal
cambiamento climatico in corso.
Proprio per questo oggi si parla sempre più frequentemente di risparmio,
di uso oculato, di uso razionale e di salvaguardia quantitativa della
risorsa idrica, tutti termini che convergono nella necessità di porre
maggiore attenzione nell’uso della risorsa stessa [Mannini, 2004].
È interessante riportare, a titolo d’esempio, il dato relativo al quant itativo
totale di acqua prelevato dalle fonti di approvvigionamento della Regione
Emilia-Romagna che, all’anno 2014, ammonta a circa 2260 milioni di
metri cubi. Se si pensa che di questi il 68% sono imputabili al settore
irriguo, contro i soli 22% al settore civile e 8% al settore industriale, ci si
rende immediatamente conto che il motivo per cui oggi si guarda con
maggiore attenzione alla razionalità nell’impiego della risorsa idrica in
agricoltura risiede proprio nel notevolissimo volume d’acqua impiegato
per l’irrigazione.
Nello stato attuale delle cose uno dei problemi fondamentali in
agronomia è diventato, pertanto, capire qual è il momento giusto per
fornire acqua alle piante, in modo da evitare inutili sprechi e, nel
contempo, irrigare le colture in base alle reali esigenze della pianta.
È evidente che basare le decisioni per gli interventi irrigui
esclusivamente sulle osservazioni visive degli agricoltori in campo non
può rappresentare un criterio perseguibile per una corretta valutazione
dello stato idrico delle colture e dei terreni.
4
Al contrario, il calcolo del bilancio idrico delle colture, che definisce la
quantità d’acqua irrigua come differenza tra l’acqua consumata dalle
colture per evapotraspirazione e quella che giunge alle stesse dalle
piogge e dalle falde superficiali per risalita capillare, rappresenta oggi
l’approccio tradizionalmente utilizzato per una precisa valutazione dello
stato idrico delle radici immerse nel terreno e, di conseguenza, dei
volumi d’acqua di irrigazione da assegnare .
Ad oggi sono numerosissimi i modelli di simulazione idrologica, che
sfruttano il calcolo del bilancio idrico per stabilire l’esatto momento di
intervento irriguo e per fornire informazioni quantitative sui volumi di
irrigazione da somministrare alle colture.
Tuttavia, seppur preciso, un servizio di assistenza all’irrigazione basato
sul calcolo del bilancio idrico ha il limite nella laboriosità delle
misurazioni e dei calcoli da effettuare in campo per ricavare i parametri
di input da immettere nel modello di simulazione; specialmente, poi,
quando i rilievi devono essere effettuati nei periodi di massimo lavoro
delle aziende agricole.
Per questo motivo, negli ultimi decenni, la ricerca scientifica si è mossa
nel tentare di trovare soluzioni alternative per migliorare l’efficienza degli
interventi irrigui in agricoltura.
Questo ha portato ad un notevole progresso nella comprensione dei
processi fisici che intercorrono tra superficie terrestre e atmosfera e
della loro parametrizzazione nella gestione dei terreni e delle risorse
idriche.
Questa conoscenza è stata poi combinata, nel recente passato, con la
potenzialità delle tecniche di Osservazione della Terra dallo spazio che
oggi, grazie alla disponibilità di nuove generazioni di sensori e alla
conoscenza approfondita della risposta della superficie terrestre nelle
diverse regioni dello spettro elettromagnetico, sono in grado di fornire
informazioni dettagliate per una pianificazione, senza sprechi, degli
interventi irrigui in un sistema agricolo [D’Urso, 2010].
5
Il presente lavoro di tesi intende offrire un excursus delle applicazioni
oggi conosciute, nel campo del telerilevamento satellitare, per la
determinazione dei fabbisogni idrici delle colture. In particolare viene
posta l’attenzione su due different i metodologie che consentono di
generare delle vere e proprie mappe di fabbisogno idrico delle colture,
grazie al contemporaneo utilizzo di immagini satellitari ad alta risoluzione
opportunamente elaborate e di dati meteorologici misurati a terra.
Il primo prende il nome di metodo Kc-NDVI e si basa sulla correlazione
esistente tra l’indice vegetazionale NDVI e il cosiddetto coefficiente
colturale Kc, che sintetizza al suo interno le informazioni relative allo
stato fenologico della coltura.
Il secondo si chiama approccio analitico e si basa sull’applicazione
diretta della nota equazione di Penman-Monteith, al cui interno entrano
in gioco alcune variabili biofisiche della chioma della vegetazione
(albedo della superficie (r), indice di area fogliare (LAI), al tezza delle
colture (hc)), che vengono stimate a partire dai dati satellitari.
I due metodi sono stati testati su una modesta area agricola,
appartenente al Comune di Cesena, nella quale sono coltivate diverse
specie colturali. Il primo obiettivo del lavoro è stato quello di valutare il
livello di accuratezza raggiunto nella stima del fabbisogno idrico delle
colture, in seguito all’applicazione delle due metodologie citate a una
serie di immagini satellitari contenenti l’area di studio.
I risultati ottenuti dalle immagini sono stati validati confrontando tali
valori con quelli provenienti da un modello matematico per la
simulazione del bilancio idrico dei suoli agricoli: il modello CRITERIA.
Il secondo obiettivo, invece, è consistito nella realizzazione delle
sopracitate mappe di fabbisogno idrico delle colture, che rappresentano
il prodotto finito su cui si basano i moderni sistemi di supporto alle
decisioni per la pianificazione degli interventi irrigui in agricoltura.
Dal punto di vista strutturale, la tesi si articola nel seguente modo:
- Il capitolo 2 presenta una introduzione sulle modalità di gestione
dell’irrigazione in relazione al bilancio idrico delle colture,
6
specificando, in particolar modo, cosa si intende per
evapotraspirazione e che incidenza assume una sua corretta
valutazione sul calcolo del bilancio idrico.
- Il capitolo 3 ripercorre i progressi raggiunti, negli ultimi trent’anni,
dal telerilevamento satellitare in ambito agricolo, sottolineando i
vantaggi offerti dalle tecniche di osservazione della Terra nella
gestione degli interventi irrigui. Nella parte finale del capitolo v iene
descritto un esempio di sistema di supporto alle decisioni nella
gestione di un comprensorio irriguo, basato su una tecnologia
webGIS per il caricamento, la visualizzazione e l’analisi dei dati e
su un sistema di distribuzione delle informazioni agli utenti finali
che si appoggia agli innovativi strumenti di ICT.
- Il capitolo 4 analizza nel dettaglio le due metodologie utilizzate, nel
lavoro di tesi, per ottenere le mappe di fabbisogno idrico delle
colture a partire dalle immagini satellitari.
- Il capitolo 5 offre una descrizione particolareggiata delle
elaborazioni effettuate nella parte sperimentale della tesi, partendo
dalla presentazione del caso studio e concludendo con
un’esposizione critica dei risultati conseguiti.
- Il capitolo 6, infine, evidenzia l’affidabilità complessivamente
mostrata da ambedue le metodologie sui risultati ottenuti,
sintetizzando brevemente i punti deboli e i punti forti dell’una e
dell’altra.
In conclusione, viene posta l’attenzione sulle possibilità attuali di
implementazione di un servizio di assistenza irrigua basato sulle
tecnologie descritte al capitolo 3, concentrandosi in maniera
particolare sulle problematiche non trascurabili re lative al
reperimento dei dati.
7
2. Gestione dell’irrigazione in relazione al
bilancio idrico delle colture
Pilotare l’irrigazione in funzione del bilancio idrico delle colture
presuppone la conoscenza, in maniera continua, del quantitativo d’acqua
presente all’interno dello strato di terreno ove giacciono le radici del la
pianta.
Il metodo del bilancio idrico consiste nello stimare le variazioni della
riserva idrica del suolo misurando o valutando tutti gli ingressi e tutte le
perdite d’acqua del sistema colturale: gli ingressi (irrigazione, pioggia,
apporto idrico di falda) vengono sommati al totale dell’acqua già
presente nel terreno, mentre le perdite (evapotraspirazione delle colture,
perdite per ruscellamento e per percolazione profonda) vengono
sottratte.
Figura 2.1: Principali ingressi e perdite d’acqua di una coltura necessari al calcolo di un
bilancio idrico.
In questo modo, applicando la seguente equazione di bilancio:
8
Dove:
CAO = contenuto d’acqua oggi (mm);
CAI = contenuto d’acqua ieri (mm);
IRRIGAZIONE = volume di irrigazione dato ieri (mm);
PIOGGIA = volume d’acqua piovuto ieri (mm);
FALDA = acqua di falda giunta nello strato utile per risalita capillare dalla
falda (mm);
EVAPOTRASPIRAZIONE = evapotraspirazione della coltura ieri (mm);
PERDITE RP = perdite per ruscellamento e percolazione profonda ieri
(mm).
è possibile calcolare, giorno per giorno, il contenuto medio di umidità
nello strato di terreno colonizzato dalle radici e, in funzione di questo,
procedere con l’irrigazione solamente al raggiungimento di un prefissato
contenuto di umidità limite.
Altro aspetto, assolutamente non marginale, riguarda la scelta del
volume d’acqua da impartire per mezzo di ciascun intervento irriguo che
è funzione della capacità del terreno di trattenere l’acqua, della
profondità dello strato radicale e del metodo e del sistema irriguo
adottato. Certamente la fornitura di quantitativi idrici non adeguati
implica, sia in eccesso sia in difetto, uno sperpero della risorsa: nel
primo caso, infatti, volumi troppo abbondanti determinerebbero la
percolazione dell’acqua verso strati più profondi, che risultano
irraggiungibili dalle radici delle piante; viceversa, volumi troppo modesti
evaporerebbero ancor prima di aver raggiunto lo strato di terreno utile
alla captazione.
2.1. La risorsa effettivamente utilizzabile dalla coltura
Di tutta l’acqua presente all’interno del terreno solo una parte è
effettivamente a disposizione delle piante. La frazione idrica a cui le
colture possono accedere dipende dal tipo di terreno, dalla capacità del
suolo di immagazzinare l’acqua e dal legame con cui le molecole
9
d’acqua sono trattenute dalle particelle costituenti il suolo, nonché dalla
profondità, dalla densità e dall’efficienza dell’apparato radicale, termini
che, per effetto dello sviluppo e dell’approfondimento delle radici durante
la vita della pianta, sono destinati a crescere nel tempo.
I parametri fondamentali che sintetizzano, in quest’ottica, l’efficienza del
tipo di terreno sono la Capacità Idrica di Campo (CIC) ed il Punto di
Appassimento (PA): il primo esprime la percentuale di umidità presente
in un suolo saturo dopo che è percolata o drenata tutta l’acqua non
trattenuta dal terreno, il secondo indica la percentuale di umidità alla
quale la pianta non riesce più ad assorbire acqua dal suolo ed inizia
l’appassimento permanente.
La frazione d’acqua contenuta tra la Capacità Idrica di Campo (CIC) ed il
Punto di Appassimento (PA) è l’Acqua Disponibile (AD) che rappresenta
molto bene la capacità del terreno di accumulare riserve idriche e,
quindi, di permettere alle colture di resistere a periodi di siccità più o
meno prolungati [Mannini, 2004].
Ad esempio, spostandosi gradualmente da terreni sabbiosi a terreni
argillosi si assiste complessivamente ad un incremento sia di CIC, sia di
PA, sia di AD con conseguente aumento della capacità di accumulo e
successiva utilizzazione dell’acqua di pioggia o di irrigazione stanziata.
Esistono tabelle che riportano la percentuale di Acqua Disponibile in
relazione al volume di una specifica tipologia di terreno considerato ed
anche il valore di AD in mm rispetto ad una profondità di 100 cm e 50 cm
per la stessa tipologia di suolo (vedi Tabella 1).
Tabella 2.1.1: Valori orientativi delle costanti idrologiche di diversi tipi di terreno e relativi
volumi d’acqua in essi immagazzinabili (mm).
Tuttavia, per ragioni meramente legate al raggiungimento della massima
resa in termini di produttività della coltura, non si spinge mai la pianta ad
10
esaurire completamente la riserva di Acqua Disponibile nel terreno prima
di dare inizio all’intervento irriguo. Questo perché, mano a mano che il
contenuto idrico all’interno del suolo diminuisce, entrano in gioco dei
meccanismi di trattenuta dell’acqua da parte del suolo stesso sempre più
drastici, che impediscono perciò alle radici di attingere alla risorsa
sempre allo stesso modo. Per tale ragione la pianta, nel momento in cui
percepisce difficoltà nell’assorbimento d’acqua, attua degli accorgimenti
che vanno nella direzione di una complessiva riduzione della perdita
idrica che nella pianta si verifica per mezzo della traspirazione.
Le foglie delle piante, infatti, sono costellate da pori microscopici, detti
stomi, che da un lato costituiscono l’uscita dell’acqua che viene persa
per il fenomeno della traspirazione, ma dall’altro rappresentano, al
contempo, l’entrata per la CO2 che la pianta utilizza per riprodursi (la
pianta rende la CO2 organica, cioè trasforma la CO2 dell’aria in
zucchero).
Se gli stomi si chiudono perché non c’è più abbastanza acqua non entra
più neanche la CO2, quindi ogni volta che si verifica una condizione di
stress idrico, cioè quando viene meno l’acqua nelle radici, la pianta
cerca di non morire e si difende, però produce sempre meno.
Quindi se lo strato di terreno in cui sono immerse le radici ha un
contenuto idrico adeguato, le piante traspirano in modo governato
dall’atmosfera, quindi non oppongono grossi ostacoli alla traspirazione;
se invece non piove e comincia a venir meno l’acqua le piante
cominciano a reagire e ad impedire alla traspirazione di svolgersi come
vorrebbe l’atmosfera.
Allora lo scopo dell’irrigazione è di fornire sufficiente acqua nel terreno in
modo da evitare questa chiusura o almeno di contenere i danni.
Ecco che allora è consigliabile permettere alla coltura di esaurire
solamente la Riserva Facilmente Utilizzabile (RFU) dell’acqua contenuta
nel terreno, cioè quella parte dell’Acqua Disponibile che le piante
riescono ad assorbire dal terreno con uno sforzo modesto e senza
abbassare la resa [Mannini, 2004].
11
Tale livello di soglia varia tra il 50% e il 70% dell’AD per colture meno
sensibili allo stress idrico e tra il 30% e 40% dell’AD per colture più
sensibili.
2.2. Schematizzazione di un bilancio idrico e modalità di
intervento irriguo
Tenendo conto dei parametri fino ad ora descritti, il metodo del bilancio
può essere rappresentato mediante un grafico che riporta sull’asse delle
ascisse lo scorrere del tempo (Periodo irriguo) e sull’asse delle ordinate
la variazione dell’Acqua Disponibile in %. Quest’ultima, per effetto di
fattori positivi (irrigazione e pioggia) e negativi (evapotraspirazione
massima, ETM) per il bilancio, si trova ad oscillare all’interno di un range
di valori, delimitato da due soglie limite, da stabilirsi in funzione del tipo
di coltura, del tipo di terreno e del metodo impiegato per irrigare.
La soglia di intervento irriguo (soglia inferiore) permette di stab ilire a
quale soglia di bilancio intervenire con un’irrigazione, l’altra (soglia
superiore), invece, definisce quel valore ottimale al quale riportare il
bilancio in seguito all’irrigazione.
In questo modo il metodo del bilancio consente di individuare sia il
momento di intervento irriguo, ossia quando irr igare, sia il volume
d’acqua necessario a ristabilire il bilancio entro il limite prefissato, e
dunque quanto irrigare. È evidente che tale volume dovrà corrispondere
ai mm d’acqua in grado di riportare l’AD nel terreno al valore di soglia
superiore. È importante specificare che, quest’ultimo, non dovrà mai
coincidere con il valore della Capacità Idrica di Campo poiché questo
significherebbe riportare il livello di umidità nel suolo ad un valore
talmente grande da risultare, da un lato, dannoso per le colture e,
dall’altro, controproducente nell’ottica del risparmio idrico. Difatti le
colture rischierebbero di essere affette da asfissia radicale e il terreno si
troverebbe così saturo d’acqua da non permettere l’immagazzinamento
e, quindi, lo sfruttamento dell’acqua piovana, determinando pertanto un
12
inutile sperpero della risorsa idrica che andrebbe ad infiltrarsi in
profondità per percolazione.
Inoltre poiché, come detto, i valori di soglia dipendono strettamente
anche dal tipo di coltura considerata, avremo che per colture molto
sensibili allo stress idrico e con un apparato radicale non troppo
approfondito si preferirà adottare una soglia di intervento irriguo
corrispondente a modesti cali di AD nel terreno, mentre per colture
maggiormente in grado di resistere a condizioni di carenza idrica la
soglia sarà generalmente molto inferiore.
Si riportano, in ultimo, gli andamenti del bilancio idrico corrispondenti a
due differenti modalità di irrigazione, a goccia e ad aspersione:
Figura 2.2.1: Schema grafico di un bilancio idrico per l’irrigazione a goccia.
Figura 2.2.2: Schema grafico di un bilancio idrico per l’irrigazione ad aspersione.
13
Dal confronto emerge che nel caso dell’irrigazione a goccia le due soglie
sono più ravvicinate poiché con questa tecnica irrigua si ha la necessità
di irrigare con elevata frequenza e volumi idrici più modesti; al contrario,
nel caso di irrigazione ad aspersione, le soglie saranno più distanziate e
si avranno irrigazioni meno frequenti ma caratterizzate da volumi
d’adacquata più importanti.
2.3. L’evapotraspirazione
Se si focalizza l’attenzione sullo schema grafico di un bilancio idrico è
palese l’incidenza che assume una corretta valutazione dei consumi
idrici delle colture e del suolo sulla gestione dell’irrigazione.
L’evapotraspirazione costituisce, infatti, l’elemento negativo cardine del
bilancio idrico.
Così come tutte le altre componenti di un bilancio idrico anche
l’evapotraspirazione viene espressa in mm nell ’unità di tempo di
riferimento.
Tale fenomeno si definisce come la combinazione di due processi
distinti: l’evaporazione è il processo mediante il quale l’acqua liquida
viene convertita in vapore acqueo (vaporizzazione) e in seguito rimossa
dalla superficie evaporante, nel nostro caso il terreno; la traspirazione
consiste, invece, nella vaporizzazione dell’acqua liquida contenuta
all’interno dei tessuti vegetali e nella conseguente rimozione del vapore
nell’atmosfera.
I due processi si verificano simultaneamente e non esiste un modo per
distinguere l’uno dall’altro.
L’evaporazione da un terreno coltivato è principalmente determinata,
oltre che dalla disponibilità d’acqua nello strato superficiale, dalla
frazione di radiazione solare incidente la superfic ie del terreno. Questa
frazione diminuisce durante il periodo di crescita della coltura dato che,
chiaramente, diventa sempre più importante l’ombreggiamento del suolo
dovuto allo sviluppo della chioma della pianta. Quando la coltura si trova
nelle fasi iniziali di crescita il contributo più significativo al fenomeno è
14
dato quindi dall’acqua persa per evaporazione dal suolo, ma una volta
che la coltura è ben sviluppata e copre completamente il suolo il
processo principale diventa la traspirazione [Allen et al., 1998]. Lo
sviluppo della coltura, infatti, determina un aumento dell’apparato
fogliare e, di conseguenza, un aumento del rapporto tra la superficie
fogliare e la superficie del terreno investita (LAI = Indice di Area
Fogliare), il che porta ad un’elevata quantità di superficie traspirante a
contatto con l’atmosfera e quindi ad importanti flussi traspirativi.
I fattori che influenzano l’evapotraspirazione sono molteplici: da un lato
ci sono i parametri meteorologici che caratterizzano il potere evaporante
dell’atmosfera, dei quali assumono particolare rilevanza la radiazione
incidente, la temperatura e l’umidità dell’aria e la velocità del vento. Poi
vi sono le caratteristiche delle colture: differenze di resistenza alla
traspirazione, di altezza, di rugosità, di riflessione, di copertura del suolo
e di densità vegetativa si traducono in diversi livelli di
evapotraspirazione, nei diversi tipi di colture, sotto condizioni ambientali
identiche.
Infine, altri fattori che possono incidere sullo sviluppo delle colture e
quindi sull’evapotraspirazione sono: il contenuto idrico e la salinità del
suolo, il tipo di terreno, la fertilità del terreno e l’applicazione di
fertilizzanti e antiparassitari.
2.3.1. Evapotraspirazione di riferimento ET0
Per ovviare alla necessità di definire parametri di evapotraspirazione
univoci per ciascuna coltura e per ciascuna fase di crescita è stato
introdotto in ambito agro-metereologico il concetto di evapotraspirazione
di riferimento o evapotraspirazione potenziale, indicato di frequente con
la sigla ET0 o ETp.
