agro-ambientali - aquater.entecra.itaquater.entecra.it/atti_aquater/pdf/atti aquater_...
Post on 16-Feb-2019
213 Views
Preview:
TRANSCRIPT
Atti Progetto AQUATER, Bari, 31 ottobre 2007, 83-100
APPORTO DEL TELERILEVAMENTO PER IL MONITORAGGIO DEI PARAMETRI
AGRO-AMBIENTALI
Giuseppe Satalino, Francesco Mattia, Anna Balenzano, Guido Pasquariello
Consiglio Nazionale delle Ricerche. Istituto di Studi sui Sistemi Intelligenti per l’Automazione, Bari
Introduzione
In questo capitolo sarà illustrata l’attività di ricerca basata sull’utilizzo del telerilevamento
per il monitoraggio dei parametri agro-ambientali, in corso di svolgimento nell’ambito del
progetto AQUATER.
Nelle prossime pagine saranno presentati sia i dati telerilevati acquisiti nella zona del
Tavoliere, in coincidenza con la campagna di misura effettuata nel 2006 nei vari siti
sperimentali del progetto, sia le tecniche e le elaborazioni effettuate sui dati telerilevati.
Inoltre, saranno illustrati alcuni risultati ottenuti, in termini di mappe di parametri geofisici
estratti dai dati satellitari. In particolare, saranno presentate le seguenti mappe:
� una mappa di uso del suolo, con la stima della distribuzione delle colture di
interesse, derivata da una classificazione supervisionata di immagini telerilevate
acquisite nel range del visibile-vicino infrarosso (VIS-NIR);
� mappe multitemporali di Normalized Difference Vegetation Index (NDVI),
ottenute dalle immagini VIS-NIR;
� una mappa di copertura del grano, derivata dal processamento di immagini radar
ad apertura sintetica (SAR), cioè immagini radar acquisite nel range delle
microonde;
� mappe multitemporali di umidità del suolo, ottenute da dati SAR; � mappe multitemporali di contenuto d’acqua del grano, ricavate da dati SAR.
Siti sperimentali monitorati durante la campagna di misure - Foggia 2006
Le colture e le aziende che sono state monitorate nella campagna di misure in situ
realizzata nel 2006 nella zona del Tavoliere, in provincia di Foggia, sono riassunte come
segue:
� Tipo colture di interesse: 3, ovvero Grano, Barbabietola, Pomodoro;
� Nomi aziende agricole: 6, ovvero Forte, De Lucretis, D’Amico, Mazzilli, Carafa,
Segezia;
� Numero campi sperimentali selezionati: 12, di cui 4 di Grano (33 ha), 5 di
Barbabietola (32 ha), 3 di Pomodoro (27 ha).
La tipologia delle colture nei campi sperimentali è riportata in tabella 1.
84
Tabella 1. Tipologia delle colture nei campi sperimentali monitorati durante la campagna Foggia 2006.
COLTURE
AZIENDA Grano Barbabietola Pomodoro
Forte - Si -
De Lucretis Si Si Si
D’Amico - Si Si
Mazzilli Si Si Si
Carafa Si Si -
Segezia Si - -
La figura 1 mostra l’immagine SPOT-5 del 26/05/2006 con la localizzazione delle zone
di interesse ove si trovano i campi sperimentali. Le immagini SPOT-5 sono acquisite nel
range del visibile e vicino infrarosso. In figura è rappresentata la composizione in falso
colore che ne deriva. L’estensione del rettangolo è di circa 18 km x 41 km = 736 km2.
La figura 2 evidenzia invece alcuni dettagli della stessa immagine SPOT-5 intorno alle
aziende De Lucretis e D’Amico-Mazzilli.
Figura 1. Immagine SPOT-5 del 26/05/2006 con la localizzazione delle zone di interesse ove si trovano i
campi sperimentali. Estensione rettangolo: circa 18 km x 41 km = 736 km2.
85
Figura 2. Dettagli dell’immagine SPOT-5 del 26/05/2006 intorno alle aziende De Lucretis e D’Amico-
Mazzilli. Barbabietola in verde, grano in giallo, pomodoro in rosso.