L’evapotraspirazione di riferimento, in pratica, rappresenta la domanda
evapotraspirativa dell’atmosfera e fa fede ad una superficie standard
ideale costituita da un prato di graminacee che, nelle condizioni teoriche
ipotizzate, presenta le seguenti caratteristiche: il terreno su cui cresce il
15
prato è in condizioni di umidità ottimali, di grande estensione e
regolarmente livellato, mentre il prato ricopre il terreno in maniera
uniforme, si trova in uno stato nutrizionale e sanitario perfetto ed infine è
regolarmente sfalciato in modo da mantenere un’altezza ideale di 12 cm.
In maniera specifica, il quaderno FAO 56 definisce la superficie di
riferimento come “una coltura di riferimento ipotetica con un’altezza
presunta pari a 0,12 m, una resistenza di superficie costante di 70 s m -1
e un albedo di 0,23” [Allen et al., 1998]. Con resistenza di superficie si
intende un coefficiente che descrive la resistenza che si oppone al
passaggio del flusso di vapore dalla superficie della pianta all’atmosfera
e con albedo la frazione di radiazione solare incidente che viene riflessa
in tutte le direzioni.
Dal momento che ET0 esprime il potere evaporante dell’atmosfera è
chiaro che la sua stima prescinde da qualsiasi caratteristica propria della
coltura e del terreno; gli unici dati che intervengono nel calcolo di ET0
sono, infatti, parametri metereologici, per cui essa varia nel tempo e
nello spazio, ma è assolutamente indipendente dalla tipologia e dalla
fase fenologica della coltura.
2.3.2. Evapotraspirazione massima ETM o
evapotraspirazione in condizioni standard della
coltura ETc
A differenza dell’evapotraspirazione di riferimento, che stabilisce le
perdite idriche di un’ipotetica superficie di riferimento,
l’evapotraspirazione massima ETM, detta anche evapotraspirazione in
condizioni standard della coltura ETc (dove “c” sta per “crop”),
rappresenta l’evapotraspirazione di una specifica coltura in condizioni
standard, ossia in condizioni di umidità del terreno ottimali.
Il legame che permette il passaggio tra ET0 ed ETM è il cosiddetto
coefficiente colturale Kc, attraverso la nota relazione:
16
In questo modo, quindi, il coefficiente colturale non è altro che il
rapporto, dedotto da numerose campagne sperimentali condotte nelle
diversi parti del mondo, tra ETM ed ET0:
Esso è caratteristico di ciascuna coltura e dello stadio di sviluppo della
stessa e, pertanto, dipende prevalentemente dall’Indice d i area fogliare
(LAI, dall’inglese “Leaf Area Index”).
L’evoluzione del coefficiente colturale durante l’intera stagione di
crescita viene generalmente schematizzata attraverso la cosiddetta
curva del coefficiente colturale che mette in mostra la variab ilità del Kc in
funzione della fase fenologica della coltura.
Tale curva, che varia naturalmente da specie a specie, può essere
costruita seguendo il procedimento indicato nel quaderno FAO 56
mediante l’ausilio di apposite tabelle.
Si riporta l’andamento di una curva del coefficiente colturale per una
coltura tipo tratta dal suddetto quaderno:
Figura 2.3.2.1: Andamento di una generica curva del coefficiente colturale Kc.
17
All’inizio del ciclo colturale, quando sul suolo nudo non si è verificata
ancora alcuna emergenza, il valore di Kc è basso, quasi sempre inferiore
a 0.4. Subito dopo l’emergenza o il trapianto delle colture annuali, o la
ripresa vegetativa di quelle poliennali, il valore di Kc comincia a crescere
lievemente poiché si va ad aggiungere all ’evaporazione dell’acqua dal
suolo il contributo della traspirazione, che fino ad ora assumeva valore
nullo per assenza di vegetazione.
Il valore di Kc subisce poi un significativo incremento a partire dall’inizio
della fase di veloce sviluppo della coltura fino a raggiungere un valore
massimo, solitamente compreso tra 1.1 e 1.3, in corrispondenza del
momento di massimo sviluppo della pianta. Tale valore si mantiene
pressoché costante fino all’inizio del periodo di senescenza della pianta,
per poi diminuire progressivamente fino a valori prossimi a quelli iniziali.
Per concludere, torna utile definire, per i successivi capitoli della tesi,
cosa si intende per fabbisogno idrico delle colture CWR (dall’inglese
“Crop Water Requirements”).
Secondo la definizione fornita dall’ICID (2000) esso rappresenta “il totale
di acqua necessaria per l’evapotraspirazione, dalla semina al raccolto ,
per una determinata coltura in un regime climatico specifico, quando
viene mantenuto un quantitativo adeguato di acqua nel suolo dalla
pioggia e/o dall’irrigazione, in modo da non limitare la crescita delle
piante e la resa delle colture”.
In sostanza quindi il CWR indica la quantità di acqua necessaria per
compensare la perdita idrica per evapotraspirazione che si verifica da un
campo coltivato in condizioni standard. Anche se i valori di
evapotraspirazione in condizione standard delle colture e di fabbisogno
idrico delle colture sono, quantitativamente parlando, identici è bene
chiarire il diverso significato delle due quantità: il primo si riferisce alla
quantità di acqua che viene persa per evapotraspirazione, il secondo alla
quantità d’acqua che dev’essere fornita per sopperire a tale perdita.
19
3. Il telerilevamento satellitare come strumento
per la valutazione del fabbisogno idrico delle
colture
La conoscenza del fabbisogno idrico delle colture (CWR) è un dato
essenziale nella gestione degli interventi irrigui in agricoltura, in
particolare nelle regioni aride e semi-aride dove l’irrigazione rappresenta
il più grande consumatore di acqua.
L’interesse nella valutazione del fabbisogno idrico delle colture,
attraverso l’uso del telerilevamento satellitare, si è sviluppato a partire
dalla fine degli anni ’80.
Le ragioni che hanno spinto i ricercatori a muoversi in questa direzione
sono da ricercare nella sempre maggiore difficoltà riscontrata nel
reperire i dati a terra, necessari ad alimentare i modelli di simulazione
idrologica. Tali modelli si basano sul calcolo del bilancio idrico delle
colture per stabilire l’esatto momento di intervento irriguo e per valutare,
in maniera precisa, i volumi minimi d’acqua di irrigazione necessari per il
raggiungimento delle migliori produzioni.
Sebbene la ricerca scientifica abbia individuato nel calcolo del bilancio
idrico delle colture il metodo più preciso per migliorare l’efficienza
dell’irrigazione, attraverso una corretta valutazione dei consumi idrici
delle colture e delle modalità di intervento, rimane ancora oggi il
problema della grande quantità di dati da ricercare come input per i
modelli sopracitati. Specialmente, poi, quando le aree di indagine
interessano ampie superfici come nel caso dei comprensori irrigui in cui,
per giunta, si aggiunge la complicazione rappresentata dall’elevata
variabilità di colture e di suoli presenti.
In questo contesto, un valido ausilio è costituito dall’acquisizione di
immagini multispettrali mediante sensori ad alta risoluzione spaziale,
20
unitamente ad opportune tecniche di elaborazione e di gestione dei dat i
[e.g., D’Urso e Palladino, 2007].
A partire dalle osservazioni effettuate oggi dai moderni sensori satellitari,
nelle regioni del visibile e del vicino infrarosso dello spettro
elettromagnetico, è possibile estrarre informazioni sullo stato fenologico
delle colture e caratteristiche proprie della chioma della vegetazione che,
combinate all’uso di dati agro-metereologici, e seguendo opportune
metodologie (che saranno descritte nel successivo capitolo), consentono
di ricavare mappe di evapotraspirazione delle colture in condizioni
standard (ETc) e quindi, per analogia, mappe di fabbisogno idrico delle
colture (CWR), (si ricorda che ETc e CWR rappresentano lo stesso
quantitativo d’acqua).
Le informazioni sulla variabilità spaziale e temporale di CWR, ottenute
dall’elaborazione delle immagini telerilevate, non sono solo utili per la
definizione dei dati di input necessari per i modelli di simulazione
idrologica, ma anche, e soprattutto, per l’attuazione di criteri più efficienti
per la distribuzione delle acque di irrigazione.
Purtroppo oggi molti degli enti che sono responsabili della distribuzione
delle risorse idriche per uso agricolo mettono in atto politiche di gestione
poco orientate ad un uso sostenibile della risorsa.
Nella maggior parte dei casi, infatti, anche in presenza di reti di
distribuzione in cui i volumi d’acqua vengono misurati, la ripartizione
delle risorse irrigue, e l’applicazione dei corrispondenti canoni, viene
effettuata sulla base dell’estensione della superficie irrigata o seguendo
semplici turnazioni irrigue e non sulla base dei volumi d’acqua
effettivamente consumati.
Di conseguenza, gli agricoltori non sono motivati ad adottare strategie di
risparmio idrico efficienti e ciò di traduce, in generale, in un eccesso di
irrigazione e nell’abuso delle risorse idriche [D’Urso, 2010].
Nell’ottica di un uso più razionale dell’acqua in agricoltura, le
applicazioni del telerilevamento satellitare ad oggi conosciute fanno ben
21
sperare e potrebbero portare, nel prossimo futuro, ad ottenere grandi
risultati in termini di riduzione degli sprechi di un bene così prezioso.
Negli ultimi anni la crescente quantità di sensori disponibili per
l’osservazione della Terra ha aumentato enormemente la possibilità di
acquisizione di dati satellitari.
La facilità nel reperire dati multispettrali ad alta risoluzione spaziale e i
tempi di rivisitazione sempre più bassi dei satelliti moderni sono
caratteristiche particolarmente adatte per la realizzazione di mappe di
fabbisogno idrico delle colture con una precisione soddisfacente e in un
modo economicamente efficace.
Al giorno d’oggi, per giunta, le immagini satellitari sono distribuite via
internet entro poche ore dal momento di acquisizione e possono quindi
essere rapidamente trattate per ottenere prodotti definitiv i da distribuire
agli utenti finali in tempo quasi reale.
Facendo convergere all’interno di un Sistema Informativo Geografico
(GIS) immagini satellitari ad alta risoluzione opportunamente elaborate,
informazioni agrometeorologiche provenienti da stazioni d i misura a terra
e dati vettoriali contenenti i confini del territorio, è oggi pensabile
l’implementazione di sistemi di supporto all’irrigazione che siano in grado
di produrre informazioni, per la singola azienda agricola, sull’utilizzo
ottimale dei volumi d’acqua irrigui necessari a ciascuna coltura,
garantendo in questo modo il massimo livello produttivo [Nino et al.,
2009].
Un esempio di sistema di supporto all’irrigazione, realizzato nell’ambito
del progetto di ricerca PLEIADeS, è il Sistema webGIS on line SPIDER
(System of Participatory Information, Decision-support, and Expert
knowledge in River basin management).
Esso si compone di tre moduli principali [Nino, 2013]:
- Il modulo di OT (Osservazione della Terra), che si basa
principalmente sulla definizione di procedure standard per
l’elaborazione delle immagini satellitari e sulla realizzazione di
22
mappe e dati statistici sul fabbisogno irriguo, per mezzo delle
metodologie che saranno descritte nel capitolo 4.
- Il modulo di interfaccia on line, che è il sistema SPIDER vero e
proprio. Si compone di un database centrale e di diversi moduli
basati su tecnologia webGIS Open Source per il caricamento, la
visualizzazione e l’analisi dei dati (immagini satellitari, mappe
vettoriali, dati alfanumerici, testi e altro).
- Il modulo di distribuzione delle informazioni, che permette la
distribuzione delle informazioni agli utenti finali, attraverso gli
strumenti di ICT (dall’inglese “Information and Communication
Technology”).
In sostanza il servizio fornisce alle aziende agricole e ai gestori delle
risorse irrigue il cosiddetto consiglio irriguo, costituito dall’informazione
quantitativa dei volumi d’acqua richiesti dalle colture presenti nelle
particelle monitorate. La valutazione dei volumi d’acqua da fornire alle
singole particelle deriva dal calcolo del fabbisogno idrico delle colture
(CWR), stimato grazie all’applicazione di una delle due metodologie che
saranno descritte nel successivo capitolo.
Il servizio offerto da tale sistema è da considerarsi near real time, in
quanto il consiglio irriguo viene elaborato nelle 24-48 ore successive
all’acquisizione delle immagini satellitari.
Dopo aver rapidamente elaborato le immagini satellitari, le informazioni
relative al consiglio irriguo vengono distribuite agli utenti finali tramite:
report inviati via posta elettronica (figura 3.1), servizio di telefonia mobile
SMS o MMS (figura 3.2) o applicazioni di web-mapping (figura 3.3) che
consentono di visualizzare le informazioni della propria azienda agricola
tramite pagine ad accesso privato su Internet.
23
Figura 3.1: Esempio di consiglio irriguo inviato all’azienda agricola tramite posta elettronica
Figura 3.2: Esempio di consiglio irriguo inviato all’azienda agricola tramite SMS (sinistra) e
MMS (destra).
24
Figura 3.3: Esempio di consiglio irriguo gestito attraverso applicazioni di web -mapping.
Il fabbisogno irriguo in m3, che si osserva in figura 3.1, rappresenta il
quantitativo totale d’acqua da fornire alla singola particella, per
reintegrare le perdite idriche che si sono verificate nel periodo di
riferimento indicato (in questo caso 16 giorni).
Tale fabbisogno irriguo, come sarà meglio spiegato in seguito,
rappresenta la differenza, calcolata sull’intero periodo di riferimento
analizzato, tra il fabbisogno idrico delle colture e la pioggia netta.
Il volume d’acqua complessivo (in m3) relativo all’intero periodo, da
fornire alla singola particella, viene così calcolato:
- Attraverso l’applicazione delle suddette metodologie alle immagini
satellitari è possibile ricavare un valore di fabbisogno idrico delle
colture in mm/day, per ciascuna particella agricola monitorata.
Tale valore è da intendersi come consumo medio giornaliero, che
si verifica per evapotraspirazione dalle colture presenti nella
particella.
- Il valore di CWR in mm, ottenuto dalle immagini, viene poi
convertito in m3/ha (si ricorda che per convertire i mm in m3/ha è
25
sufficiente moltiplicare per 10, in quanto 1 mm equivale a 10
m3/ha).
- Moltiplicando il valore medio giornaliero di CWR in m3/ha per il
numero di giorni costituenti il periodo di riferimento, si ottengono i
consumi idrici complessivi delle colture in m3/ha relativi all’intero
periodo.
- Sottraendo a quest’ultimo valore i mm di pioggia (riportati in m 3/ha)
complessivamente caduti nell’intero periodo di riferimento, si
ottiene il fabbisogno irriguo della singola particella in m3/ha.
- Infine, moltiplicando tale valore per l’estensione della particella in
ha, si ricava il volume d’acqua in m3 da fornire complessivamente
per mantenere le colture in condizioni di disponibilità idrica
ottimali.
È facile concludere che un sistema di supporto alle decisioni nella
gestione dell’irrigazione, come quello appena descritto, è in grado di
offrire risultati tanto più accurati, quanto maggiore è la risoluzione
spaziale del sensore che acquisisce le immagini e quanto minore è la
risoluzione temporale del satellite.
27
4. Metodologia
4.1. Premessa
L’evapotraspirazione delle colture sotto la disponibilità illimitata di acqua
(ETc) costituisce l’informazione fondamentale per la valutazione dei
fabbisogni idrici delle colture e per la gestione dell’irrigazione.
Si ricorda che il fabbisogno idrico delle colture (CWR), come già
accennato nei precedenti capitoli, rappresenta la quantità di acqua
necessaria per compensare la perdita idrica che si verifica per
evapotraspirazione da un campo coltivato in condizioni standard.
Dalla definizione, quindi, è evidente che CWR ed ETc sono due termini
rappresentativi dello stesso quantitativo d’acqua: il primo si riferisce al la
quantità di acqua che è necessario fornire per compensare la perdita, il
secondo rappresenta proprio la quantità d’acqua persa per
evapotraspirazione, sempre nell’ipotesi di condizioni ottimali di acqua nel
terreno.
A questo punto è possibile definire i l fabbisogno idrico per l’irrigazione
IWR (dall’inglese “Irrigation Water Requirements”) come differenza tra il
fabbisogno idrico delle colture e la pioggia netta Pn; quest’ultima
rappresenta il flusso di precipitazione al netto dell’intercettazione
fogliare.
Si ha quindi che:
Il presente lavoro di tesi è stato focalizzato sullo studio e l’applicazione
di metodologie che sfruttano il telerilevamento satellitare per calcolare
l’evapotraspirazione delle colture in condizioni standard e quindi, per
analogia, il CWR.
La disponibilità di informazioni affidabili, obiettive e tempestive sui
fabbisogni idrici delle colture permette l’implementazione di criteri di
28
distribuzione della risorsa idrica efficienti basati sulle effettive esigenze
di irrigazione delle colture.
Come verrà mostrato più avanti, mediante opportune elaborazioni e con
l’ausilio di dati agrometeorologici, è possibile ricavare da immagini
satellitari delle vere e proprie mappe di fabbisogni idrici delle colture.
I metodi utilizzati per il calcolo di ETc sono sostanzialmente due: uno è il
cosiddetto metodo Kc-NDVI che fa riferimento all’evapotraspirazione di
riferimento ET0 proposta in ambito F.A.O., l’altro prende il nome di
approccio analitico e si basa sull’applicazione diretta della nota
equazione di Penman-Monteith.
4.2. Approccio analitico: applicazione diretta
dell’equazione di Penman-Monteith
L’equazione di Penman-Monteith è una relazione utilizzata per il calcolo
dell’evapotraspirazione che si basa sulla modellizzazione fisica del
processo evapotraspirativo.
L’equazione, proposta per la prima volta da Penman nel 1948, è stata
oggetto di numerosi studi e ha subito nel corso del tempo alcune
modifiche che hanno portato alla sua formulazione più recente.
Nella forma originaria Penman aveva supposto che il flusso
evapotraspirativo si originasse sulla superficie esterna delle foglie e che
quindi non ci fosse alcun meccanismo di controllo da parte delle piante
alla diffusione del vapore acqueo. In altri termini, la relazione di Penman
è valida solamente quando la coltura è in condizioni di rifornimento idrico
ottimale e non tiene conto quindi dei meccanismi fisiologici che
controllano la perdita di vapore acqueo. Nel 1965 Monteith rivisitò
l’equazione di Penman e modificò la formulazione originale introducendo
due nuovi termini, la resistenza del manto vegetale (rc) e la resistenza
aerodinamica (ra), che tenevano conto della resistenza che il vapore
acqueo incontra nel passare dalle cavità stomatiche alla superficie
fogliare e da questa all’atmosfera.
29
Da questo punto di vista, perciò, la formula rivisitata da Monteith è una
rappresentazione più realistica del processo evapotraspirativo di una
coltura. L'equazione di Penman-Monteith simula in sostanza il
comportamento di un qualsiasi tipo di coltura in qualunque condizione di
rifornimento idrico, purché siano noti i valori dei parametri di resistenza.
Nella sua formulazione generale essa può essere così espressa [Fiori,
2014]:
Dove:
ETc = flusso evapotraspirativo [mm d -1];
λ = calore latente di vaporizzazione [MJ kg -1];
Δ = pendenza della curva che esprime la tensione di vapore saturo in
funzione della temperatura [kPa °C -1];
Rns = radiazione netta a onde corte [MJ m -2 d-1];
Rnl = radiazione netta a onde lunghe [MJ m -2 d-1];
G = flusso di calore nel suolo [MJ m -2 d-1];
ρa = densità media dell’aria [kg m -3];
cp = calore specifico dell’aria a pressione costante [kJ kg -1 °C-1];
es = tensione di vapore saturo [kPa];
ea = tensione di vapore dell’aria [kPa];
ra = resistenza aerodinamica al flusso di vapore [s m -1];
rc = resistenza del manto vegetale al flusso di vapore [s m -1];
g = costante psicrometrica [kPa °C -1].
L’approccio analitico, che si basa sull’applicazione diretta dell’equazione
di Penman-Monteith, introduce all’interno dell’equazione una serie di
parametri colturali che possono essere stimati dalle immagini satellitari:
l’albedo r, l’indice di area fogliare LAI e l’altezza media del manto
30
vegetale hc. Tali parametri intervengono nel calcolo della radiazione
netta ad onde corte Rns e delle resistenze rc ed ra secondo le seguenti
relazioni:
Dove:
Rs = radiazione solare incidente [MJ m -2 d-1];
r = albedo [-];
LAI = indice di area fogliare [-];
zu = altezza di misura anemometrica [m];
zh = altezza di misura termo-igrometrica [m];
hc = altezza della coltura [m];
uz = velocità del vento all’altezza z [m s -1].
Dal momento che con il presente lavoro di tesi si vuole ottenere una
stima dell’evapotraspirazione massima delle colture, ovvero
l’evapotraspirazione nelle cosiddette condizioni standard, nell’equazione
(4.2.3) è stata implicitamente assunta una disponibilità idrica del suolo
illimitata, attraverso un valore minimo della resistenza stomatica, posto
pari a 100 sm-1.
Se si assume che l’altezza della coltura hc sia legata al LAI da una
relazione di tipo lineare, l’equazione (4.2.4) può essere riscritta nel
seguente modo [e.g., D’Urso e Palladino, 2007]:
31
dove i parametri a e b, nel caso frequente di zu = zh = 2m assumono
entrambi il valore a = b = 66, mentre il valore c può essere approssimato
a 0.2.
È possibile, inoltre, stimare il flusso di calore nel suolo G per mezzo
della seguente relazione [e.g., D’Urso e Palladino, 2007]:
In questo modo, sostituendo le equazioni (4.2.2), (4.2.3), (4.2.5) e (4.2.6)
all’interno dell’equazione (4.2.1), si ottiene una nuova equazione di
Penman-Monteith in cui compaiono esplicitamente i parametri colturali r,
LAI, hc e quelli metereologici indicati in precedenza:
Le quantità Rnl, cp, ρa, es, ea, λ, g possono essere facilmente calcolate a
partire da misure di temperatura Ta e umidità relativa RH dell’aria,
seguendo le indicazioni riportate nel quaderno FAO-56.
I parametri r, LAI, hc possono invece essere stimati da misure di
riflettanza della vegetazione ottenute da immagini satellitari ad alta
risoluzione, tenendo conto di tutte le problematiche legate al
comportamento di riflessione delle superfici naturali.
Come è ben noto, infatti, la riflettanza delle superfici naturali, ed in
particolar modo delle superfici vegetate, non è isotropica: essa varia
molto in funzione delle condizioni ambientali (periodo dell’anno,
condizione fisica e chimica della superficie, condizioni climatiche) e di
ripresa (posizione relativa del trio Sole-superficie-sensore).
32
Inoltre, quando si ha a che fare con sensori trasportati a bordo di
piattaforme aeree o spaziali, si aggiunge il problema legato all’influenza
dei fenomeni di diffusione e di assorbimento atmosferico sul segnale
rilevato dal sensore. Diventa quindi particolarmente importante fare uso
di algoritmi di correzione degli effetti atmosferici per poter ottenere stime
attendibili della riflettanza della superficie terrestre.
In base alle caratteristiche dei sensori multispettrali ad alta risoluzione
commercialmente disponibili, come il Landsat o lo SPOT, è possibile
quindi stimare le quantità r, LAI e hc utilizzando degli algoritmi semi-
empirici che si basano sull’ipotesi di comportamento Lambertiano delle
superfici osservate. Si ricorda che una superficie lambertiana è una
superficie ideale che riflette la radiazione incidente in maniera uniforme
per ogni angolo di riflessione in cui la radiazione è riflessa.
4.2.1. Calcolo dell’albedo
Nel caso di un sensore multispettrale con n bande, l’albedo, o più
correttamente la riflettanza atmosferica integrata spettralmente, può
essere stimato sommando i contributi di riflettanza in ciascuna banda λ,
tenuto conto della corrispondente irradianza solare Eλ0 e della radianza
riflessa Kλ↑ [D’Urso e Palladino, 2007]:
Nella relazione (4.2.2.1) il termine d0 rappresenta la distanza Terra-Sole
in unità astronomiche, che può variare in funzione della stagione
dell’anno.
Il termine π tiene conto, invece, dell’ipotesi di riflessione lambert iana:
nel caso di superficie lambertiana la radianza viene riflessa in tutte le
direzioni in maniera uniforme. Il termine π è quel fattore che permette di
33
passare dalla radianza in una direzione specifica alla radianza
complessiva su tutta l’emisfera.
Infine ϑ è l’angolo zenitale solare che indica l’inclinazione del Sole
rispetto al Nadir e dipende dal giorno e dall’ora di acquisizione
dell’immagine satellitare.
Introducendo i valori di riflettanza superficiale rλ, ricavati dalle radianze
misurate al sensore del satellite mediante algoritmi di correzione che
descrivono i fenomeni di trasferimento radiativo nell’atmosfera,
l’equazione (4.2.1.1) può essere semplificata nel seguente modo:
I coefficienti wλ sono detti coefficienti di peso e possono essere calcolati
una volta che sono note le irradianze solari spettrali Eλ0 per ciascuna
banda λ del sensore, utilizzando la seguente relazione:
I coefficienti di peso calcolati per ciascuna banda del sensore OLI,
montato a bordo del satellite Landsat 8, sono riassunti in tabella 4.2.1.1
[Akdim et al., 2014].
Banda Intervallo spettrale (μm) Coefficiente di peso
Blue 0.450 ÷ 0.510 0.2935
Green 0.525 ÷ 0.600 0.2738
Red 0.630 ÷ 0.680 0.233
NIR 0.845 ÷ 0.885 0.1554
SWIR 1.560 ÷ 1.660 0.0322
SWIR 2.100 ÷ 2.300 0.0121
Tabella 4.2.1.1 Coefficienti di peso per le bande del sensore OLI del satellite Landsat 8.
34
4.2.2. Calcolo del LAI
L’indice di area fogliare LAI (dall’inglese “Leaf Area Index”) è una
variabile cruciale che controlla i più importanti processi biologici e fisici
della vegetazione.
Esso può essere definito come la superficie fogliare totale che intercetta
l’energia luminosa rapportata all’area di terreno sottostan te:
Tale indice può assumere valori molto variabili in relazione al tipo di
bioma considerato anche se, ad eccezione del deserto e della tundra,
oscilla normalmente tra 0 (terreno nudo) e 6.
Uno degli approcci più comunemente utilizzati per la stima del LAI da
dati ottici telerilevati è il modello semi-empirico CLAIR proposto da
Clevers (1989), che si basa su una relazione semi-empirica tra il LAI e
l’indice vegetazionale WDVI (dall’inglese “Weighted Difference
Vegetation Index”):
Dove:
a* = coefficiente di estinzione della luce;
WDVI∞ = valore limite asintotico del WDVI.
I due parametri del modello (a* e WDVI∞) possono essere stimati
utilizzando contemporaneamente un set di valori di LAI proveniente da
misurazioni in campo e dei valori di riflettanza provenienti da immagini
satellitari. Generalmente, il WDVI∞ viene derivato direttamente
dall’immagine satellitare considerando il valore massimo di WDVI
(definito più sotto) sulle aree vegetate in corrispondenza della
saturazione (LAI<6).
35
Il coefficiente a*, invece, può essere calibrato utilizzando una tecnica di
analisi di regressione applicata a due set di valori di LAI, uno osservato
e l’altro stimato. Tale coefficiente descrive l’architettura della chioma
della vegetazione e dipende dal tipo di coltura e dal corrispondente
valore di LAD (dall’inglese “Leaf Angle Distribution”) [Vuolo et al., 2013].
In assenza di un set di valori di LAI proveniente da indagini in campo è
possibile utilizzare un valore medio di a*=0.37, proposto in letteratura e
già testato nell’ambito di altri progetti di ricerca [Akdim et al., 2014].
Il WDVI è un indice radiometrico calcolato a partire dai valori di
riflettanza nella banda del rosso r r e dell’infrarosso vicino rir:
Dove:
rir = valori di riflettanza nella banda del NIR;
rr = valori di riflettanza nella banda del RED;
rs,ir = valori di riflettanza nella banda del NIR corrispondenti a pixel di
suolo nudo;
rs,r = valori di riflettanza nella banda del RED corrispondenti a pixel di
suolo nudo.
Tra i tanti indici che permettono la stima del LAI, il WDVI ha il vantaggio
di ridurre in larga misura l’influenza dello sfondo del suolo sul segnale
spettrale, mediante il fattore C. Quest’ultimo rappresenta la pendenza
della linea del suolo, ossia la pendenza di quella retta che si ottiene
plottando la riflettanza dei pixel di suolo nudo nella banda del RED e del
NIR in uno scatterogramma bidimensionale e applicando, poi, un modello
di regressione lineare.
Il fattore C descrive, quindi, una relazione lineare tra la riflettanza del
RED e del NIR dei pixel di suolo nudo e tiene conto degli effetti dello
sfondo del suolo sull’indice vegetazionale. Esso dev’essere determinato
36
per ciascun sito di prova e dipende dal tipo di suolo, dalla tessitura del
suolo e dall’umidità nel terreno.
4.3. Metodo Kc-NDVI: approccio del coefficiente
colturale singolo
L’approccio più comune e pratico utilizzato per calcolare il fabbisogno
idrico delle colture CWR è, però, quello indicato nel quaderno FAO-56,
che si basa sulla combinazione dell’evapotraspirazione di riferimento
ET0 e dei coefficienti colturali Kc per determinare l’evapotraspirazione
delle colture sotto la disponibilità illimitata di acqua nel terreno.
Nel 1998 l’Organizzazione delle Nazioni Unite per l’alimentazione e
l’agricoltura (F.A.O.) ha proposto un metodo per il calcolo
dell’evapotraspirazione di riferimento ET0 che è il frutto di una
rivisitazione dell’equazione originaria di Penman-Monteith, effettuata da
un team di esperti.
In sostanza, come già ricordato al paragrafo 2.3.1, gli esperti della FAO,
per poter utilizzare l’equazione di Penman-Monteith quale standard nella
stima dell’evapotraspirazione, e per ovviare alla necessità di definire
parametri di evaporazione univoci per ciascun tipo di coltura e per ogni
fase di crescita, hanno stabilito le caratteristiche geometriche,
morfologiche e fisiologiche di una coltura di riferimento ipotetica avente
un’altezza presunta di 0.12 m, una resistenza rc di 70 s m-1 e un albedo
pari a 0.23.
Sostituendo all’interno dell’equazione di Penman-Monteith i valori di rc ed
ra che si ottengono per la coltura di riferimento ed esplicitando tutte le
costanti per il calcolo dell’evapotraspirazione di riferimento a scala
giornaliera, l’equazione di P-M assume la seguente forma [Allen et al.,
1998]:
37
Dove:
ET0 = evapotraspirazione di riferimento [mm d -1];
Rn = radiazione netta alla superficie della coltura [MJ m -2 d-1];
G = flusso di calore nel suolo [MJ m -2 d-1];
T = temperatura media giornaliera dell’aria a 2 m di altezza [°C];
u2 = velocità del vento a 2 m di altezza [m s -1];
es = tensione di vapore saturo [kPa];
ea = tensione di vapore dell’aria [kPa];
Δ = pendenza della curva che esprime la tensione di vapore saturo in
funzione della temperatura [kPa °C -1];
g = costante psicrometrica [kPa °C -1].
In pratica, per stimare la domanda evapotraspirativa dell’atmosfera è
sufficiente conoscere le seguenti grandezze: la radiazione solare, la
temperatura massima e minima giornaliera dell’aria, l’umidità massima e
minima giornaliera dell’aria, la velocità del vento a 2 m di altezza e
l’altitudine e la latitudine del luogo per cui si sta stimando ET0.
Tutte le altre quantità possono essere ricavate in funzione di queste
seguendo i passaggi descritti nel quaderno FAO-56.
Tale metodo va sotto il nome di metodo FAO di Penman-Monteith ed è
considerato attualmente il più valido per la stima di ET0.
Oltre al calcolo rigoroso dell’evapotraspirazione di riferimento, il
quaderno FAO-56 definisce anche i metodi per la valutazione di ETc.
Il parametro chiave che lega ET0 ad ETc è il cosiddetto coefficiente
colturale Kc che ingloba e sintetizza al suo interno tutti gli effetti
sull’evapotraspirazione legati alle caratteristiche morfo-fisiologiche delle
diverse specie, alla fase fenologica e al grado di copertura del suolo;
tutti questi fattori rendono unica e differenziano ciascuna coltura dalla
coltura ipotetica di riferimento [Nino, 2013].
Il coefficiente Kc permette di ricavare ETc, nota ET0, per mezzo della
seguente relazione:
38
Dove:
ETc = evapotraspirazione della coltura in condizioni standard [mm d -1];
Kc = coefficiente colturale [-];
ET0 = evapotraspirazione di riferimento [mm d -1].
La figura (4.3.1), estratta dal quaderno FAO-56, illustra in maniera molto
chiara e schematica i passaggi fino ad ora descritti.
Figura 4.3.1: Relazione tra ET0 ed ETc.
Nel quaderno FAO-56, inoltre, vengono presentati due approcci differenti
per ricavare il Kc: il primo è il cosiddetto approccio del coefficiente
colturale singolo in cui l’effetto della traspirazione delle colture e
dell’evaporazione del suolo sono riassunti in un unico coefficiente Kc (in
tal caso ETc viene stimata utilizzando la relazione 4.3.2), il secondo
prende il nome di approccio del coefficiente colturale doppio e prevede
la scissione del Kc in due termini distinti che descrivono separatamente il
39
contributo di evaporazione del suolo (Ke) e quello di traspirazione delle
colture (Kcb).
Quest’ultimo approccio utilizza la seguente relazione per la stima di ETc:
Tuttavia entrambi gli approcci descritti presuppongono, per la
determinazione del Kc, la conoscenza di una lunga serie di parametri (ad
es. la percentuale di copertura del terreno da parte della vegetazione f c o
l’altezza media delle colture hc) che possono essere stimati in maniera
accurata solamente attraverso campagne di prove sperimentali condotte
in campo.
Ecco allora che, per ovviare al problema appena esposto, è possibile
ancora una volta fare uso del telerilevamento satellitare il quale,
inserendosi all’interno dell’approccio del coefficiente colturale singolo,
permette di valutare la variabilità spaziale e temporale del Kc attraverso
l’applicazione di un particolare metodo.
Quest’ultimo, denominato metodo Kc-NDVI, utilizza una relazione lineare
che lega l’indice vegetazionale NDVI (dall’inglese “Normalized Difference
Vegetation Index”) al coefficiente colturale Kc.
L’NDVI è un indice vegetazionale normalizzato, derivato da immagini
satellitari, basato sulla combinazione algebrica della riflettanza
nell’intervallo spettrale del rosso e del vicino infrarosso.
Esso si calcola mediante una relazione molto semplice tra la banda del
NIR e quella del RED:
Essendo ottenuto dal rapporto tra la differenza e la somma delle due
bande coinvolte, tale indice ha un intervallo di esistenza compreso t ra -1
e +1. In particolare assume valori inferiori a 0 per l’acqua, poco superiori
a 0 per i suoli e tra 0.4 e 0.7 per la vegetazione; vegetazioni molto dense
possono arrivare anche a valori di 0.8 o superiori.
40
Il metodo Kc-NDVI è stato introdotto per la prima volta da Bausch et al.
(1987) che aveva compreso la possibilità di modellare il coefficiente
colturale in funzione dell’NDVI e ha poi utilizzato questo metodo per
eseguire la programmazione irrigua dei campi di grano [Bausch, 1995].
Il metodo è stato poi sviluppato, calibrato e validato nell’ambito di diversi
progetti di ricerca.
Tra le tante relazioni proposte nella letteratura scientifica si è scelto di
utilizzare, per il presente lavoro di tesi, quella ricavata da Calera et al.
(2005) che ha portato a risultati molto soddisfacenti all’interno delle
attività sperimentali dei progetti DEMETER (DEMonstration of Earth
observation TEchnologies in Routine irrigation advisory services) e
PLEIADeS (Participatory multi-Level EO-assisted tools for Irrigation
water management and Agricultural Decision-Support):
Queste relazioni lineari empiriche derivano dall’utilizzo di tecniche
regressive su grafici sperimentali in cui si confrontano valori di Kc stimati
in campo e valori di NDVI ricavati dalla riflettanza alla superficie di
immagini satellitari.
Se si pensa che il valore del coefficiente Kc è un’informazione
estremamente variabile, anche all’interno della stessa tipologia colturale,
poiché dipende, oltre che dalla variabilità climatica, anche da numerosi
altri fattori (ad es. data e densità di semina, apporto di sostanze
nutrienti, natura dei suoli, pratiche agronomiche), risulta immediatamente
percepibile la potenza di una relazione in cui i valori di Kc, ricavati
dall’NDVI, sono indipendenti dal tipo di coltura.
Al contempo, è opportuno sottolineare che la calibrazione locale di tali
relazioni empiriche su specifici tipi di colture può migliorare in grande
misura l’accuratezza dei valori di Kc ottenuti e, di conseguenza, anche la
stima del fabbisogni idrici delle colture.
Infine, se si vanno a confrontare il metodo Kc-NDVI e l’approccio
analitico descritto nel precedente paragrafo, è evidente che il primo è più
41
semplice ed immediato rispetto al secondo e, come tale, è molto più
adatto per le applicazioni operative in tempo reale. Inoltre, ha il
vantaggio di non richiedere una conoscenza approfondita della fisica
dell’evaporazione e dell’aerodinamica che sono invece alla base
dell’equazione di Penman-Monteith [Nino, 2013].
Nel successivo capitolo della tesi, riguardante il caso studio e le
elaborazioni effettuate, verranno applicate le metodologie appena
descritte mettendo in luce, tra i diversi aspetti, i punti critici dell’una e
dell’altra.
43
5. Elaborazioni
5.1. Caso di studio e obiettivi del lavoro
Le due metodologie discusse nel precedente capitolo sono state testate
su una modesta area di indagine della regione Emilia-Romagna, ubicata
all’interno di una frazione del Comune di Cesena che va sotto il nome di
San Vittore.
La posizione dell’area è approssimativamente data dalla seguente
coppia di coordinate geografiche: 44°7’21’’ N di latitudine e 12°11’38’’ E
di longitudine.
Il territorio della zona, per gran parte pianeggiante, si sviluppa ad
un’altitudine media di circa 45 m s.l.m. Esso è costituito da un insieme di
lotti di terreno, ad uso prevalentemente agricolo, sui quali sono coltivate
diverse tipologie di colture, sia arboree sia erbacee. Per quanto riguarda
la famiglia delle arboree sono presenti le seguenti specie: actinidia,
albicocco, kaki, melo, pero, pesco, susino e vite. Tra le erbacee troviamo
invece: bietola, grano, orzo, cipolla, erba medica, girasole, mais e sorgo.
Gli obiettivi da raggiungere nella fase sperimentale del presente lavoro di
tesi sono stati fondamentalmente due:
- Il primo è stato quello di andare a verificare il livello di accuratezza
fornito dal metodo Kc-NDVI e dall’approccio analitico nella stima
dell’evapotraspirazione massima per le diverse tipo logie colturali
presenti. Per valutare la variabilità spaziale e temporale di ETc,
attraverso l’applicazione delle due metodologie, è stata utilizzata
una serie di immagini satellitari della famiglia Landsat, distribuite
all’interno di una finestra tempora le che va da giugno ad agosto
dell’anno 2013. I dati metereologici sono stati invece estrapolati
dal database di analisi agro-metereologica ERG-5, gestito da
ARPA-SIMC. I risultati ottenuti dalle immagini sono stati infine
validati confrontando questi ultimi con i corrispettivi valori di ETc
44
ricavati da un sistema modellistico di bilancio idrico, chiamato
CRITERIA, sviluppato dalla stessa ARPA-SIMC.
- Il secondo obiettivo, invece, ha riguardato la creazione di mappe di
fabbisogno idrico delle colture. Una volta stabilito quale dei due
metodi portasse a risultati più coerenti rispetto a quelli derivati dal
modello idrologico, si è proceduto nel generare le suddette mappe
applicando la tecnica del “density slicing” alle mappe di ETc. Le
mappe così create costituiscono uno strumento informativo
estremamente efficace per una valutazione di insieme della
distribuzione spaziale della domanda idrica.
5.2. Raccolta ed elaborazione dei dati
5.2.1. Dati satellitari
Per valutare la variabilità spaziale e temporale di ETc sono state
acquisite 5 immagini satellitari, contenenti l’area di studio, del
recentissimo sensore OLI (Operational Land Imager) montato a bordo
del satellite Landsat8. Questo nuovo sensore della famiglia Landsat
garantisce prestazioni e qualità di ripresa superiori rispetto al precedente
ETM+ potendo contare, oltre che su un numero di bande maggiore (11
contri le precedenti 8), anche su una risoluzione radiometrica migliore
(12 bit contro i precedenti 8 bit).