Mappa di uso del suolo
La mappa di uso del suolo è stata prodotta tramite una classificazione supervisionata di
immagini multibanda e multitemporali acquisite dal sensore a bordo di SPOT-5 e -4:
Risoluzione spaziale
Banda SPOT–5 SPOT-4
B1 verde (0.50-0.59 µm) 10 m 20 m
B2 rosso (0.61-0.68 µm) 10 m 20 m
B3 NIR (0.78-0.89 µm) 10 m 20 m
B4 SWIR (1.58-1.75 µm) 20 m 20 m
L’utilizzo di dati multitemporali permette di migliorare l’accuratezza della
classificazione, poiché sfrutta le differenze dei dati acquisiti nel VIS-NIR dovute ai diversi
stati fenologici in cui si trovano le varie colture al suolo. In particolare, le immagini SPOT
utilizzate in questo studio sono state acquisite nelle date: 26/05/2006 (SPOT-5),
01/07/2006 (SPOT-4), 31/07/2006 (SPOT-5), periodo in cui le colture di interesse, cioè
grano, pomodoro e barbabietola, si presentano in fasi fenologiche differenti. Prima di
essere impiegate nella classificazione, le immagini sono state coregistrate e georefenziate.
Il lavoro di classificazione è stato svolto in due fasi: 1) individuazione delle Regioni
di Interesse (ROI) sulle immagini corrispondenti alle classi principali di suolo;
2) classificazione supervisionata dei dati SPOT sulla base delle ROI selezionate.
A riguardo del primo punto, l’individuazione delle ROI sulle immagini è stata
effettuata con una procedura supervisionata sia sulla base di informazioni raccolte durante
la campagna di misure sperimentali, mediante rilievi fotografici sul campo ed acquisizioni
GPS, sia tramite l’ausilio di dati cartografici relativi alla distribuzione delle colture del
2006, compilati dal Consorzio per la Bonifica della Capitanata. Le estensioni delle ROI
selezionate per il training ed il test della classificazione sono le seguenti:
Dati di Training: Grano (340 ha), Barbabietola (96 ha), Pomodoro (120 ha).
Dati di Test: Grano (290 ha), Barbabietola (34 ha), Pomodoro ( 78 ha).
86
Per ottenere una classificazione più accurata, sono state selezionate anche delle ROI
relative ad altre colture e/o classi di suolo maggiormente presenti nella zona. In totale, le
classi principali selezionate ed individuate sulle immagini sono 6, ovvero: Grano,
Barbabietola, Pomodoro, Vigneto, Olivo, Suolo nudo o scarsamente vegetato. Inoltre, sono
state identificate anche altre colture e/o classi di suolo presenti nella zona in misura
minoritaria, con l’intento di classificarle e mascherarle. Esse sono: urbano e/o
infrastrutture, bosco, ortivo (asparago, broccoletto, cipolle), nuvole e/o ombre, vegetazione
spontanea e/o incolto.
Con l’utilizzo delle ROI sopra definite, è stata conseguentemente effettuata la
classificazione multitemporale delle immagini SPOT mediante l’algoritmo di
classificazione supervisionato Maximum Likelihood.
I risultati della classificazione ottenuti per le classi di interesse sono i seguenti:
Training: Grano, Barbabietola, Pomodoro: circa 98% di accuratezza.
Test: Grano, Barbabietola, Pomodoro: circa 97% di accuratezza.
La figura 3 mostra alcuni dettagli della classificazione intorno alle aziende De
Lucretis e D’Amico-Mazzilli. La figura 4 mostra invece l’immagine classificata della zona
di interesse ottenuta dai dati SPOT multitemporali, con la relativa legenda delle classi. La
risoluzione spaziale di questa mappa è di 10 m, tuttavia essa è stata ottenuta classificando
pixel provenienti da bande a diversa risoluzione spaziale, cioè pixel con risoluzione di 10
m e 20 m, per cui la risoluzione effettiva è di 20 m.