Esso acquisisce con una risoluzione spaziale di 15 m nel pancromatico e
di 30 m nel multispettrale. Il sensore TIRS (Thermal Infrared Sensor),
accoppiato al sensore OLI, permette invece di acquisire con una
risoluzione spaziale di 100 m nelle bande del termico, ricampionate poi a
30 m per avere corrispondenza con le bande multispettrali del sensore
OLI.
La scelta del sensore è stata principalmente dettata da motivazioni di
carattere economico: pensare, infatti, di utilizzare sensori con risoluzion i
spaziali molto elevate (es. Rapideye) sarebbe stato chiaramente
impossibile a causa del costo delle immagini, sebbene questo avrebbe
45
consentito di apprezzare variazioni ancor più di dettaglio delle variabili
stimate da satellite.
Le immagini sono state scaricate gratuitamente dal sito dell’U.S.G.S
(United States Geological Survey), che è il sito addetto alla distribuzione
delle immagini Landsat (http://glovis.usgs.gov/).
Il sistema di selezione della scena è il sistema Path/Row che etichetta i
dati secondo una struttura di tipo riga-colonna. La scena contenente la
zona di San Vittore è identificata da Path=192 e da Row=029.
Figura 5.2.1: Sistema di selezione della scena.
Le date di acquisizione delle immagini si riferiscono ad un periodo di
tempo che va dal mese di giugno al mese di agosto dell’anno 2013.
Essendo il tempo di rivisitazione del satellite pari a 16 giorni le date sono
intervallate dello stesso periodo; sono state acquisite le immagini relative
alle seguenti date: 2013/06/16, 2013/07/02, 2013/07/18, 2013/08/03,
2013/08/19.
La scelta del periodo estivo dell’anno è stata giustificata
dall’elevatissima percentuale di campi agricoli ricoperti da vegetazione. Il
periodo invernale, al contrario, è caratterizzato da un quantitativo di
terreni nudi significativamente maggiore e quindi mal si sarebbe adattato
agli scopi della tesi.
46
5.2.2. Calibrazione radiometrica delle immagini
Ogni società che distribuisce i dati dei vari sensori rilascia le immagini a
diversi livelli di correzione.
Tra i diversi livelli di correzione disponibili si è scelto di acquisire le
immagini grezze e di procedere autonomamente alla correzione delle
stesse attraverso il software di elaborazione di immagini ENVI.
Le immagini acquisite sono costituite, nelle diverse bande, da una
gamma di livelli di grigio espressi da numeri interi, detti Digital Numbers
(DN). Attraverso la calibrazione radiometrica è possibile passare dai DN
ad un parametro legato al comportamento chimico-fisico della superficie
terrestre: la radianza spettrale (Lλ).
Per il sensore OLI del satellite Landsat8 i DN possono essere convertiti,
per ciascuna banda, nella radianza spettrale utilizzando i fattori di
rescaling della radianza. Il software ENVI recupera automaticamente tali
fattori dal file dei metadati e provvede alla conversione per mezzo della
seguente relazione:
Dove:
Lλ = radianza spettrale espressa in W/(m2*sr*μm);
ML = fattore moltiplicativo di rescaling, specifico per ciascuna banda, che
si trova nel file dei metadati (RADIANCE_MULT_BAND_x, dove x è il
numero della banda);
AL = fattore additivo di rescaling, specifico per ciascuna banda, che si
trova nel file dei metadati (RADIANCE_ADD_BAND_x, dove x è il
numero della banda);
QCAL = valore del DN.
47
5.2.3. Correzione atmosferica delle immagini
Dopo aver eseguito la procedura di calibrazione delle immagini è stata
effettuata la correzione atmosferica delle stesse.
L’obiettivo della correzione atmosferica è quello di trasformare la
radianza al sensore in riflettanza alla superficie terrestre, tenendo conto
degli effetti atmosferici e di tutta la complicata rete di segnali spuri che
vanno ad inficiare la radianza misurata al sensore del satellite.
Quest’ultima, infatti, è data della somma di vari contributi indesiderati
che si vanno ad aggiungere al termine di radianza proveniente dal pixel
che il sensore sta osservando.
Il primo contributo è causato dal fenomeno di diffusione atmosferica
(dall’inglese “scattering”), il quale fa sì che la radiazione
elettromagnetica a contatto con l’atmosfera venga dispersa e deviata in
tante direzioni differenti, a causa dell’urto con le particelle che sono
sospese nei gas dell’atmosfera. In pratica, quindi, l’atmosfera determina
la deviazione di una parte dell’energia elettromagnetica in direzione del
sensore ancor prima che questa sia giunta a terra.
Poi, oltre all’effetto di diffusione dell’energia elettromagnetica, il
processo si complica a causa dei pixel adiacenti al pixel osservato dal
sensore, i quali possono influenzare, anche in maniera significativa,
l’energia radiante proveniente dal pixel d’in teresse. Tali pixel, infatti,
possono o riflettere parte della propria energia sul pixel osservato o
fornire un contributo di radianza diretto, altrettanto indesiderato, che si
va a sommare a quello proveniente dal pixel d’interesse.
In generale si può riassumere che la radianza totale misurata al sensore
del satellite è frutto di due contributi: il primo è la cosiddetta “path
radiance” (radianza di percorso) che tiene conto sia della radianza che
giunge al sensore ancor prima di essere stata riflessa dalla superficie
terrestre, sia della radianza proveniente dai pixel adiacenti al pixel
osservato. Tale contributo introduce un rumore radiometrico indesiderato
che complica il processo di interpretazione dell’immagine. Inoltre,
48
essendo tale radianza non legata al pixel d’interesse, ma al percorso
attorno ad esso, essa risulta ineliminabile.
Il secondo contributo, invece, è la cosiddetta “radianza del target” che
contiene un’informazione spettrale sul pixel di interesse a terra.
Tale radianza, però, non è legata alla sola energia che proviene dal
Sole, colpisce il pixel e viene riflessa verso il sensore, ma tiene conto
anche di quella parte di energia diffusa dall’atmosfera ed in seguito
riflessa dal pixel osservato ed infine dell’energia proveniente dai pixel
adiacenti che hanno riflesso parte della propria energia sul pixel
osservato.
L’effetto generale che ne deriva, dal punto di vista del sensore a bordo
del satellite, è la mancanza di contrasto dell’immagine.
Tutto questo, quindi, fa sì che la misura al sensore, se non venissero
applicati certi modelli di correzione atmosferica, sarebbe fortemente
falsata. Al contempo, però, bisogna tener conto del fatto che questi
modelli possono intervenire anche in maniera decisamente significativa
sulla correzione del segnale e quindi, se errati, rischiano di stravolgerne
il contenuto fisico.
Il modello che si è scelto per la correzione atmosferica delle immagini
telerilevate è il modello matematico FLAASH (Fast Line-of-sight
Atmospheric Analysis of Hypercubes), implementato in ENVI.
I modelli matematici che si utilizzano per la correzione atmosferica sono
estremamente complessi perché è particolarmente difficile modellare ciò
che accade nell’atmosfera. Per effettuare una correzione rigorosa
sarebbe necessario conoscere una lunga serie di parametri specifici che
risultano difficilmente ottenibili. L’ideale sarebbe ricavare tali
informazioni per mezzo di una radiosonda, rilasciata esattamente nel
momento in cui il satellite passa sulla zona d’interesse, che andasse a
misurare le componenti della colonna atmosferica compresa tra terra e il
sensore. Chiaramente questo non accade mai, per cui è praticamente
impossibile venire in possesso di tutte le informazioni necessarie per
effettuare una correzione rigorosa.
49
Non disponendo di tutti i dati ricavabili per mezzo di una radiosonda, i
modelli matematici si basano su alcune informazioni piuttosto basiche
che l’utente deve dare in input al modello, quali:
- Coordinate geografiche del centro della scena;
- Tipo di sensore e relativa quota di volo;
- Altitudine del terreno;
- Dimensione del pixel;
- Data ed ora di acquisizione dell’immagine;
- Modello atmosferico (da scegliere in funzione della latitudine);
- Modello per la simulazione degli aerosol;
- Visibilità a terra.
Quindi, in sostanza, il modello FLAASH è un modello semplificato che si
basa sulla conoscenza di informazioni piuttosto sommarie che cercano di
descrivere le condizioni dei vari strati dell’atmosfera in funzione dei
parametri sopra elencati.
I parametri di input utilizzati per la correzione atmosferica delle immagini
satellitari contenenti l’area di San Vittore sono riassunti in tabella
5.2.3.1.
Parametro Valore
Sensor Altitude 705 km
Ground Elevation 45 m
Pixel Size 30 m
Atmospheric Model Mid-Latitude Summer
Aerosol Model Rural
Aerosol Retrieval None
Initial Visibility 40 km (Default)
Tabella 5.2.3.1: Parametri di input per il modello FLAASH.
5.2.4. Dati vettoriali
Dopo aver scaricato ed elaborato le immagini satellitari si è iniziato un
lavoro di dettaglio sull’area di San Vittore, che ricopre soltanto una
piccolissima regione dell’intera immagine.
50
La prima operazione è consistita nel recupero di uno shapefile,
corrispondente all’anno 2013, contenente le informazioni relative all’uso
dei terreni agricoli presenti all’interno dei confini dell’area di studio.
Figura 5.2.4.1: Shapefile rappresentante l’area di San Vittore.
Tale file vettoriale, realizzato dall’Agenzia Regionale per le erogazioni in
agricoltura dell’Emilia-Romagna (AGREA), è stato fornito da ARPA-
SIMC.
Disporre di un’informazione di questo tipo è possibile poiché gli
agricoltori ogni anno, per accedere ai finanziamenti europei, dichiarano
alle associazioni di categoria cosa coltiveranno all’interno dei loro campi.
In pratica, a Maggio, circa l’80% delle partice lle catastali della regione
Emilia-Romagna effettua la suddetta dichiarazione ad AGREA; grazie a
questo è possibile conoscere cosa verrà coltivato per ciascuna particella
catastale della regione.
51
A questo punto un consulente del Canale Emiliano-Romagnolo (CER)
costruisce un modello che combina i dati delle dichiarazioni con i dati
catastali delle particelle.
Quello che ne risulta è un file vettoriale, rappresentante l’intera regione,
in cui, ad ogni particella catastale, sono associate una serie di
informazioni; tra queste troviamo i tipi di colture presenti in ciascun
campo e le superfici effettivamente ricoperte da ciascuna coltura.
La particella catastale è rappresentata nel file vettoriale da N poligoni
sovrapposti (con N = numero totale di colture presenti in ciascuna
particella), geometricamente identici, ciascuno dei quali contiene le
informazioni relative a una singola coltura.
Per preparare tali dati in funzione del lavoro di tesi sono state effettuate
alcune modifiche allo shapefile rappresentante l’area di San Vittore,
attraverso il software QGIS.
Per prima cosa è stato creato un nuovo shapefile in cui ciascuna
particella catastale non è più costituita da N poligoni sovrapposti, ma da
quell’unico poligono rappresentativo della coltura prevalente, ossia della
coltura che occupa la percentuale di superficie maggiore dell’intera
particella.
Successivamente è stata effettuata una selezione delle particelle
catastali in funzione della percentuale di superficie ricoperta da una
coltura prevalente. Sono state prese in considerazione solamente quelle
particelle aventi una percentuale di copertura di una stessa coltura
maggiore o uguale al 90%. In tal modo tutti i pixel dell’immagine
satellitare costituenti una singola particella forniscono una risposta
spettrale molto simile tra di loro, in quanto rappresentativi della stessa
tipologia di coltura.
In tal modo il numero di campi agricoli si è notevolmente ridotto: si è
passati dalle 1615 unità iniziali alle 160 selezionate.
La figura 5.2.4.2 mostra le unità selezionate, suddivise per categoria di
coltura.
52
Figura 5.2.4.2: Unità selezionate suddivise per categoria di coltura.
L’ultima modifica apportata allo shapefile è stata la creazione di una
nuova colonna nella tabella attributi ad esso associata, allo scopo di
avere un codice identificativo univoco per ciascuno dei 160 poligoni
selezionati.
Il codice identificativo è stato ottenuto dalla concatenazione del numero
di riga della tabella attributi e dal campo ‘RAGGRUPPAM’, che identifica
la tipologia di coltura.
In tabella 5.2.4.1 si riporta l’elenco di tutti i campi selezionati con il
relativo codice identificativo.
53
ID_POLYGON 1-SUSINO 41-PESCO 81-CEREALE INV. 121-PESCO
2-SUSINO 42-PESCO 82-CEREALE INV. 122-PESCO
3-PESCO 43-PESCO 83-ALBICOCCO 123-PESCO
4-ALBICOCCO 44-PESCO 84-CEREALE INV. 124-ERBA MEDICA
5-PESCO 45-MAIS 85-CEREALE INV. 125-ERBA MEDICA
6-PERO 46-MAIS 86-CEREALE INV. 126-SUSINO
7-PESCO 47-MAIS 87-CEREALE INV. 127-CEREALE INV.
8-PESCO 48-MAIS 88-CEREALE INV. 128-CEREALE INV.
9-PERO 49-MAIS 89-CEREALE INV. 129-ERBA MEDICA
10-PESCO 50-PESCO 90-CEREALE INV. 130-PESCO
11-SUSINO 51-PESCO 91-CEREALE INV. 131-KAKI
12-CEREALE INV. 52-ERBA MEDICA 92-CEREALE INV. 132-KAKI
13-CEREALE INV. 53-ALBICOCCO 93-CEREALE INV. 133-ERBA MEDICA
14-SUSINO 54-ERBA MEDICA 94-CEREALE INV. 134-ERBA MEDICA
15-PESCO 55-CEREALE INV. 95-CEREALE INV. 135-ERBA MEDICA
16-ERBA MEDICA 56-SORGO 96-CEREALE INV. 136-ERBA MEDICA
17-ERBA MEDICA 57-SORGO 97-PESCO 137-SORGO
18-ERBA MEDICA 58-ERBA MEDICA 98-PESCO 138-SORGO
19-ERBA MEDICA 59-ERBA MEDICA 99-CEREALE INV. 139-ERBA MEDICA
20-ERBA MEDICA 60-PESCO 100-CEREALE INV. 140-SORGO
21-ERBA MEDICA 61-PESCO 101-GIRASOLE 141-PESCO
22-ERBA MEDICA 62-BIETOLA 102-BIETOLA 142-PESCO
23-ERBA MEDICA 63-BIETOLA 103-BIETOLA 143-PESCO
24-MAIS 64-BIETOLA 104-KAKI 144-SORGO
25-PESCO 65-BIETOLA 105-BIETOLA 145-SORGO
26-PESCO 66-PESCO 106-ALBICOCCO 146-SORGO
27-CEREALE INV. 67-PERO 107-PESCO 147-ERBA MEDICA
28-PESCO 68-PESCO 108-ALBICOCCO 148-PESCO
29-ERBA MEDICA 69-CEREALE INV. 109-PESCO 149-CEREALE INV.
30-CEREALE INV. 70-CEREALE INV. 110-PESCO 150-CEREALE INV.
31-PESCO 71-CEREALE INV. 111-CIPOLLA 151-CEREALE INV.
32-PESCO 72-CEREALE INV. 112-CEREALE INV. 152-CEREALE INV.
33-CEREALE INV. 73-CEREALE INV. 113-CEREALE INV. 153-MELO
34-CEREALE INV. 74-CEREALE INV. 114-VITE 154-PESCO
35-CEREALE INV. 75-CEREALE INV. 115-VITE 155-CEREALE INV.
36-CEREALE INV. 76-CEREALE INV. 116-PESCO 156-CEREALE INV.
37-FRAGOLA 77-CEREALE INV. 117-PESCO 157-CEREALE INV.
38-CEREALE INV. 78-BIETOLA 118-ALBICOCCO 158-ERBA MEDICA
39-CEREALE INV. 79-BIETOLA 119-PESCO 159-ERBA MEDICA
40-CEREALE INV. 80-CEREALE INV. 120-ALBICOCCO 160-ERBA MEDICA
Tabella 5.2.4.1: Elenco dei campi selezionati con relativo codice identificativo.
54
Dopo aver modificato lo shapefile rappresentante l’area di San Vittore, si
è proceduto nel ritagliare le cinque immagini satellitari, precedentemente
elaborate, sulla base dei confini geografici stabiliti dallo stesso shapefile.
Tale operazione, eseguita per mezzo dello strumento “Resize Data” di
ENVI, è servita per ottenere immagini di dimensioni significativamente
minori e per gestire, in modo più semplice, delle operazioni di dettaglio
sui pixel costituenti i campi agricoli dell’area di studio.
5.3. Applicazione del metodo Kc-NDVI
L’applicazione del metodo Kc-NDVI alle cinque immagini satellitari
ritagliate ripercorre esattamente i passaggi descritti al paragrafo 4.3.
Dapprima è stato calcolato l’indice vegetazionale NDVI, implementando
la formula (4.3.4) all’interno dello strumento “Band Math” di ENVI.
Successivamente, avvalendosi dell’approccio del coefficiente colturale
singolo e utilizzando lo stesso “Band Math” per l’applicazione della
relazione (4.3.5), sono state generate le mappe dei coefficienti colturali
Kc.
A questo punto l’unico dato mancante per il calcolo di ETc è ET0.
Per calcolare quest’ultimo parametro sono stati utilizzati i dati meteo
provenienti da una banca dati metereologici sviluppata dal Servizio Idro
Meteo Clima di ARPA, che prende il nome di ERG5.
A tale banca dati è associata una griglia regolare con passo di 5 km
(griglia ERG5) che copre tutte le aree situate all’interno dei confini della
regione Emilia-Romagna.
Grazie alle oltre 200 stazioni di misura presenti su tutto il te rritorio
regionale, sono disponibili, per ogni cella della griglia, con cadenza
giornaliera o oraria, i principali dati metereologici che sono ottenuti per
interpolazione dei dati misurati dalle stazioni metereologiche regionali.
La figura 5.3.1 mostra la posizione delle stazioni di misura in relazione
alla griglia ERG5.
55
Figura 5.3.1: Griglia ERG5.
I dati metereologici giornalieri estratti dalla cella di Cesena,
corrispondenti alle date di acquisizione delle immagini satellitari, sono
riportati in tabella 5.3.1.
Data Tmin (°C) Tmax (°C) Tave (°C) Prec (mm) RHmin (%)
16/06/2013 20.7 32 26.4 0 25
02/07/2013 16.9 29.1 23.6 0 27
18/07/2013 17.1 29.2 24 0 34
03/08/2013 21.4 35.4 28.9 0 22
19/08/2013 21.5 32.4 26.9 1.9 29
Data RHmean (%) RHmax (%) Wind (m/s) Wind dir(°) Rad (MJ m-2 d-1)
16/06/2013 41 58 2.5 315 28.5
02/07/2013 44 61 3.2 315 28.7
18/07/2013 53 74 3 315 26.9
03/08/2013 37 57 3.6 315 26.7
19/08/2013 40 57 3.6 315 23.5
Tabella 5.3.1: Dati metereologici giornalieri estratti dalla cella di Cesena.
Tali dati sono stati utilizzati per calcolare i valori giornalieri di ET0
seguendo i passaggi descritti nel quaderno FAO-56.
I valori di evapotraspirazione di riferimento ottenuti, per ciascuna data,
sono riportati in tabella 5.3.2.
56
Data ET0 (mm d-1)
16/06/2013 7.02
02/07/2013 6.74
18/07/2013 6.02
03/08/2013 8.06
19/08/2013 7.11
Tabella 5.3.2: Valori di evapotraspirazione di riferimento ottenuti per ciascuna data.
Una volta ricavati i valori di ET0 si è proceduto nel moltiplicare tale
valore scalare per la matrice dei coefficienti colturali Kc ricavata in
precedenza, come previsto dalla relazione (4.3.2).
In questo modo sono state derivate le mappe di ETc corrispondenti alle
cinque immagini satellitari.
5.4. Applicazione dell’approccio anal itico
L’applicazione dell’approccio analitico alle cinque immagini satellitari
segue i passaggi descritti nel paragrafo 4.2.
Le quantità Rnl, cp, ρa, es, ea, λ, g, che compaiono all’interno dell’eq.
(4.2.7), possono essere facilmente calcolate a partire dalle misure di
temperatura Ta e umidità relativa RH dell’aria riportate in tabella 5.3.1,
seguendo i procedimenti descritti nel quaderno FAO-56.
La radiazione solare incidente Rs è invece un dato misurato dalle
stazioni meteorologiche ed anch’esso è riporta to in tabella 5.3.1 con il
termine ‘Rad (MJ m-2 d-1)’.
Gli unici parametri stimati da satellite sono stati l’albedo r e l’indice di
area fogliare LAI.