Una stima delle estensioni delle varie colture/classi di suolo ottenute dall’immagine
classificata, è la seguente:
- Grano (48%)
- Barbabietola (3%)
- Pomodoro (7%)
- Vigneto (8%)
- Olivo (5%)
- Suolo nudo o scarsam. veget. (4%)
- Aree classi mascherate (urbano ed altri classi minori): circa 25%
Figura 3. Dettagli dell’immagine classificata intorno alle aziende De Lucretis e D’Amico-Mazzilli.
87
Figura 4. Immagine classificata ottenuta dai dati SPOT multitemporali, campagna 2006. Le due aree urbane
rappresentano le città di Foggia (in basso a destra) e San Severo (in altro a sinistra).
88
Mappe di Normalized Difference Vegetation Index (NDVI)
Le mappe di NDVI sono state derivate dai dati SPOT utilizzando le riflettanze delle bande
nel vicino infrarosso (NIR) e del Rosso (R), che sono rappresentate dalle bande 3 e 2 (B3
nel range 0.78-0.89 µm e B2 nel range 0.61-0.68 µm). Il valore di NDVI, ottenuto
dall’equazione:
NDVI = (NIR – R) / (NIR + R)
è compreso tra -1 and +1. In particolare, NDVI assume valori inferiori a 0 per l’acqua,
poco superiori a 0 per i suoli e valori positivi per la vegetazione, in genere fino a 0.8 per
vegetazioni molto dense. Questo indice è correlato alla vegetazione, poiché la presenza di
clorofilla nelle foglie provoca un’alta riflessione della radiazione incidente nella regione
del NIR ed un assorbimento in quella del Rosso. Di conseguenza, maggiore è il volume
della vegetazione, più alto è il valore NDVI.
In figura 5 sono mostrate alcune mappe di NDVI, in scala di colore verde, relative
alla coltura grano (in data 26/05/2006), alla coltura barbabietola (in data 26/05/2006) e alla
coltura pomodoro (in data 31/07/2006). La risoluzione spaziale di queste mappe è di 10 m,
poiché esse sono state ottenute dalle bande SPOT B2 e B3, entrambe a risoluzione di 10 m.
Figura 5. Mappe di NDVI relative alla coltura grano (in data 26/05/2006), alla coltura barbabietola (in data
26/05/2006) ed alla coltura pomodoro (in data 31/07/2006).
NDVI scale 0 0.7
89
Mappa di copertura del grano derivata da immagini SAR
La mappa di copertura del grano che sarà mostrata in questa sezione, è stata derivata dalle
immagini SAR mediante un opportuno processamento dei dati (Satalino et al., 2007).
Infatti, i dati SAR possono discriminare il grano dalle altre colture/classi di suolo presenti
in una zona e per questo scopo essi rappresentano una valida alternativa ai dati satellitari
acquisiti nel VIS-NIR, avendo anche la caratteristica di non essere affetti da inconvenienti
di acquisizione dovuti alla copertura nuvolosa.
Il metodo si basa su studi precedenti, ove è già stata attestata la correlazione tra i dati
SAR multipolarizzati (HH,VV), in particolare tra il rapporto delle polarizzazioni HH/VV
acquisiti in banda C ed ad un alto angolo di incidenza (di circa 40°), e la biomassa fresca
del grano (Mattia et al., 2003). La figura 6 riporta l’andamento temporale del rapporto
(misurato con uno scatterometro) insieme a quello della biomassa fresca del grano,
ottenuto su un campo sperimentale sul sito di Matera nel 2001. Si può notare come
l’andamento del rapporto è fortemente correlato a quello della biomassa del grano durante i
vari stati fenologici fino alla maturazione, oltre la quale le curve decrescono rapidamente
poiché il grano diventa secco. E’ importante notare che tale relazione sussiste nel caso di
colture cerealicole, le quali presentano una marcata struttura verticale che determina
un’attenuazione della polarizzazione VV molto maggiore di quella HH. Altre colture
caratterizzate da uno sviluppo più ramificato, come il pomodoro, o da foglie larghe, come
la barbabietola, non presentano lo stesso comportamento.