Il primo è stato ottenuto utilizzando la relazione 4.2.1.2, al cui interno
entrano in gioco i valori di riflettanza alla superficie nelle varie bande del
sensore OLI e i relativi coefficienti di peso riassunti in tabella 4.2.1.1.
Il LAI è sicuramente il parametro più complicato da stimare e nel quale
risiede la maggior incertezza del metodo.
Per calcolarlo è stata utilizzata la relazione 4.2.2.2 in cui compaiono il
coefficiente di estinzione della luce a*, l’indice vegetazionale WDVI e il
valore limite asintotico dell’indice WDVI∞.
57
Non avendo a disposizione due set di valori di LAI, uno misurato e l’altro
stimato, non è stato possibile applicare una tecnica di regressione per
stimare il coefficiente a*; si è deciso pertanto di adottare il valore medio
a*=0.37, già utilizzato in altri progetti di ricerca.
Per calcolare il WDVI è stato necessario ricavare, dapprima, il valore
della pendenza della linea del suolo C che compare nella relazione
4.2.2.3.
La conoscenza di tale valore presuppone chiaramente l’individuazione di
gruppi di pixel di suolo nudo sull’immagine satellitare.
Riconoscere dei suoli nudi sulle immagini, attorno all’area di San Vittore,
non è stato semplice a causa della presenza molto limitata di questi in
periodo estivo.
Per facilitare la ricerca è stata utilizzata l’immagine in falsi colori del
giorno 20130616, data dalla combinazione delle bande 5,6,4 (NIR,
SWIR1, RED) del sensore OLI. Questa combinazione di bande è molto
utile per il riconoscimento dei suoli nudi ed inoltre è sensibile alle
differenze di umidità nei suoli. I suoli nudi, infatti, appaiono
sull’immagine con diverse tonalità di azzurro in funzione del contenuto di
umidità nel suolo: più il contenuto di umidità è alto, più la tonalità del
colore tende a diventare scura; ciò è dovuto all’alta capacità di
assorbimento dell’acqua nell’infrarosso.
L’immagine 5.4.1 mostra la posizione dei due suoli nudi individuati
sull’immagine del giorno 20130616, in prossimità dell’area di San Vittore.
I pixel costituenti i due suoli nudi sono stati raggruppati in un’unica RO I
(dall’inglese “Region of Interest”) di color giallo.
Il comando “Stats” presente nello strumento “ROI Tool” di ENVI, che
consente di ricavare le firme spettrali dei pixel costituenti la ROI, ha
confermato che i pixel selezionati fossero effettivamente appartenenti
alla copertura ‘suolo nudo’.
Le firme spettrali rappresentate in figura 5.4.2, infatti, ricordano
l’andamento tipico della firma spettrale di un suolo nudo.
59
Figura 5.4.2: Firme spettrali dei pixel costituenti la ROI.
A questo punto, per ricreare lo scatterogramma bidimensionale tra la
banda del RED e la banda del NIR, da cui estrarre la pendenza della
linea del suolo, è stato utilizzato il toolbox di ENVI “Compute ROI Soil
Line”.
Esso richiede come dati di input la ROI nella quale sono contenuti i pixel
da plottare nello scatterogramma e l’immagine da cui ricavare i valori di
riflettanza e restituisce in output la linea del suolo corrispondente.
La linea del suolo ottenuta è riportata in figura 5.4.3.
Figura 5.4.3: Linea del suolo estratta dalla ROI di suolo nudo.
60
Il coefficiente angolare della retta rappresenta proprio la pendenza della
linea del suolo C cercata. Come è possibile osservare in figura 5.4.3
essa è circa pari a 0.83.
Una volta ricavato il valore di C è stato possibile calcolare le immagini di
WDVI, mediante la semplice operazione tra bande espressa dalla
relazione 4.2.2.3.
I valori di WDVI∞, come già detto al paragrafo 4.2.2., sono stati ricavati
direttamente dalle immagini satellitari andando a prendere il valore
massimo di WDVI sulle aree vegetate, in corrispondenza della
saturazione.
Tali valori sono riportati, per ciascuna data, in tabella 5.4.1.
Data WDVI∞ [-]
16/06/2013 0.586
02/07/2013 0.645
18/07/2013 0.536
03/08/2013 0.591
19/08/2013 0.633
Tabella 5.4.1: Valori di WDVI∞ ottenuti per ciascuna data.
Infine, dopo aver ricavato tutti i termini necessari all’utilizzo
dell’equazione di Penman-Monteith, è stata applicata per ciascuna delle
cinque date di acquisizione la relazione (4.2.1), che ha permesso di
ottenere le mappe di ETc mediante l’approccio analitico.
5.5. Estrazione dei valori medi di ETc per ciascun
campo agricolo
Una volta ottenute le mappe di ETc con il metodo Kc-NDVI e con
l’approccio analitico, si è proceduto ad estrarre, per ciascuna di esse, un
singolo valore di ETc per ognuno dei 160 campi agricoli selezionati.
Per quanto riguarda il metodo Kc-NDVI si è preferito effettuare tale
operazione sulle mappe di Kc piuttosto che sulle mappe di ETc;
successivamente, in fase di validazione, sono stati poi nuovamente
moltiplicati i valori di Kc di ciascun campo per ET0, in modo da effettuare
61
sempre dei confronti tra valori di ETc. La ragione di tale scelta è da
attribuirsi al fatto che, durante la fase di elaborazione dei dati, si è voluto
confrontare i valori di Kc ottenuti dalle immagini satellitari per le varie
colture con dei valori tabellati forniti dal CER per l’Emilia -Romagna, in
modo da avere un primo riscontro sulla bontà del metodo.
I valori tabellati del CER sono riportati in figura 5.5.1.
Figura 5.5.1: Valori di Kc consigliati dal CER.
Per quanto riguarda l’approccio analitico, invece, sono stati estratti
direttamente i valori di ETc.
Per estrapolare tali valori dalle immagini satellitari (sia i valori di ETc, sia
i valori di Kc) si è proceduto nel seguente modo: dopo aver sovrapposto
62
all’immagine raster lo shapefile contenente i campi selezionati, è stata
utilizzata la funzione “Zone Stats” di ENVI che permette di generare un
file di testo in cui compaiono le statistiche principali (valore massimo,
valore minimo, media, deviazione standard) dell’insieme di pixel
costituenti ciascun poligono dello shapefile.
In pratica il software effettua una rasterizzazione dei poligoni in formato
vettoriale e, successivamente, va a calcolare le statistiche sul gruppo di
pixel che formano ciascun campo.
Il valore statistico utilizzato come valore rappresentativo di ogni campo è
stato chiaramente il valore medio.
In figura 5.5.2 si riporta, a titolo d’esempio, un estratto dell’output
restituito dallo strumento “Zone Stats” utilizzato sulla mappa di Kc
relativa alla data 20130616.
Figura 5.5.2: Esempio di output dello strumento “Zone Stats” di ENVI.
Infine, come ultima operazione prima della fase di validazione, è stata
effettuata un’ulteriore scrematura dei 160 campi agricoli selezionati
inizialmente. Tale operazione è stata mirata ad eliminare tutti quei campi
aventi una superficie talmente ridotta, da risultare addirittura inferiore
63
alla risoluzione spaziale del pixel (30 m). Per tale motivo sono stati
eliminati i seguenti campi: 14-SUSINO, 126-SUSINO, 106-ALBICOCCO,
104-KAKI, 131-KAKI, 132-KAKI, 153-MELO, 51-PESCO, 116-PESCO,
121-PESCO, 61-PESCO, 117-PESCO, 111-CIPOLLA, 37-FRAGOLA, 48-
MAIS.
In tal modo sono state eliminate anche le specie cipolla, fragola e kaki,
in quanto i campi eliminati erano gli unici rappresentativi di queste
specie.
In ultimo, non sono stati presi in considerazione anche tutti i campi di
CEREALE INVERNALE (grano); questo perché in estate il grano non è
fisicamente presente sui campi, in quanto viene raccolto a giugno ed in
seguito il terreno viene lasciato a riposo.
5.6. Validazione: il modello CRITERIA
I valori medi di ETc caratteristici di ciascun campo, ottenuti con le
modalità descritte nel precedente paragrafo, sono stati validati
confrontando tali valori con i valori derivati da un modello matematico
per la simulazione del bilancio idrico dei suoli agricoli, sviluppato presso
ARPA-SIMC: il modello CRITERIA (Controllo delle Riserve Idriche
Territoriali per la Riduzione dell’Impatto ambientale in Agricoltura).
Il modello calcola il bilancio idrico con cadenza giornaliera sfruttando il
database di CRITERIA, che include: una mappa digitale dei suoli
dell’Emilia-Romagna (fornita dal Servizio Cartografico), un insieme di
parametri dei suoli derivato da rilievi in campo e misure di laboratorio, un
insieme di parametri colturali e la banca dati meteorologici di ERG5.
CRITERIA è in grado di valutare i seguenti fenomeni: precipitazione,
irrigazione, risalita capillare dalla falda, ruscellamento o scorrimento
(superficiale e ipodermico), evaporazione, traspirazione, percolazione,
ridistribuzione e drenaggio profondo.
Alcuni di queste variabili, come la pioggia e l’irrigazione, sono facilmente
misurabili, le altre vengono stimate mediante algoritmi che utilizzano i
64
dati meteorologici, le caratteristiche del terreno e le caratteristiche delle
colture.
Per la fase di validazione è stata utilizzata una versione geografica di
CRITERIA, denominata CRITERIA.NET, che implementa gli stessi
algoritmi della versione classica.
Tale versione, però, è equipaggiata di un’interfaccia GIS e permette di
importare uno shapefile contenente i campi agricoli per i quali si vogliono
ottenere informazioni.
Dopo aver creato, in CRITERIA.NET, un progetto ad hoc per l’area di
San Vittore, relativo all’anno 2013, è stato possibile estrarre, per
ciascuna data di acquisizione delle immagini e per ciascun campo
agricolo dello shapefile, il valore di evapotraspirazione massima fornito
dal modello.
A questo punto, avendo a disposizione tre valori di ETc (Kc-NDVI,
approccio analitico, CRITERIA) per ogni singola particella, è stato creato
un foglio di calcolo elettronico, per ciascuna data di acquisizione delle
immagini, in cui sono state riportate tutte le particelle con i relativi valori
di ETc.
È stata poi effettuata la media aritmetica dei valori di ETc appartenenti
alla medesima specie colturale.
Il risultato finale che si è ottenuto è stata la creazione di una tabella in
cui, per ciascuna tipologia di coltura, sono stati riportati: il valore medio
di ETc della specie ottenuto con il metodo Kc-NDVI, il valore medio di
ETc della specie ottenuto con l’approccio analitico e il valore medio di
ETc della specie ricavato da CRITERIA.
Quest’ultimo, come detto, ha rappresentato il valore di confronto sul
quale basare la validazione dei dati estratti dalle immagini satellitari.
Di seguito si riportano i cinque fogli di calcolo realizzati durante la fase di
elaborazione dei dati.
65
ID_POLYGON ET0 ETc_Crit Kc_Crit Kc_Kc-NDVI ETc_Kc-NDVI ETc_PM Tipologia
105-BIETOLA 7.02 7.53 1.07 0.79 5.56 5.94 erbacea
103-BIETOLA 7.02 7.53 1.07 0.96 6.74 7.17 erbacea
102-BIETOLA 7.02 7.53 1.07 0.94 6.62 7.22 erbacea
62-BIETOLA 7.02 7.53 1.07 0.96 6.75 7.48 erbacea
63-BIETOLA 7.02 7.53 1.07 0.99 6.94 7.66 erbacea
64-BIETOLA 7.02 7.53 1.07 1.02 7.15 8.06 erbacea
65-BIETOLA 7.02 7.53 1.07 1.02 7.19 7.98 erbacea
78-BIETOLA 7.02 7.53 1.07 1.05 7.34 8.12 erbacea
79-BIETOLA 7.02 7.53 1.07 0.92 6.47 7.10 erbacea
58-ERBA MEDICA 7.02 6.61 0.94 1.29 9.07 13.55 erbacea
54-ERBA MEDICA 7.02 6.61 0.94 1.32 9.26 13.62 erbacea
52-ERBA MEDICA 7.02 6.61 0.94 1.25 8.77 13.54 erbacea
124-ERBA MEDICA 7.02 6.61 0.94 0.79 5.56 6.66 erbacea
125-ERBA MEDICA 7.02 6.61 0.94 0.84 5.86 7.09 erbacea
129-ERBA MEDICA 7.02 6.61 0.94 1.26 8.87 11.19 erbacea
29-ERBA MEDICA 7.02 6.61 0.94 1.27 8.92 11.92 erbacea
23-ERBA MEDICA 7.02 6.61 0.94 1.31 9.19 12.69 erbacea
133-ERBA MEDICA 7.02 6.61 0.94 0.93 6.55 7.87 erbacea
134-ERBA MEDICA 7.02 6.61 0.94 0.93 6.56 7.39 erbacea
135-ERBA MEDICA 7.02 6.61 0.94 0.96 6.75 7.80 erbacea
136-ERBA MEDICA 7.02 6.61 0.94 0.83 5.82 7.28 erbacea
22-ERBA MEDICA 7.02 6.61 0.94 1.29 9.04 15.32 erbacea
21-ERBA MEDICA 7.02 6.61 0.94 1.32 9.28 13.82 erbacea
160-ERBA MEDICA 7.02 6.61 0.94 0.85 5.94 7.22 erbacea
20-ERBA MEDICA 7.02 6.61 0.94 1.34 9.44 22.86 erbacea
19-ERBA MEDICA 7.02 6.61 0.94 1.36 9.54 23.97 erbacea
18-ERBA MEDICA 7.02 6.61 0.94 1.36 9.56 15.13 erbacea
17-ERBA MEDICA 7.02 6.61 0.94 1.36 9.53 17.63 erbacea
16-ERBA MEDICA 7.02 6.61 0.94 1.34 9.44 18.13 erbacea
139-ERBA MEDICA 7.02 6.61 0.94 0.79 5.56 6.94 erbacea
147-ERBA MEDICA 7.02 6.61 0.94 1.19 8.32 10.00 erbacea
158-ERBA MEDICA 7.02 6.61 0.94 0.81 5.71 6.99 erbacea
159-ERBA MEDICA 7.02 6.61 0.94 0.87 6.12 7.12 erbacea
59-ERBA MEDICA 7.02 6.61 0.94 1.25 8.76 11.11 erbacea
101-GIRASOLE 7.02 6.73 0.96 0.88 6.15 6.74 erbacea
49-MAIS 7.02 7.51 1.07 0.88 6.14 6.72 erbacea
24-MAIS 7.02 7.51 1.07 1.17 8.19 8.16 erbacea
47-MAIS 7.02 7.51 1.07 1.11 7.78 7.83 erbacea
45-MAIS 7.02 7.51 1.07 1.17 8.20 7.99 erbacea
46-MAIS 7.02 7.51 1.07 1.01 7.11 7.31 erbacea
146-SORGO 7.02 6.73 0.96 1.16 8.11 9.57 erbacea
145-SORGO 7.02 6.73 0.96 0.92 6.47 7.92 erbacea
144-SORGO 7.02 6.73 0.96 0.85 5.96 7.18 erbacea
140-SORGO 7.02 6.73 0.96 0.66 4.64 5.73 erbacea
138-SORGO 7.02 6.73 0.96 0.90 6.34 7.54 erbacea
137-SORGO 7.02 6.73 0.96 0.83 5.86 6.65 erbacea
57-SORGO 7.02 6.73 0.96 1.11 7.81 8.72 erbacea
56-SORGO 7.02 6.73 0.96 1.14 8.01 9.01 erbacea
1-SUSINO 7.02 6.9 0.98 1.11 7.80 7.74 arborea
2-SUSINO 7.02 6.9 0.98 1.01 7.10 7.60 arborea
11-SUSINO 7.02 6.9 0.98 1.10 7.72 7.92 arborea
120-ALBICOCCO 7.02 6.8 0.97 0.90 6.35 7.34 arborea
118-ALBICOCCO 7.02 6.8 0.97 0.92 6.49 7.54 arborea
4-ALBICOCCO 7.02 6.8 0.97 0.83 5.83 6.70 arborea
108-ALBICOCCO 7.02 6.8 0.97 1.11 7.81 9.17 arborea
53-ALBICOCCO 7.02 6.8 0.97 0.82 5.74 5.80 arborea
83-ALBICOCCO 7.02 6.8 0.97 0.91 6.37 7.59 arborea
67-PERO 7.02 6.84 0.97 1.07 7.48 7.47 arborea
66
6-PERO 7.02 6.84 0.97 0.99 6.96 6.88 arborea
9-PERO 7.02 6.84 0.97 0.93 6.50 6.78 arborea
107-PESCO 7.02 6.9 0.98 1.05 7.34 9.72 arborea
109-PESCO 7.02 6.9 0.98 0.91 6.39 6.33 arborea
110-PESCO 7.02 6.9 0.98 0.80 5.61 5.98 arborea
50-PESCO 7.02 6.9 0.98 0.84 5.92 6.01 arborea
5-PESCO 7.02 6.9 0.98 0.92 6.45 6.84 arborea
3-PESCO 7.02 6.9 0.98 0.88 6.16 7.04 arborea
7-PESCO 7.02 6.9 0.98 0.87 6.14 6.90 arborea
60-PESCO 7.02 6.9 0.98 0.89 6.23 6.17 arborea
44-PESCO 7.02 6.9 0.98 0.90 6.30 7.35 arborea
119-PESCO 7.02 6.9 0.98 0.85 6.00 7.05 arborea
43-PESCO 7.02 6.9 0.98 1.06 7.46 8.10 arborea
122-PESCO 7.02 6.9 0.98 0.90 6.29 5.98 arborea
123-PESCO 7.02 6.9 0.98 0.84 5.87 5.92 arborea
42-PESCO 7.02 6.9 0.98 1.14 7.97 8.07 arborea
41-PESCO 7.02 6.9 0.98 0.96 6.72 7.52 arborea
154-PESCO 7.02 6.9 0.98 1.06 7.42 6.66 arborea
68-PESCO 7.02 6.9 0.98 1.03 7.25 6.86 arborea
32-PESCO 7.02 6.9 0.98 0.94 6.62 6.51 arborea
31-PESCO 7.02 6.9 0.98 1.03 7.26 7.19 arborea
130-PESCO 7.02 6.9 0.98 0.87 6.13 6.36 arborea
98-PESCO 7.02 6.9 0.98 0.89 6.22 6.90 arborea
97-PESCO 7.02 6.9 0.98 0.94 6.58 7.22 arborea
28-PESCO 7.02 6.9 0.98 0.86 6.05 5.77 arborea
26-PESCO 7.02 6.9 0.98 0.97 6.82 6.38 arborea
66-PESCO 7.02 6.9 0.98 0.97 6.84 6.86 arborea
8-PESCO 7.02 6.9 0.98 1.02 7.16 7.92 arborea
15-PESCO 7.02 6.9 0.98 1.02 7.15 8.40 arborea
141-PESCO 7.02 6.9 0.98 0.80 5.61 6.55 arborea
142-PESCO 7.02 6.9 0.98 0.88 6.19 6.00 arborea
143-PESCO 7.02 6.9 0.98 0.93 6.54 6.39 arborea
10-PESCO 7.02 6.9 0.98 0.97 6.80 7.80 arborea
148-PESCO 7.02 6.9 0.98 1.06 7.45 6.54 arborea
114-VITE 7.02 5.64 0.80 0.83 5.85 6.22 arborea
115-VITE 7.02 5.64 0.80 0.80 5.61 5.89 arborea
Tabella 5.5.1: Valori di ETc di ciascun campo ottenuti con CRITERIA (3acolonna), con il
metodo Kc-NDVI (6acolonna) e con l’approccio analitico (7
acolonna), per la data 20130616.
Coltura Media_ETc_Crit Media_ETc_Kc-NDVI Media_ETc_PM
BIETOLA 7.53 6.75 7.42
ERBA MEDICA 6.61 7.90 11.87
GIRASOLE 6.73 6.15 6.74
MAIS 7.51 7.49 7.60
SORGO 6.73 6.65 7.79
SUSINO 6.9 7.54 7.75
ALBICOCCO 6.8 6.43 7.36
PERO 6.84 6.98 7.04
PESCO 6.9 6.59 6.92
VITE 5.64 5.73 6.05
Tabella 5.5.2: Valori medi di ETc per ciascuna specie colturale ottenuti con CRITERIA
(2acolonna), con il metodo Kc-NDVI (3
acolonna) e con l’approccio analitico (4
acolonna), per la
data 20130616.
67
ID_POLYGON ET0 ETc_Crit Kc_Crit Kc_Kc-NDVI ETc_Kc-NDVI ETc_PM Tipologia
105-BIETOLA 6.74 7.24 1.07 0.86 5.80 5.46 erbacea
103-BIETOLA 6.74 7.24 1.07 1.01 6.80 6.55 erbacea
102-BIETOLA 6.74 7.24 1.07 0.94 6.37 6.33 erbacea
62-BIETOLA 6.74 7.24 1.07 0.97 6.55 6.66 erbacea
63-BIETOLA 6.74 7.24 1.07 1.01 6.81 6.86 erbacea
64-BIETOLA 6.74 7.24 1.07 1.06 7.16 7.38 erbacea
65-BIETOLA 6.74 7.24 1.07 1.06 7.16 7.34 erbacea
78-BIETOLA 6.74 7.24 1.07 1.03 6.95 6.99 erbacea
79-BIETOLA 6.74 7.24 1.07 0.88 5.92 5.95 erbacea
58-ERBA MEDICA 6.74 6.53 0.97 1.32 8.89 11.25 erbacea
54-ERBA MEDICA 6.74 6.53 0.97 1.34 9.05 11.40 erbacea
52-ERBA MEDICA 6.74 6.53 0.97 1.31 8.82 11.87 erbacea
124-ERBA MEDICA 6.74 6.53 0.97 0.79 5.30 5.33 erbacea
125-ERBA MEDICA 6.74 6.53 0.97 0.85 5.75 5.97 erbacea
129-ERBA MEDICA 6.74 6.53 0.97 1.26 8.50 9.74 erbacea
29-ERBA MEDICA 6.74 6.53 0.97 1.30 8.75 10.54 erbacea
23-ERBA MEDICA 6.74 6.53 0.97 1.34 9.03 10.97 erbacea
133-ERBA MEDICA 6.74 6.53 0.97 0.89 6.01 6.61 erbacea
134-ERBA MEDICA 6.74 6.53 0.97 0.97 6.57 7.14 erbacea
135-ERBA MEDICA 6.74 6.53 0.97 0.96 6.49 6.81 erbacea
136-ERBA MEDICA 6.74 6.53 0.97 1.19 8.05 8.59 erbacea
22-ERBA MEDICA 6.74 6.53 0.97 1.36 9.14 11.68 erbacea
21-ERBA MEDICA 6.74 6.53 0.97 1.32 8.88 10.94 erbacea
160-ERBA MEDICA 6.74 6.53 0.97 1.00 6.77 6.81 erbacea
20-ERBA MEDICA 6.74 6.53 0.97 1.37 9.22 14.54 erbacea
19-ERBA MEDICA 6.74 6.53 0.97 1.37 9.25 13.59 erbacea
18-ERBA MEDICA 6.74 6.53 0.97 1.38 9.28 13.35 erbacea
17-ERBA MEDICA 6.74 6.53 0.97 1.37 9.24 13.17 erbacea
16-ERBA MEDICA 6.74 6.53 0.97 1.37 9.24 12.91 erbacea
139-ERBA MEDICA 6.74 6.53 0.97 1.05 7.07 7.50 erbacea
147-ERBA MEDICA 6.74 6.53 0.97 1.26 8.50 9.27 erbacea
158-ERBA MEDICA 6.74 6.53 0.97 1.01 6.79 7.06 erbacea
159-ERBA MEDICA 6.74 6.53 0.97 0.98 6.63 6.52 erbacea
59-ERBA MEDICA 6.74 6.53 0.97 1.26 8.52 10.18 erbacea
101-GIRASOLE 6.74 6.62 0.98 1.03 6.95 6.78 erbacea
49-MAIS 6.74 7.24 1.07 1.01 6.80 7.02 erbacea
24-MAIS 6.74 7.24 1.07 1.29 8.69 8.76 erbacea
47-MAIS 6.74 7.24 1.07 1.24 8.36 8.41 erbacea
45-MAIS 6.74 7.24 1.07 1.31 8.82 8.89 erbacea
46-MAIS 6.74 7.24 1.07 1.12 7.55 7.63 erbacea
146-SORGO 6.74 6.62 0.98 1.17 7.87 7.89 erbacea
145-SORGO 6.74 6.62 0.98 1.00 6.74 6.73 erbacea
144-SORGO 6.74 6.62 0.98 0.93 6.26 6.58 erbacea
140-SORGO 6.74 6.62 0.98 0.71 4.78 5.18 erbacea
138-SORGO 6.74 6.62 0.98 0.95 6.37 6.37 erbacea
137-SORGO 6.74 6.62 0.98 0.82 5.53 5.87 erbacea
57-SORGO 6.74 6.62 0.98 1.26 8.46 9.22 erbacea
56-SORGO 6.74 6.62 0.98 1.27 8.55 9.29 erbacea
1-SUSINO 6.74 6.63 0.98 0.94 6.34 5.71 arborea
2-SUSINO 6.74 6.63 0.98 0.92 6.21 5.75 arborea
11-SUSINO 6.74 6.63 0.98 0.88 5.93 5.45 arborea
120-ALBICOCCO 6.74 6.53 0.97 0.91 6.10 6.00 arborea
118-ALBICOCCO 6.74 6.53 0.97 0.97 6.55 6.55 arborea
4-ALBICOCCO 6.74 6.53 0.97 0.94 6.35 5.82 arborea
108-ALBICOCCO 6.74 6.53 0.97 1.08 7.28 7.13 arborea
53-ALBICOCCO 6.74 6.53 0.97 0.82 5.54 5.00 arborea
83-ALBICOCCO 6.74 6.53 0.97 0.89 5.99 5.99 arborea
67-PERO 6.74 6.59 0.98 1.10 7.41 6.27 arborea
68
6-PERO 6.74 6.59 0.98 1.02 6.88 5.51 arborea
9-PERO 6.74 6.59 0.98 1.02 6.88 5.51 arborea
107-PESCO 6.74 6.63 0.98 1.14 7.71 8.71 arborea
109-PESCO 6.74 6.63 0.98 0.96 6.48 5.68 arborea
110-PESCO 6.74 6.63 0.98 0.83 5.60 5.17 arborea
50-PESCO 6.74 6.63 0.98 0.88 5.92 5.40 arborea
5-PESCO 6.74 6.63 0.98 1.02 6.85 5.58 arborea
3-PESCO 6.74 6.63 0.98 0.99 6.65 6.31 arborea
7-PESCO 6.74 6.63 0.98 1.01 6.81 6.17 arborea
60-PESCO 6.74 6.63 0.98 0.91 6.14 5.06 arborea
44-PESCO 6.74 6.63 0.98 0.89 5.97 6.03 arborea
119-PESCO 6.74 6.63 0.98 0.89 5.97 5.92 arborea
43-PESCO 6.74 6.63 0.98 1.16 7.80 6.94 arborea
122-PESCO 6.74 6.63 0.98 0.97 6.55 5.28 arborea
123-PESCO 6.74 6.63 0.98 0.90 6.08 5.27 arborea
42-PESCO 6.74 6.63 0.98 1.19 8.05 7.30 arborea
41-PESCO 6.74 6.63 0.98 1.11 7.46 6.88 arborea
154-PESCO 6.74 6.63 0.98 1.14 7.67 6.03 arborea
68-PESCO 6.74 6.63 0.98 1.08 7.25 6.12 arborea
32-PESCO 6.74 6.63 0.98 0.96 6.46 5.16 arborea
31-PESCO 6.74 6.63 0.98 1.10 7.38 6.09 arborea
130-PESCO 6.74 6.63 0.98 1.00 6.73 6.23 arborea
98-PESCO 6.74 6.63 0.98 0.93 6.28 5.74 arborea
97-PESCO 6.74 6.63 0.98 1.01 6.78 6.08 arborea
28-PESCO 6.74 6.63 0.98 0.96 6.47 5.37 arborea
26-PESCO 6.74 6.63 0.98 1.02 6.89 5.82 arborea
66-PESCO 6.74 6.63 0.98 1.00 6.73 5.79 arborea
8-PESCO 6.74 6.63 0.98 1.12 7.52 6.97 arborea
15-PESCO 6.74 6.63 0.98 1.18 7.92 7.25 arborea
141-PESCO 6.74 6.63 0.98 0.83 5.60 5.54 arborea
142-PESCO 6.74 6.63 0.98 0.98 6.58 5.83 arborea
143-PESCO 6.74 6.63 0.98 1.05 7.11 6.21 arborea
10-PESCO 6.74 6.63 0.98 1.02 6.90 6.55 arborea
148-PESCO 6.74 6.63 0.98 1.07 7.24 5.92 arborea
114-VITE 6.74 5.42 0.80 0.83 5.58 5.07 arborea
115-VITE 6.74 5.42 0.80 0.84 5.66 5.09 arborea
Tabella 5.5.3: Valori di ETc di ciascun campo ottenuti con CRITERIA (3acolonna), con il
metodo Kc-NDVI (6acolonna) e con l’approccio analitico (7
acolonna), per la data 20130702.
Coltura Media_ETc_Crit Media_ETc_Kc-NDVI Media_ETc_PM
BIETOLA 7.24 6.61 6.61
ERBA MEDICA 6.53 7.99 9.75
GIRASOLE 6.62 6.95 6.78
MAIS 7.24 8.04 8.14
SORGO 6.62 6.82 7.14
SUSINO 6.63 6.16 5.63
ALBICOCCO 6.53 6.30 6.08
PERO 6.59 7.06 5.77
PESCO 6.63 6.80 6.08
VITE 5.42 5.62 5.08
Tabella 5.5.4: Valori medi di ETc per ciascuna specie colturale ottenuti con CRITERIA
(2acolonna), con il metodo Kc-NDVI (3
acolonna) e con l’approccio analitico (4
acolonna), per la
data 20130702.
69
ID_POLYGON ET0 ETc_Crit Kc_Crit Kc_Kc-NDVI ETc_Kc-NDVI ETc_PM Tipologia
105-BIETOLA 6.02 6.45 1.07 0.91 5.48 6.22 erbacea
103-BIETOLA 6.02 6.45 1.07 0.97 5.85 7.46 erbacea
102-BIETOLA 6.02 6.45 1.07 0.95 5.74 7.23 erbacea
62-BIETOLA 6.02 6.45 1.07 0.97 5.86 7.00 erbacea
63-BIETOLA 6.02 6.45 1.07 1.02 6.13 7.80 erbacea
64-BIETOLA 6.02 6.45 1.07 1.07 6.43 8.57 erbacea
65-BIETOLA 6.02 6.45 1.07 1.09 6.58 9.05 erbacea
78-BIETOLA 6.02 6.45 1.07 0.98 5.92 7.26 erbacea
79-BIETOLA 6.02 6.45 1.07 0.91 5.45 6.48 erbacea
58-ERBA MEDICA 6.02 5.14 0.85 1.03 6.20 7.21 erbacea
54-ERBA MEDICA 6.02 5.14 0.85 1.03 6.18 7.22 erbacea
52-ERBA MEDICA 6.02 5.14 0.85 1.06 6.38 7.99 erbacea
124-ERBA MEDICA 6.02 5.14 0.85 0.86 5.19 5.63 erbacea
125-ERBA MEDICA 6.02 5.14 0.85 1.02 6.16 7.04 erbacea
129-ERBA MEDICA 6.02 5.14 0.85 1.23 7.40 9.88 erbacea
29-ERBA MEDICA 6.02 5.14 0.85 0.96 5.76 6.63 erbacea
23-ERBA MEDICA 6.02 5.14 0.85 0.99 5.97 6.85 erbacea
133-ERBA MEDICA 6.02 5.14 0.85 1.05 6.30 8.43 erbacea
134-ERBA MEDICA 6.02 5.14 0.85 1.09 6.56 8.30 erbacea
135-ERBA MEDICA 6.02 5.14 0.85 1.02 6.14 7.44 erbacea
136-ERBA MEDICA 6.02 5.14 0.85 0.97 5.86 7.27 erbacea
22-ERBA MEDICA 6.02 5.14 0.85 1.07 6.44 7.40 erbacea
21-ERBA MEDICA 6.02 5.14 0.85 1.05 6.32 7.33 erbacea
160-ERBA MEDICA 6.02 5.14 0.85 1.15 6.90 8.93 erbacea
20-ERBA MEDICA 6.02 5.14 0.85 1.08 6.51 7.91 erbacea
19-ERBA MEDICA 6.02 5.14 0.85 1.05 6.34 7.31 erbacea
18-ERBA MEDICA 6.02 5.14 0.85 1.05 6.34 7.48 erbacea
17-ERBA MEDICA 6.02 5.14 0.85 1.06 6.40 7.50 erbacea
16-ERBA MEDICA 6.02 5.14 0.85 1.08 6.52 7.55 erbacea
139-ERBA MEDICA 6.02 5.14 0.85 0.92 5.53 7.05 erbacea
147-ERBA MEDICA 6.02 5.14 0.85 1.18 7.07 8.86 erbacea
158-ERBA MEDICA 6.02 5.14 0.85 0.68 4.07 5.12 erbacea
159-ERBA MEDICA 6.02 5.14 0.85 1.12 6.72 8.05 erbacea
59-ERBA MEDICA 6.02 5.14 0.85 1.00 6.03 7.19 erbacea
101-GIRASOLE 6.02 5.92 0.98 0.95 5.73 6.44 erbacea
49-MAIS 6.02 6.46 1.07 0.99 5.95 6.94 erbacea
24-MAIS 6.02 6.46 1.07 1.15 6.92 7.94 erbacea
47-MAIS 6.02 6.46 1.07 1.15 6.93 8.16 erbacea
45-MAIS 6.02 6.46 1.07 1.19 7.17 8.29 erbacea
46-MAIS 6.02 6.46 1.07 1.13 6.77 7.97 erbacea
146-SORGO 6.02 5.92 0.98 0.91 5.47 6.50 erbacea
145-SORGO 6.02 5.92 0.98 0.83 5.03 6.47 erbacea
144-SORGO 6.02 5.92 0.98 0.79 4.78 6.16 erbacea
140-SORGO 6.02 5.92 0.98 0.73 4.40 5.64 erbacea
138-SORGO 6.02 5.92 0.98 0.87 5.21 6.48 erbacea
137-SORGO 6.02 5.92 0.98 0.77 4.61 5.75 erbacea
57-SORGO 6.02 5.92 0.98 1.17 7.04 7.86 erbacea
56-SORGO 6.02 5.92 0.98 1.21 7.27 8.17 erbacea
1-SUSINO 6.02 5.92 0.98 1.00 6.03 6.16 arborea
2-SUSINO 6.02 5.92 0.98 0.95 5.71 6.06 arborea
11-SUSINO 6.02 5.92 0.98 0.94 5.64 5.85 arborea
120-ALBICOCCO 6.02 5.83 0.97 0.94 5.64 6.40 arborea
118-ALBICOCCO 6.02 5.83 0.97 0.81 4.89 5.89 arborea
4-ALBICOCCO 6.02 5.83 0.97 0.95 5.71 6.22 arborea
108-ALBICOCCO 6.02 5.83 0.97 1.13 6.81 8.08 arborea
53-ALBICOCCO 6.02 5.83 0.97 0.92 5.52 5.69 arborea
83-ALBICOCCO 6.02 5.83 0.97 0.95 5.74 6.73 arborea
67-PERO 6.02 5.88 0.98 1.19 7.14 7.00 arborea
70
6-PERO 6.02 5.88 0.98 1.03 6.19 5.64 arborea
9-PERO 6.02 5.88 0.98 0.96 5.77 5.82 arborea
107-PESCO 6.02 5.92 0.98 0.95 5.71 7.71 arborea
109-PESCO 6.02 5.92 0.98 0.97 5.86 5.90 arborea
110-PESCO 6.02 5.92 0.98 0.87 5.25 5.52 arborea
50-PESCO 6.02 5.92 0.98 1.02 6.12 6.17 arborea
5-PESCO 6.02 5.92 0.98 0.91 5.49 5.43 arborea
3-PESCO 6.02 5.92 0.98 0.98 5.88 6.60 arborea
7-PESCO 6.02 5.92 0.98 1.03 6.20 6.51 arborea
60-PESCO 6.02 5.92 0.98 0.74 4.48 4.98 arborea
44-PESCO 6.02 5.92 0.98 0.99 5.97 6.73 arborea
119-PESCO 6.02 5.92 0.98 0.89 5.34 6.16 arborea
43-PESCO 6.02 5.92 0.98 1.09 6.55 6.62 arborea
122-PESCO 6.02 5.92 0.98 0.97 5.83 5.69 arborea
123-PESCO 6.02 5.92 0.98 0.88 5.33 5.57 arborea
42-PESCO 6.02 5.92 0.98 1.09 6.54 6.57 arborea
41-PESCO 6.02 5.92 0.98 1.03 6.19 6.54 arborea
154-PESCO 6.02 5.92 0.98 1.07 6.45 6.18 arborea
68-PESCO 6.02 5.92 0.98 0.96 5.80 5.92 arborea
32-PESCO 6.02 5.92 0.98 1.02 6.12 5.67 arborea
31-PESCO 6.02 5.92 0.98 1.04 6.26 6.43 arborea
130-PESCO 6.02 5.92 0.98 1.01 6.06 6.22 arborea
98-PESCO 6.02 5.92 0.98 0.93 5.59 5.90 arborea
97-PESCO 6.02 5.92 0.98 0.93 5.57 5.89 arborea
28-PESCO 6.02 5.92 0.98 1.05 6.35 6.43 arborea
26-PESCO 6.02 5.92 0.98 1.14 6.84 6.38 arborea
66-PESCO 6.02 5.92 0.98 1.04 6.26 6.38 arborea
8-PESCO 6.02 5.92 0.98 1.17 7.05 7.82 arborea
15-PESCO 6.02 5.92 0.98 1.09 6.55 6.70 arborea
141-PESCO 6.02 5.92 0.98 0.87 5.21 5.90 arborea
142-PESCO 6.02 5.92 0.98 1.05 6.34 6.28 arborea
143-PESCO 6.02 5.92 0.98 1.08 6.53 6.59 arborea
10-PESCO 6.02 5.92 0.98 1.07 6.42 7.03 arborea
148-PESCO 6.02 5.92 0.98 1.10 6.64 6.54 arborea
114-VITE 6.02 4.84 0.80 0.89 5.34 5.70 arborea
115-VITE 6.02 4.84 0.80 0.85 5.10 5.49 arborea
Tabella 5.5.5: Valori di ETc di ciascun campo ottenuti con CRITERIA (3acolonna), con il
metodo Kc-NDVI (6acolonna) e con l’approccio analitico (7
acolonna), per la data 20130718.
Coltura Media_ETc_Crit Media_ETc_Kc-NDVI Media_ETc_PM
BIETOLA 6.45 5.94 7.45
ERBA MEDICA 5.14 6.21 7.50
GIRASOLE 5.92 5.73 6.44
MAIS 6.46 6.75 7.86
SORGO 5.92 5.48 6.63
SUSINO 5.92 5.79 6.02
ALBICOCCO 5.83 5.72 6.50
PERO 5.88 6.37 6.15
PESCO 5.92 6.02 6.28
VITE 4.84 5.22 5.59
Tabella 5.5.6: Valori medi di ETc per ciascuna specie colturale ottenuti con CRITERIA
(2acolonna), con il metodo Kc-NDVI (3
acolonna) e con l’approccio analitico (4
acolonna), per la
data 20130718.