Figura 6. Andamento temporale di HH/VV (acquisito da uno scatterometro) e di biomassa fresca misurati su
un campo sperimentale di grano, campagna Matera 2001 (Mattia et al., 2003).
90
I dati SAR utilizzati in questo studio sono stati estratti dalla serie temporale di
immagini ASAR AP Single look complex (APS), in banda C e ad alti angoli di incidenza,
riportata in tabella 2.
Tabella 2. Sequenza temporale dati ASAR AP (swath I5-I7) acquisiti durante la campagna Foggia 2006.
DoY* Data Swath Pol Tipo
63 04/03/2006 I7 HH/VV AP
82 23/03/2006 I6 HH/VV AP
117 27/04/2006 I6 HH/VV AP
133 13/05/2006 I7 HH/VV AP
136 16/05/2006 I5 HH/VV AP
152 01/06/2006 I6 HH/VV AP
168 17/06/2006 I7 HH/VV AP *DoY (Day of Year).
Il metodo seguito per ottenere la mappa di grano consiste:
a) nell’uso della serie temporale del rapporto tra backscattering ASAR HH/VV
acquisiti ad alti angoli di incidenza (swath I5/I7);
b) in operazioni di media dei backscattering a scala di campo e stima della soglia
ottimale che separi le classi di grano - non grano; nell’utilizzo della mappa di uso
del suolo derivata da SPOT per verificare l’accuratezza del metodo. Dalla
sequenza riportata in tabella 2 ed in corrispondenza dei campi relativi alle diverse
colture/classi di suolo presenti nella zona di Foggia, sono stati estratti gli andamenti
caratteristici di <HH>/<VV> ad n look, cioè una stima del rapporto del coefficiente di
backscattering tra la polarizzazione HH e VV mediato su un numero n di celle di
risoluzione. Un esempio dell’andamento temporale del rapporto su un campo sperimentale
coltivato a grano e della biomassa corrispondente è mostrata in figura 7.
Figura 7. Andamento temporale di <HH>/<VV> e di biomassa fresca misurati sul campo sperimentale
coltivato a grano di Segezia, campagna Foggia 2006.
91
La variabile R = <HH>/<VV> egue una distribuzione di probabilità nota (vedi
Oliver e Quegan, 2000), caratterizzata da un parametro γ (stimato tramite una media
spaziale su zone a terra omogenee, γ = <HH>/<VV>), da una media ed una deviazione
standard.
La figura 8 illustra l’andamento multitemporale di γ per le diverse colture di interesse
sui campi di Foggia, campagna 2006. Dalla figura si può notare come questa variabile
mostra un andamento differente per il grano in verde rispetto alle altre colture in rosso.
Esiste pertanto un valore di soglia che può essere utilizzato per effettuare la separazione tra
le classi.
La capacità che la variabile R ha nel discriminare il grano dalle altre classi di
interesse dipende sia dalla distanza tra le medie di R, che dalle deviazioni standard
corrispondenti. La capacità di separazione aumenta con l’aumentare della distanza tra le
medie (o anche tra la distanza tra i parametri γ), oppure aumenta con il diminuire delle
deviazioni standard corrispondenti. Dalla figura si evince come le distanze relative tra il
grano e le altre colture aumentano lungo l’asse del tempo, fino al DoY 136, quando per il
grano si ha un picco dell’andamento di R, che coincide con la fase di spigatura (heading).
Da notare che nel DoY 152 c’è un evento piovoso.
Figura 8. Andamento multitemporale di γ = <HH>/<VV> per le diverse colture di interesse sui campi di
Foggia, campagna 2006.
La figura 9 riporta gli andamenti che si ottengono dopo una operazione di fusione
delle varie colture/tipi di suolo in 2 classi, ovvero classe grano e classe non-grano. In
figura sono anche riportate le distanze tra i parametri γ relative alle 2 classi ed è stato
evidenziato il periodo temporale per il quale è stato valutato l’errore di classificazione.
L’errore di classificazione è stato valutato sulla base della soglia ottimale stimata.