71
ID_POLYGON ET0 ETc_Crit Kc_Crit Kc_Kc-NDVI ETc_Kc-NDVI ETc_PM Tipologia
105-BIETOLA 8.06 8.52 1.06 0.84 6.81 7.98 erbacea
103-BIETOLA 8.06 8.52 1.06 0.95 7.67 9.43 erbacea
102-BIETOLA 8.06 8.52 1.06 0.88 7.10 9.02 erbacea
62-BIETOLA 8.06 8.52 1.06 0.93 7.49 9.44 erbacea
63-BIETOLA 8.06 8.52 1.06 0.95 7.69 9.87 erbacea
64-BIETOLA 8.06 8.52 1.06 1.03 8.31 11.20 erbacea
65-BIETOLA 8.06 8.52 1.06 1.06 8.51 11.69 erbacea
78-BIETOLA 8.06 8.52 1.06 0.98 7.92 9.84 erbacea
79-BIETOLA 8.06 8.52 1.06 0.93 7.48 9.06 erbacea
58-ERBA MEDICA 8.06 7.80 0.97 1.02 8.19 9.26 erbacea
54-ERBA MEDICA 8.06 7.80 0.97 1.01 8.17 8.82 erbacea
52-ERBA MEDICA 8.06 7.80 0.97 1.16 9.37 11.91 erbacea
124-ERBA MEDICA 8.06 7.80 0.97 0.66 5.33 6.87 erbacea
125-ERBA MEDICA 8.06 7.80 0.97 0.79 6.39 8.40 erbacea
129-ERBA MEDICA 8.06 7.80 0.97 1.13 9.07 10.08 erbacea
29-ERBA MEDICA 8.06 7.80 0.97 0.94 7.57 8.38 erbacea
23-ERBA MEDICA 8.06 7.80 0.97 0.98 7.92 8.66 erbacea
133-ERBA MEDICA 8.06 7.80 0.97 0.74 5.92 7.96 erbacea
134-ERBA MEDICA 8.06 7.80 0.97 0.77 6.21 8.07 erbacea
135-ERBA MEDICA 8.06 7.80 0.97 0.76 6.15 7.80 erbacea
136-ERBA MEDICA 8.06 7.80 0.97 0.88 7.12 8.97 erbacea
22-ERBA MEDICA 8.06 7.80 0.97 1.12 9.02 10.12 erbacea
21-ERBA MEDICA 8.06 7.80 0.97 1.04 8.38 9.27 erbacea
160-ERBA MEDICA 8.06 7.80 0.97 0.79 6.39 8.61 erbacea
20-ERBA MEDICA 8.06 7.80 0.97 1.25 10.04 13.23 erbacea
19-ERBA MEDICA 8.06 7.80 0.97 1.22 9.84 12.32 erbacea
18-ERBA MEDICA 8.06 7.80 0.97 1.15 9.28 10.88 erbacea
17-ERBA MEDICA 8.06 7.80 0.97 1.23 9.92 12.17 erbacea
16-ERBA MEDICA 8.06 7.80 0.97 1.17 9.40 11.12 erbacea
139-ERBA MEDICA 8.06 7.80 0.97 0.80 6.46 8.40 erbacea
147-ERBA MEDICA 8.06 7.80 0.97 1.07 8.66 9.71 erbacea
158-ERBA MEDICA 8.06 7.80 0.97 0.89 7.21 8.85 erbacea
159-ERBA MEDICA 8.06 7.80 0.97 0.78 6.27 8.25 erbacea
59-ERBA MEDICA 8.06 7.80 0.97 1.03 8.28 9.31 erbacea
101-GIRASOLE 8.06 7.83 0.97 0.83 6.68 7.32 erbacea
49-MAIS 8.06 8.61 1.07 0.45 3.66 4.89 erbacea
24-MAIS 8.06 8.61 1.07 0.44 3.57 4.93 erbacea
47-MAIS 8.06 8.61 1.07 0.44 3.58 4.89 erbacea
45-MAIS 8.06 8.61 1.07 0.41 3.28 4.53 erbacea
46-MAIS 8.06 8.61 1.07 0.49 3.95 5.27 erbacea
146-SORGO 8.06 7.89 0.98 1.11 8.94 11.61 erbacea
145-SORGO 8.06 7.89 0.98 0.94 7.54 9.88 erbacea
144-SORGO 8.06 7.89 0.98 0.84 6.74 8.91 erbacea
140-SORGO 8.06 7.89 0.98 0.73 5.92 8.05 erbacea
138-SORGO 8.06 7.89 0.98 0.96 7.76 9.97 erbacea
137-SORGO 8.06 7.89 0.98 0.74 5.93 7.78 erbacea
57-SORGO 8.06 7.89 0.98 1.13 9.11 9.60 erbacea
56-SORGO 8.06 7.89 0.98 1.10 8.85 9.10 erbacea
1-SUSINO 8.06 7.92 0.98 0.99 7.98 8.48 arborea
2-SUSINO 8.06 7.92 0.98 0.97 7.81 8.66 arborea
11-SUSINO 8.06 7.92 0.98 0.92 7.43 7.98 arborea
120-ALBICOCCO 8.06 7.80 0.97 0.95 7.62 8.54 arborea
118-ALBICOCCO 8.06 7.80 0.97 0.94 7.54 8.91 arborea
4-ALBICOCCO 8.06 7.80 0.97 0.90 7.27 7.92 arborea
108-ALBICOCCO 8.06 7.80 0.97 1.04 8.39 9.65 arborea
53-ALBICOCCO 8.06 7.80 0.97 0.85 6.88 7.39 arborea
83-ALBICOCCO 8.06 7.80 0.97 0.96 7.74 8.99 arborea
67-PERO 8.06 7.87 0.98 1.10 8.86 8.78 arborea
72
6-PERO 8.06 7.87 0.98 0.98 7.89 7.43 arborea
9-PERO 8.06 7.87 0.98 1.02 8.19 7.95 arborea
107-PESCO 8.06 7.92 0.98 0.98 7.91 10.26 arborea
109-PESCO 8.06 7.92 0.98 0.96 7.78 8.12 arborea
110-PESCO 8.06 7.92 0.98 0.84 6.79 7.24 arborea
50-PESCO 8.06 7.92 0.98 0.93 7.46 7.90 arborea
5-PESCO 8.06 7.92 0.98 0.98 7.93 7.68 arborea
3-PESCO 8.06 7.92 0.98 0.96 7.74 8.95 arborea
7-PESCO 8.06 7.92 0.98 1.02 8.24 8.91 arborea
60-PESCO 8.06 7.92 0.98 0.86 6.90 7.35 arborea
44-PESCO 8.06 7.92 0.98 0.92 7.39 8.71 arborea
119-PESCO 8.06 7.92 0.98 0.88 7.12 8.18 arborea
43-PESCO 8.06 7.92 0.98 1.09 8.81 8.57 arborea
122-PESCO 8.06 7.92 0.98 1.04 8.39 7.74 arborea
123-PESCO 8.06 7.92 0.98 0.88 7.06 7.63 arborea
42-PESCO 8.06 7.92 0.98 1.10 8.84 8.51 arborea
41-PESCO 8.06 7.92 0.98 1.07 8.64 9.07 arborea
154-PESCO 8.06 7.92 0.98 1.22 9.83 9.01 arborea
68-PESCO 8.06 7.92 0.98 1.08 8.70 8.46 arborea
32-PESCO 8.06 7.92 0.98 0.96 7.71 7.22 arborea
31-PESCO 8.06 7.92 0.98 1.06 8.56 8.27 arborea
130-PESCO 8.06 7.92 0.98 1.04 8.39 8.96 arborea
98-PESCO 8.06 7.92 0.98 0.90 7.23 7.82 arborea
97-PESCO 8.06 7.92 0.98 0.96 7.70 8.09 arborea
28-PESCO 8.06 7.92 0.98 1.05 8.46 8.42 arborea
26-PESCO 8.06 7.92 0.98 1.13 9.08 8.90 arborea
66-PESCO 8.06 7.92 0.98 1.03 8.28 8.36 arborea
8-PESCO 8.06 7.92 0.98 1.17 9.41 10.87 arborea
15-PESCO 8.06 7.92 0.98 1.04 8.41 8.62 arborea
141-PESCO 8.06 7.92 0.98 0.88 7.08 8.49 arborea
142-PESCO 8.06 7.92 0.98 1.05 8.49 8.93 arborea
143-PESCO 8.06 7.92 0.98 1.15 9.29 9.43 arborea
10-PESCO 8.06 7.92 0.98 1.04 8.38 9.82 arborea
148-PESCO 8.06 7.92 0.98 1.18 9.48 8.87 arborea
114-VITE 8.06 6.48 0.80 0.81 6.50 7.03 arborea
115-VITE 8.06 6.48 0.80 0.88 7.10 7.39 arborea
Tabella 5.5.7: Valori di ETc di ciascun campo ottenuti con CRITERIA (3acolonna), con il
metodo Kc-NDVI (6acolonna) e con l’approccio analitico (7
acolonna), per la data 20130803.
Tabella 5.5.8: Valori medi di ETc per ciascuna specie colturale ottenuti con CRITERIA
(2acolonna), con il metodo Kc-NDVI (3
acolonna) e con l’approccio analitico (4
acolonna), per la
data 20130803.
Coltura Media_ETc_Crit Media_ETc_Kc-NDVI Media_ETc_PM
BIETOLA 8.52 7.66 9.73
ERBA MEDICA 7.8 7.86 9.50
GIRASOLE 7.83 6.68 7.32
MAIS 8.61 3.61 4.90
SORGO 7.89 7.60 9.36
SUSINO 7.92 7.74 8.37
ALBICOCCO 7.8 7.57 8.57
PERO 7.87 8.31 8.05
PESCO 7.92 8.17 8.54
VITE 6.48 6.80 7.21
73
ID_POLYGON ET0 ETc_Crit Kc_Crit Kc_Kc-NDVI ETc_Kc-NDVI ETc_PM Tipologia
105-BIETOLA 7.11 7.02 0.99 0.81 5.76 6.05 erbacea
103-BIETOLA 7.11 7.02 0.99 0.92 6.57 7.02 erbacea
102-BIETOLA 7.11 7.02 0.99 0.81 5.73 6.42 erbacea
62-BIETOLA 7.11 7.02 0.99 0.87 6.15 6.86 erbacea
63-BIETOLA 7.11 7.02 0.99 0.89 6.33 7.20 erbacea
64-BIETOLA 7.11 7.02 0.99 0.96 6.81 8.04 erbacea
65-BIETOLA 7.11 7.02 0.99 0.99 7.07 8.28 erbacea
78-BIETOLA 7.11 7.02 0.99 0.95 6.76 7.60 erbacea
79-BIETOLA 7.11 7.02 0.99 0.92 6.54 7.25 erbacea
58-ERBA MEDICA 7.11 5.96 0.84 1.06 7.52 7.95 erbacea
54-ERBA MEDICA 7.11 5.96 0.84 1.09 7.77 7.97 erbacea
52-ERBA MEDICA 7.11 5.96 0.84 1.23 8.72 10.65 erbacea
124-ERBA MEDICA 7.11 5.96 0.84 0.71 5.02 5.81 erbacea
125-ERBA MEDICA 7.11 5.96 0.84 0.85 6.03 6.82 erbacea
129-ERBA MEDICA 7.11 5.96 0.84 0.71 5.06 6.18 erbacea
29-ERBA MEDICA 7.11 5.96 0.84 0.99 7.05 7.39 erbacea
23-ERBA MEDICA 7.11 5.96 0.84 1.05 7.50 7.89 erbacea
133-ERBA MEDICA 7.11 5.96 0.84 0.79 5.59 6.77 erbacea
134-ERBA MEDICA 7.11 5.96 0.84 0.84 5.98 6.91 erbacea
135-ERBA MEDICA 7.11 5.96 0.84 0.77 5.44 6.39 erbacea
136-ERBA MEDICA 7.11 5.96 0.84 0.93 6.64 7.47 erbacea
22-ERBA MEDICA 7.11 5.96 0.84 1.16 8.28 8.81 erbacea
21-ERBA MEDICA 7.11 5.96 0.84 1.11 7.90 8.26 erbacea
160-ERBA MEDICA 7.11 5.96 0.84 0.97 6.92 8.29 erbacea
20-ERBA MEDICA 7.11 5.96 0.84 1.30 9.27 12.01 erbacea
19-ERBA MEDICA 7.11 5.96 0.84 1.26 8.98 10.73 erbacea
18-ERBA MEDICA 7.11 5.96 0.84 1.18 8.41 9.23 erbacea
17-ERBA MEDICA 7.11 5.96 0.84 1.28 9.13 10.73 erbacea
16-ERBA MEDICA 7.11 5.96 0.84 1.23 8.77 9.85 erbacea
139-ERBA MEDICA 7.11 5.96 0.84 0.84 5.99 6.95 erbacea
147-ERBA MEDICA 7.11 5.96 0.84 0.69 4.89 6.24 erbacea
158-ERBA MEDICA 7.11 5.96 0.84 0.73 5.20 6.26 erbacea
159-ERBA MEDICA 7.11 5.96 0.84 0.86 6.13 6.96 erbacea
59-ERBA MEDICA 7.11 5.96 0.84 1.13 8.01 8.68 erbacea
101-GIRASOLE 7.11 4.70 0.66 0.70 5.00 4.92 erbacea
49-MAIS 7.11 7.44 1.05 0.45 3.18 3.06 erbacea
24-MAIS 7.11 7.44 1.05 0.45 3.18 2.78 erbacea
47-MAIS 7.11 7.44 1.05 0.44 3.12 2.81 erbacea
45-MAIS 7.11 7.44 1.05 0.40 2.82 2.44 erbacea
46-MAIS 7.11 7.44 1.05 0.49 3.47 3.23 erbacea
146-SORGO 7.11 6.83 0.96 1.07 7.59 8.53 erbacea
145-SORGO 7.11 6.83 0.96 0.81 5.77 6.92 erbacea
144-SORGO 7.11 6.83 0.96 0.75 5.32 6.43 erbacea
140-SORGO 7.11 6.83 0.96 0.69 4.89 6.03 erbacea
138-SORGO 7.11 6.83 0.96 0.88 6.29 7.16 erbacea
137-SORGO 7.11 6.83 0.96 0.74 5.26 6.14 erbacea
57-SORGO 7.11 6.83 0.96 1.04 7.41 7.09 erbacea
56-SORGO 7.11 6.83 0.96 0.99 7.03 6.68 erbacea
1-SUSINO 7.11 6.99 0.98 0.98 6.94 6.59 arborea
2-SUSINO 7.11 6.99 0.98 0.93 6.64 6.54 arborea
11-SUSINO 7.11 6.99 0.98 0.90 6.38 6.17 arborea
120-ALBICOCCO 7.11 6.88 0.97 0.94 6.71 6.87 arborea
118-ALBICOCCO 7.11 6.88 0.97 0.80 5.66 6.18 arborea
4-ALBICOCCO 7.11 6.88 0.97 0.90 6.41 6.22 arborea
108-ALBICOCCO 7.11 6.88 0.97 0.92 6.53 7.10 arborea
53-ALBICOCCO 7.11 6.88 0.97 0.88 6.23 5.87 arborea
83-ALBICOCCO 7.11 6.88 0.97 0.86 6.08 6.53 arborea
67-PERO 7.11 6.95 0.98 1.22 8.71 7.76 arborea
74
6-PERO 7.11 6.95 0.98 0.95 6.74 5.56 arborea
9-PERO 7.11 6.95 0.98 1.02 7.26 6.25 arborea
107-PESCO 7.11 6.99 0.98 1.03 7.30 8.58 arborea
109-PESCO 7.11 6.99 0.98 1.00 7.10 6.63 arborea
110-PESCO 7.11 6.99 0.98 0.87 6.17 5.94 arborea
50-PESCO 7.11 6.99 0.98 0.94 6.69 5.98 arborea
5-PESCO 7.11 6.99 0.98 0.98 6.97 6.01 arborea
3-PESCO 7.11 6.99 0.98 0.89 6.35 6.48 arborea
7-PESCO 7.11 6.99 0.98 1.02 7.24 6.91 arborea
60-PESCO 7.11 6.99 0.98 0.88 6.26 5.86 arborea
44-PESCO 7.11 6.99 0.98 0.87 6.17 6.15 arborea
119-PESCO 7.11 6.99 0.98 0.82 5.86 6.28 arborea
43-PESCO 7.11 6.99 0.98 1.13 8.05 7.12 arborea
122-PESCO 7.11 6.99 0.98 1.09 7.77 6.18 arborea
123-PESCO 7.11 6.99 0.98 0.91 6.50 6.32 arborea
42-PESCO 7.11 6.99 0.98 1.15 8.21 7.25 arborea
41-PESCO 7.11 6.99 0.98 1.12 7.96 7.40 arborea
154-PESCO 7.11 6.99 0.98 1.26 8.94 7.29 arborea
68-PESCO 7.11 6.99 0.98 1.09 7.77 6.78 arborea
32-PESCO 7.11 6.99 0.98 0.96 6.80 5.80 arborea
31-PESCO 7.11 6.99 0.98 1.04 7.38 6.50 arborea
130-PESCO 7.11 6.99 0.98 1.12 7.95 7.43 arborea
98-PESCO 7.11 6.99 0.98 0.90 6.38 6.29 arborea
97-PESCO 7.11 6.99 0.98 0.91 6.48 6.34 arborea
28-PESCO 7.11 6.99 0.98 1.09 7.72 6.73 arborea
26-PESCO 7.11 6.99 0.98 1.17 8.32 6.88 arborea
66-PESCO 7.11 6.99 0.98 1.08 7.71 6.86 arborea
8-PESCO 7.11 6.99 0.98 1.19 8.45 8.51 arborea
15-PESCO 7.11 6.99 0.98 1.12 7.96 7.52 arborea
141-PESCO 7.11 6.99 0.98 0.81 5.78 6.46 arborea
142-PESCO 7.11 6.99 0.98 1.11 7.92 7.12 arborea
143-PESCO 7.11 6.99 0.98 1.22 8.65 7.59 arborea
10-PESCO 7.11 6.99 0.98 1.04 7.37 7.65 arborea
148-PESCO 7.11 6.99 0.98 1.24 8.79 7.17 arborea
114-VITE 7.11 5.72 0.80 0.76 5.44 5.14 arborea
115-VITE 7.11 5.72 0.80 0.85 6.04 5.25 arborea
Tabella 5.5.9: Valori di ETc di ciascun campo ottenuti con CRITERIA (3acolonna), con il
metodo Kc-NDVI (6acolonna) e con l’approccio analitico (7
acolonna), per la data 20130819.
Coltura Media_ETc_Crit Media_ETc_Kc-NDVI Media_ETc_PM
BIETOLA 7.02 6.42 7.19
ERBA MEDICA 5.96 7.05 8.05
GIRASOLE 4.7 5.00 4.92
MAIS 7.44 3.15 2.87
SORGO 6.83 6.20 6.87
SUSINO 6.99 6.65 6.43
ALBICOCCO 6.88 6.27 6.46
PERO 6.95 7.57 6.52
PESCO 6.99 7.34 6.81
VITE 5.72 5.74 5.20
Tabella 5.5.10: Valori medi di ETc per ciascuna specie colturale ottenuti con CRITERIA
(2acolonna), con il metodo Kc-NDVI (3
acolonna) e con l’approccio analitico (4
acolonna), per la
data 20130819.
75
Sulla base delle tabelle 5.5.2, 5.5.4, 5.5.6, 5.5.8, 5.5.10 sono stati poi
costruiti una serie di grafici che mostrano l’evoluzione temporale dell’ETc
giornaliera, durante la stagione estiva dell’anno 2013, stimata attraverso:
CRITERIA, il metodo Kc-NDVI e l’approccio analitico.
In particolare, è stato costruito un grafico per ciascuna tipologia colturale
analizzata, per poter apprezzare, in maniera più immediata, il livello di
accuratezza raggiunto nella stima di ETc sulle diverse specie.
Si riportano ora i grafici ottenuti e, successivamente, si vanno ad
analizzare i risultati conseguiti.
Figura 5.5.3: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, il metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘BIETOLA’.
7.53 7.24
6.45
8.52
7.02 6.75 6.61
5.94
7.66
6.42
7.42
6.61
7.45
9.73
7.19
3
4
5
6
7
8
9
10
11
12
16
/06
/20
13
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
]
BIETOLA ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
76
Figura 5.5.4: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, il metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘ERBA MEDICA’.
Figura 5.5.5: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, i l metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘GIRASOLE’.
6.61 6.53
5.14
7.8
5.96
7.90 7.99
6.21
7.86
7.05
11.87
9.75
7.50
9.50
8.05
3
4
5
6
7
8
9
10
11
12 1
6/0
6/2
01
3
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
] ERBA MEDICA
ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
6.73 6.62
5.92
7.83
4.7
6.15
6.95
5.73
6.68
5.00
6.74 6.78 6.44
7.32
4.92
3
4
5
6
7
8
9
10
11
12
16
/06
/20
13
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
]
GIRASOLE ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
77
Figura 5.5.6: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, il metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘MAIS’.
Figura 5.5.7: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, il metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘SORGO’.
7.51 7.24
6.46
8.61
7.44 7.49
8.04
6.75
3.61 3.15
7.60
8.14 7.86
4.90
2.87 2.5
3.5
4.5
5.5
6.5
7.5
8.5
9.5
10.5
11.5
16
/06
/20
13
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
] MAIS
ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
6.73 6.62
5.92
7.89
6.83 6.65 6.82
5.48
7.60
6.20
7.79
7.14 6.63
9.36
6.87
2.5
3.5
4.5
5.5
6.5
7.5
8.5
9.5
10.5
11.5
16
/06
/20
13
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
]
SORGO ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
78
Figura 5.5.8: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, il metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘SUSINO’.
Figura 5.5.9: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, il metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘ALBICOCCO’.
6.9 6.63
5.92
7.92
6.99
7.54
6.16 5.79
7.74
6.65
7.75
5.63 6.02
8.37
6.43
2.5
3.5
4.5
5.5
6.5
7.5
8.5
9.5
10.5
11.5 1
6/0
6/2
01
3
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
]
SUSINO ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
6.8 6.53
5.83
7.8
6.88 6.43 6.30
5.72
7.57
6.27
7.36
6.08 6.50
8.57
6.46
2.5
3.5
4.5
5.5
6.5
7.5
8.5
9.5
10.5
11.5
16
/06
/20
13
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
]
ALBICOCCO ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
79
Figura 5.5.10: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, il metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘PERO’.
Figura 5.5.11: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, il metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘PESCO’.
6.84 6.59
5.88
7.87
6.95 6.98 7.06
6.37
8.31
7.57 7.04
5.77 6.15
8.05
6.52
2.5
3.5
4.5
5.5
6.5
7.5
8.5
9.5
10.5
11.5
16
/06
/20
13
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
] PERO
ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
6.9 6.63
5.92
7.92
6.99 6.59 6.80
6.02
8.17
7.34 6.92
6.08 6.28
8.54
6.81
2.5
3.5
4.5
5.5
6.5
7.5
8.5
9.5
10.5
11.5
16
/06
/20
13
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
]
PESCO ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
80
Figura 5.5.12: Confronto tra i valori giornalieri di ETc stimati attraverso CRITERIA, il metodo
Kc-NDVI e l’approccio analitico, per la specie colturale ‘VITE’.
Analizzando l’andamento temporale di ETc per le diverse tipologie di
colture, si può concludere che:
- La variabile ETc stimata con i due metodi presenta un’evoluzione
piuttosto simile e, nella maggior parte dei casi, approssima il
valore fornito dal modello con un ottimo livello di accuratezza.
- Il metodo Kc-NDVI fornisce valori di ETc più accurati rispetto a
quelli ottenuti con l’approccio analitico, in quanto la differenza in
valore assoluto tra i valori derivati da satellite e quelli estratti dal
modello è generalmente maggiore per l’approccio analitico.
- Entrambi i metodi restituiscono valori di ETc più veritieri per le
colture arboree, rispetto alle colture erbacee.
- Le tecniche che sfruttano le immagini satellitari per la stima
dell’evapotraspirazione permettono di cogliere delle peculiarità che
un modello, per quanto preciso possa essere, difficilmente può
apprezzare. Osservando, infatti, l’andamento temporale di ETc per
5.64 5.42
4.84
6.48
5.72 5.73 5.62 5.22
6.80
5.74 6.05
5.08 5.59
7.21
5.20
2.5
3.5
4.5
5.5
6.5
7.5
8.5
9.5
10.5
11.5 1
6/0
6/2
01
3
02
/07
/20
13
18
/07
/20
13
03
/08
/20
13
19
/08
/20
13
ETc
[mm
d-1
]
VITE ETc CRITERIA ETc metodo Kc-NDVI ETc approccio analitico
81
la coltura ‘MAIS’ si vede che in data 20130803 e in data 20130819
si ha uno scostamento importante tra il valore di ETc stimato da
entrambi i metodi e il valore fornito dal modello. Tale differenza,
però, non è dovuta ad errori nella stima di ETc da parte dei due
metodi, bensì al fatto che il mais tra la data 20130718 e la data
20130803 è stato raccolto, per cui è calato notevolmente il valore
di evapotraspirazione. Questo aspetto chiaramente può essere
colto solamente attraverso un’osservazione diretta della realtà
(immagini satellitari), cosa che un modello matematico come
CRITERIA non può fare.
La figura 5.5.13 riproduce due immagini satellitari a colori reali che
mostrano la situazione sui campi di mais (evidenziati in verde)
rispettivamente in data 20130718 e in data 20130803, ossia prima
e dopo la raccolta del mais.
Figura 5.5.13: Immagine satellitare della data 20130718 prima del la raccolta del mais (a
sinistra) e della data 20130803 dopo la raccolta del mais (a destra).
- I problemi di maggiore entità si sono verificati per la coltura ‘ERBA
MEDICA’. Osservando l’andamento temporale di ETc per tale
specie colturale si percepisce immediatamente che entrambi i
metodi mostrano un bassissimo livello di accuratezza e che,
82
inoltre, alcuni valori di ETc ottenuti con l’approccio analitico (11.87
mm d-1, 9.75 mm d-1 e 9.50 mm d-1) sono del tutto inaccettabili dal
punto di vista fisico. La quantità di energia radiante che giunge
sulla superficie terrestre, infatti, non consente di avere valori di
evapotraspirazione di riferimento maggiori di 6-8 mm al giorno.
Tale valore si può facilmente ottenere facendo un calcolo
approssimativo dell’energia radiante utile all’evapotraspirazione
per le giornate più lunghe dell’anno (attorno al solstizio d’estate).
In pratica, fuori dall’atmosfera arriva un quantitativo di energia
radiante pari a 1360 W/m2 dal Sole (costante solare). Applicando
alle sedici ore effettive di luce al solstizio d’estate metà della
costante solare (media approssimativa considerando zero energia
all’alba e un valore pari alla costante solare a mezzogiorno), e
integrando tale valore sulle sedici ore di luce, si ottengono circa 39
MJ/m2. Tenendo conto dell’attenuazione atmosferica questi 39
MJ/m2 diventano 29 MJ/m2 (riduzione di circa il 25%) e poi 23
MJ/m2 a causa dell’albedo (riduzione del 20%).
Se questi 23 MJ/m2 di energia radiante fossero utilizzati tutti per
l’evaporazione, allora questa potrebbe raggiungere anche valori di
9 mm/day (dividendo 23 MJ/m2 per 2.45 MJ/kg, che è il calore
latente di evaporazione, si ottengono circa 9.4 mm). Ma in verità
una parte non trascurabile della radiazione incidente, circa un
terzo, viene usata per il flusso di calore sensibile. Di qui i 6-7
mm/day di ET0 sopra citati, che possono diventare anche 8
mm/day in particolari condizioni climatiche (es. vento forte).
Ora siccome l’erba medica è sostanzialmente un prato, essa può
traspirare al massimo i 6-8 mm/day dettati dall’atmosfera
(ETc=ET0*Kc con Kc massimo per la medica pari a 1). Colture
come il mais, caratterizzate invece da un notevole sviluppo
fogliare verticale, possono arrivare anche a Kc pari a 1.2, che
significa valori di ETc massimi pari a 8.5-9 mm/day.
83
Gli errori commessi da entrambi i metodi nella stima di ETc per la
medica, in particolar modo per la data 20130616, dove il valore
stimato dall’approccio analitico si discosta dal valore del modello
di oltre il 70% di quest’ultimo, sono legati a problemi di
saturazione degli indici vegetazionali coinvolti.
Quando l’indice vegetazionale NDVI tende alla saturazione la
relazione 4.3.5 restituisce valori di Kc troppo elevati che,
conseguentemente, causano una sovrastima dei valori di ETc.
In maniera ancora più significativa, quando l’indice vegetazionale
WDVI tende alla saturazione, la relazione 4.2.2.2 fornisce valori di
LAI che arrivano addirittura a sfiorare punte di 24 (valore
fortemente discordante se si pensa che tale indice varia
normalmente tra 0 e 6). Dal momento che il LAI rientra all’interno
del calcolo di varie quantità (rc,min, ra, G) nella formula di Penman-
Monteith, questo porta alla stima di valori di ETc ancor più anomali
rispetto a quelli stimati per mezzo del metodo Kc-NDVI.
Problemi simili sono stati riscontrati, seppur in maniera minore,
anche per le specie colturali ‘BIETOLA’ e ‘SORGO’.
In figura 5.5.14 si riporta una visualizzazione della mappa di NDVI
relativa alla data 20130616, realizzata con la tecnica del ‘density
slicing’ e a cui è stata applicata una maschera che esclude tutti
quei pixel dell’immagine che non appartengono ai campi
selezionati.
I pixel di colore arancio e rosso rappresentano quei campi di erba
medica caratterizzati da valori di NDVI che tendono alla
saturazione e che determinano, come detto, delle sovrastime nei
valori di ETc.
Analogamente la figura 5.5.15 rappresenta una visualizzazione
della mappa del LAI relativa alla data 20130616, in cui i pixel di
colore bianco rappresentano quei valori anomali del LAI che
arrivano a toccare anche punte di 24.
84
Figura 5.5.14: Visualizzazione della mappa di NDVI relativa alla data 20130616, ottenuta con
la tecnica del ‘density slicing’.
Figura 5.5.15: Visualizzazione della mappa del LAI relativa alla data 20130616, ottenuta con la
tecnica del ‘density slicing’.
85
Infine, di seguito, si riportano le dieci mappe di ETc (o di fabbisogno
idrico delle colture CWR, ricordando la definizione al paragrafo 4.1.)
generate attraverso l’applicazione del metodo Kc-NDVI e dell’approccio
analitico alle cinque immagini satellitari acquisite. Tali mappe, utilizzate
per la creazione dei grafici sopra descritti, sono state ancora una volta
elaborate con la tecnica del ‘density slicing’, per avere una visione più
immediata e più leggibile del fenomeno evapotraspirativo. La palette di
colori scelta per la rappresentazione del fenomeno è quella che va dal
blu (bassi livelli evapotraspirativi) al rosso (alti livelli traspirativi).
In questo caso si è evitato di applicare la maschera già utilizzata sulle
mappe di NDVI e di LAI, per offrire un quadro di insieme più completo
del fenomeno sull’intera area di San Vittore.
Si ricorda che valori di ETc superiori a 9 mm/day sono da considerarsi
come frutto di errore delle metodologie applicate.
86
Figura 5.5.16: Mappa del fabbisogno idrico delle colture relativa alla data 20130616, generata
attraverso l’applicazione del metodo Kc -NDVI.
Figura 5.5.17: Mappa del fabbisogno idrico delle colture relativa alla data 20130616, generata
attraverso l’applicazione dell’approccio analitico.
87
Figura 5.5.18: Mappa del fabbisogno idrico delle colture relativa alla data 20130702, generata
attraverso l’applicazione del metodo Kc -NDVI.
Figura 5.5.19: Mappa del fabbisogno idrico delle colture re lativa alla data 20130702, generata
attraverso l’applicazione dell’approccio analitico.
88
Figura 5.5.20: Mappa del fabbisogno idrico delle colture relativa alla data 20130718, generata
attraverso l’applicazione del metodo Kc -NDVI.
Figura 5.5.21: Mappa del fabbisogno idrico delle colture relativa alla data 20130718, generata
attraverso l’applicazione dell’approccio analitico.
89
Figura 5.5.22: Mappa del fabbisogno idrico delle colture relativa alla data 20130803, generata
attraverso l’applicazione del metodo Kc-NDVI.
Figura 5.5.23: Mappa del fabbisogno idrico delle colture relativa alla data 20130803, generata
attraverso l’applicazione dell’approccio analitico.
90
Figura 5.5.24: Mappa del fabbisogno idrico delle colture relativa alla data 20130819, generata
attraverso l’applicazione del metodo Kc -NDVI.
Figura 5.5.25: Mappa del fabbisogno idrico delle colture relativa alla data 20130819, generata
attraverso l’applicazione dell’approccio analitico.
91
6. Conclusioni
Lo studio condotto sui terreni agricoli dell’area di San Vittore ha
confermato che il fabbisogno idrico delle colture (CWR) può essere
stimato con un’accuratezza soddisfacente utilizzando due algoritmi semi -
empirici, che sfruttano immagini satellitari multispettrali e che non
richiedono una preventiva classificazione delle colture.
Il primo (metodo Kc-NDVI) mira a valutare lo stato fenologico delle
piante attraverso il coefficiente colturale Kc, il secondo (approccio
analitico), invece, ha come obiettivo il recupero di variabili biofisiche
della chioma della vegetazione, quali l’albedo della superficie (r), l’indice
di area fogliare (LAI) e l’altezza delle colture (hc).
La distribuzione spaziale delle variabili Kc, r, LAI e hc, ottenuta
dall’elaborazione delle immagini satellitari acquisite per l’area di studio,
è stata utilizzata, in combinazione con i dati metereologici forniti da
ARPA-SIMC, per la mappatura dell’evapotraspirazione massima delle
colture (ETc).
Mettendo a confronto i risultati ottenuti dall’applicazione di entrambe le
metodologie con i valori provenienti dal modello CRITERIA, si può
concludere che il metodo Kc-NDVI e l’approccio analitico forniscono
valori medi di ETc piuttosto simili tra loro e altresì coerenti con quelli
provenienti dal modello. Il metodo Kc-NDVI risulta però più semplice ed
immediato rispetto all’approccio analitico ed in più produce risultati
leggermente più accurati, grazie ad una minor sensibilità dell’indice
vegetazionale NDVI all’effetto di saturazione dei pixel.
Entrambi i metodi sono comunque rapidamente e facilmente applicabili a
grandi insiemi di dati e, per questo, risultano particolarmente adatti allo
sviluppo di applicazioni operative in tempo reale per la gestione delle
risorse irrigue.
Ricordando la relazione 4.1.1., che definisce il fabbisogno idrico per
l’irrigazione (IWR) come differenza tra il fabbisogno idrico delle colture
92
(CWR) e la pioggia netta (Pn), è evidente che le mappe di CWR
costituiscono un importante strumento informativo sulla distribuzione
spaziale e temporale della domanda d’acqua e potrebbero diventare, nel
breve futuro, l’elemento imprescindibile per l’attuazione di criteri di
distribuzione dell’acqua in agricoltura più efficienti.
Integrando, infatti, fra loro strumenti quali mappe di CWR
georeferenziate, software GIS e software per la gestione di grandi archivi
di dati, è oggi pensabile lo sviluppo di ‘sistemi di supporto alle decisioni’
nella gestione di un comprensorio irriguo, basati sull’impiego di immagini
satellitari.
Un esempio affermato di sistema di supporto all’irrigazione nel panorama
nazionale italiano è oggi rappresentato dal servizio IRRISAT della
regione Campania, messo a punto dall’Università di Napoli Federico II.
Il servizio, rivolto alle aziende agricole e ai gestori delle risorse idriche, è
in grado di fornire in tempo reale il quantitativo massimo di acqua da
utilizzare per irrigare (consiglio irriguo), stimato grazie all’applicazione
delle metodologie descritte nel presente lavoro di tesi su immagini
satellitari ad alta risoluzione.
Entro poche ore dall’acquisizione di quest’ultime, l’informazione può già
essere distribuita agli utenti finali attraverso l’uso della telefonia cellulare
(SMS o MMS) e di Internet (e-mail e pagine dedicate Web-GIS).
Servizi come questi sono esempi straordinari di agricoltura di precisione,
che permettono oggi di far risparmiare notevolissimi volumi d’acqua per
uso irriguo (si parla di un 20-30% dell’acqua attualmente utilizzata).
Se nel futuro si andrà avanti in questa direzione, e lo sviluppo odierno di
tecnologie sempre più avanzate e a minor costo fanno ben sperare in tal
senso, si potranno ottenere risultati importanti nella salvaguardia
quantitativa della risorsa idrica, obiettivo diventato ormai prioritario per le
politiche europee e mondiali.
Tuttavia, se da un lato può apparire che l’implementazione di un sistema
così innovativo sia praticabile dal punto di vista scientifico e della catena
di processing, è lecito chiedersi anche a quali problematiche operative si
93
possa andare incontro nel predisporre un servizio di assistenza irrigua
basato principalmente sull’uso di dati satellitari.
Un problema chiave è certamente quello dell’approvvigionamento dei
dati. Infatti, seppure il trend in corso sia quello di una disponibilità
sempre più ampia sul mercato di piattaforme satellitari per l’osservazione
della Terra, dotate di sensori che generano immagini a risoluzioni
spaziali, radiometriche, spettrali e temporali ogni giorno più spinte,
rimane lo scoglio rappresentato, nella maggior parte dei casi, dal costo
esorbitante delle immagini fornite dai provider che operano in ambito
commerciale.
Attualmente il Landsat 8 è l’unica piattaforma - con sensore
multispettrale e risoluzione geometrica accettabile per gli scopi di questo
lavoro - che rende disponibile i propri prodotti gratuitamente ed in tempi
brevi (i dati sono scaricabili entro 24h dall’acquisizione). Per l’aprile
2015 è previsto il lancio del primo dei due satelliti Sentinel -2 da parte
dell’Agenzia Spaziale Europea; per quest’ultima missione, una volta
operativa, occorrerà tuttavia verificare le effettive politiche di
distribuzione dei dati, che vengono comunque dichiarati ad accesso
libero.
D’altra parte, poter disporre di immagini provenienti da piattaforme
differenti, che presentino uno shift temporale per quanto riguarda
l’acquisizione dei dati, sarebbe di fondamentale importanza per poter
colmare eventuali gap temporali dovuti a coperture nuvolose del territorio
osservato. Come è noto, infatti, le immagini ottiche non consentono, a
differenza di quelle radar, di ignorare il contenuto nuvoloso della scena
ripresa e questo, inevitabilmente, determina la perdita di informazioni per
le aree ricoperte. Questo, in un servizio di assistenza all ’irrigazione
basato sull’uso di immagini satellitari, significherebbe l’impossibilità di
assicurare la fornitura di un consiglio irriguo in maniera affidabile e
continua nel tempo.
Inoltre, l’interoperabilità di dati satellitari provenienti da diverse
piattaforme garantirebbe un servizio basato su stime più accurate dei
94
volumi d’acqua da utilizzare per l’irrigazione, per il semplice motivo che
sarebbe possibile effettuare più frequentemente il calcolo dei fabbisogni
idrici delle colture.
Sarebbe in ogni caso opportuno valutare, nella realizzazione di un
servizio di questo tipo basato principalmente sul dato satellitare, la
possibilità di soluzioni alternative qualora la fonte di dati consueta fosse
per qualche motivo inaccessibile o inutilizzabile.
95
Bibliografia
Akdim N., Alfieri S. M., Habib A., Choukri A., Cheruiyot E., Labbassi K.,
Menenti M., (2014), Monitoring of irrigation schemes by remote sensing:
phenology versus retrieval of biophysical variables. Remote Sens., 6,
5815-5851.
Allen R. G., Pereira L. S., Raes D., Smith M., (1998), Crop
evapotranspiration – Guidelines for computing crop water requirements –
FAO Irrigation and drainage paper 56. Disponibile online:
http://www.engr.scu.edu/~emaurer/classes/ceng140_watres/handouts/FA
O_56_Evapotranspiration.pdf (consultato il 5 Gennaio 2015).
Bausch W.C., Neale C.M.U., (1987), Crop coefficients derived from
reflected canopy radiation: a concept. Transactions American Soc. Agric.
Engin., 30, 703-709.
Bausch W.C., (1995), Remote sensing of crop coefficients for improving
the irrigation scheduling of corn. Agric. Water Manag., 27, 55-68.
Calera A., Osann A., Cuesta A., Montoro Rodrìguez A., Lòpez Fuster P.,
(2005), Irrigation management from space: Towards user-friendly
products. Irrigation and Drainage Systems, 19, 337-353.
Clevers J.G.P.W., (1989), The application of a weighted infrared-red
vegetation index for estimation leaf area index by correcting for soil
moisture. Remote Sens. Environ., 29, 25-37.
D’Urso G., Palladino M., (2007), L’impiego di sensori ottici satellitari per
la stima dei fabbisogni irrigui. Atti Progetto AQUATER, 101-110.
96
D’Urso G., (2010), Current Status and Perspectives for the Estimation of
Crop Water Requirements from Earth Observation. Ital. J. Agron., 5, 107-
120.
Fiori M., (2014), I fabbisogni idrici colturali determinati nel settenn io
1995-2001 secondo la metodologia FAO. Disponibile online:
http://www.sar.sardegna.it/pubblicazioni/notetecniche/nota4/pag013.asp
(consultato il 12 Gennaio 2015).
Mannini P., (2004), Le buone pratiche agricole per risparmiare acqua. I
supplementi di Agricoltura, 18.
Nino P., Lupia F., Vanino S., Vuolo F., (2009), Un uso sostenibile delle
risorse idriche con dati telerilevati e software Open Source. GEOMEDIA,
4, 34-36.
Nino P., (2013), Telerilevamento dei fabbisogni irrigui: il progetto
SIRIUS. Territori, 17, 6-11.
Vuolo F., Neugebauer N., Bolognesi S. F., Atzberger C., D’Urso G.,
(2013), Estimation of leaf area index using DEIMOS-1 data: application
and transferability of a semi-empirical relationship between two
agricultural areas. Remote Sens., 5, 1274-1291.