Per soglia ottimale si intende quella che si ricava applicando la regola Bayesiana di
decisione, la quale stabilisce, utilizzando le distribuzioni di probabilità dei dati (che devono
essere note), che la soglia migliore è quella che minimizza l’errore di classificazione.
Rain at doy 152
92
Figura 9. Andamento multitemporale di γ per le classi grano (verde) e non-grano (rosso) sui campi di
Foggia, campagna 2006.
Poiché l’errore dipende dalla deviazione standard dei dati SAR, ci si può attendere
che questo errore venga ridotto da operazioni di media spaziale. In figura 10 si può
osservare il risultato ottenuto da un’operazione di media spaziale effettuata con una
finestra di ampiezza 13x13 pixel, per i dati acquisiti nel giorno DoY 136. Nella medesima
figura è anche riportata la soglia ottimale identificata mediante le corrispondenti
distribuzioni di probabilità condizionate, pesate per le probabilità a priori delle classi.
Nella figura è anche riportato il numero di look equivalente (ENL=Estimated Number of
Look) stimato dopo le operazioni di media. Il numero ENL aumenta all’aumentare delle
dimensioni della finestra usata per la media spaziale.
Figura 10. Istogramma di R (in tratteggio) relative alle classi grano (verde) e non-grano (rosso) e
corrispondenti distribuzioni di probabilità condizionate, pesate per la probabilità a priori;
media spaziale dei dati su finestra 13x13 pixel; dati campagna Foggia 2006.
Rain at doy 152
Evaluation of classification errorEvaluation of classification error
93
Le curve delle probabilità di errore che si ottengono nel separare la classe grano dalla
classe non-grano, per ogni DoY ed al variare del numero di ENL (cioè al variare del
numero dei pixel usato per mediare), sono mostrate in figura 11. Si può notare come nel
giorno DoY 136, vicino al picco di maturazione del grano, gli errori sono più bassi. Un
numero ENL di 28 permette di ottenere un errore minore del 15%, per i dati acquisiti dal
DoY 117 al DoY 152. Nel giorno 136 l’errore si riduce al 10%.
Figura 11. Probabilità di errore nel separare la classe grano da quella non-grano al variare del numero
stimato di look (ENL).
Tuttavia, le operazioni di media spaziale effettuate con finestre ad ampiezze
crescente introducono dei problemi, che sono la diminuzione della risoluzione spaziale da
una parte e l’introduzione di pixel misti, appartenenti cioè a diversi tipi di suolo, dall’altra.
Per ovviare a questi inconvenienti, il modo migliore è quello di mediare per campo.
Questa metodologia può essere attuata grazie all’uso sinergico dei dati SPOT. Infatti, in
questo caso l’informazione sui limiti spaziali dei campi è stato derivato dal classificato
ottenuto nel 2006. Tuttavia, potrebbe essere derivato anche da classificazioni non
necessariamente coincidenti in termini di date temporali, poiché si può supporre che le
estensioni dei campi rimangano costanti nel tempo, sebbene le colture di ogni campo a
rotazione possano cambiare di anno in anno, salvo casi di terreni che possono essere
frazionati con coltivazioni differenti. Applicando questa metodologia, si ottiene un
miglioramento complessivo nel classificare il grano rispetto alla classe non-grano con i dati
SAR.
L’andamento della percentuale di corretta classificazione al variare di ENL, valutato
su un insieme di campi rappresentativi delle classi grano e non-grano è mostrato in figura
12. La percentuale va dal 85% al 90% circa, usando i dati SAR acquisiti nei vari giorni di
crescita del grano (DoY da 177 a 152) e mediati con finestre ad ampiezza variabile (ENL
fino a 28), ma si può arrivare fino al 96% se si media a scala di campo (ENL > 60).
L’andamento della percentuale di corretta classificazione al variare di ENL, valutato
rispetto alla classificata SPOT 2006, è invece illustrato in figura 13. Le percentuali sono
più basse rispetto al caso precedente, poiché sono state calcolate su una zona molto vasta e
dove ci sono differenti contributi di errore, dovuti ad esempio a fasi di maturazione del
grano leggermente differenti, casi di campi coltivati ad avena (che sono simili al grano ma
che hanno un fase di maturazione più precoce), ecc.. In questo caso, mediare per campo i
Prob(err)=0.15Prob(err)=0.15
94
dati SAR acquisiti nel periodo di osservazione dal DoY 117 al DoY 152, assicura
comunque una percentuale di corretta classificazione che arriva fino all’85%.
Figura 12. Percentuale di corretta classificazione al variare di ENL, valutato su un insieme di campi
rappresentativi delle classi grano e non-grano.
Figura 13. Percentuale di corretta classificazione al variare di ENL, valutato rispetto alla classificata SPOT
2006.
La mappa di classificazione del grano ottenuta dai dati SAR (al DoY 136) mediati
per campo e la corrispondente mappa ottenuta dai dati SPOT 2006, sono mostrate in figura
14. Un dettaglio della mappa di grano corrispondente all’azienda Forte è illustrato in figura
15. Si può notare come l’operazione di media dei dati SAR a scala di campo produce una
mappa molto simile rispetto a quella ottenuta da dati VIS-NIR, poiché grazie ai contorni
dei campi ottenuti dal classificato SPOT, è possibile conservare i dettagli e le estensioni
dei campi sull’immagine SAR classificata, nonostante essa abbia una risoluzione spaziale
inferiore a quella della SPOT.
OA%=85OA%=85
OA%=85OA%=85
95
Figura 14. Mappa di classificazione del grano ottenuta dai dati SAR (al DoY 136) mediati per campo
(a sinistra) e corrispondente mappa ottenuta dai dati SPOT 2006 (a destra).
Figura 15. Dettagli della mappa di classificazione del grano ottenuta dai dati SAR (DoY 136) mediati per
campo (a sinistra) e corrispondente mappa ottenuta dai dati SPOT 2006 (al centro) sull’azienda
Forte e dettaglio del classificato da SPOT 2006 (a destra).
96
Mappe di umidità del suolo e di contenuto d’acqua del grano da dati SAR
Le mappe di umidità del suolo (mv) e del contenuto d’acqua del grano (VWC) sono state
ricavate da serie temporali di dati ASAR, polarizzazione VV, acquisiti a bassi angoli di
incidenza.
La sensibilità del dato radar all’umidità dei suoli e del contenuto d’acqua della
vegetazione è stata dimostrata in diversi studi di letteratura (Ulaby et al., 1986). Infatti il
segnale SAR dipende dalle proprietà dielettriche e geometriche delle superfici, oltre che
dai parametri del sistema di acquisizione (frequenza, angolo d’incidenza, polarizzazione,
risoluzione spaziale e radiometrica, ecc.). D’altra parte, le proprietà dielettriche dei suoli o
della vegetazione dipendono principalmente dal contenuto in acqua.
Il metodo di processamento seguito per stimare i parametri mv e VWC consiste
nell’inversione di un modello semi-empirico di backscattering, che approssima la risposta
radar di una superficie vegetata a grano come il backscattering del suolo attenuato di un
certo fattore (Mattia et al., 2007). Il modello che simula il backscatting di superfici nude è
l’Integral Equation Method (IEM) (Fung et al., 1994), che richiede come parametri di
input, la rugosità del suolo (in termini di standard deviation delle altezze di un profilo e
lunghezza di correlazione) e la costante dielettrica del suolo. Il metodo di inversione è
realizzato con una tecnica di minimizzazione vincolata che incorpora informazione a priori
sullo stato iniziale di alcuni parametri (Mattia et al., 2006). Per l’umidità del suolo,
l’informazione a priori può provenire da alcuni dati a terra disponibili. Per il contenuto
d’acqua del grano, esso può essere ricavato dal rapporto HH/VV dei dati di backscatter
ASAR ad alti angoli di incidenza (per valori di biomassa fresca inferiore a 2.0 Kg/m2) dato
che, come visto nella parte precedente, questo tipo di dati radar mostrano una sensibilità
alla biomassa fresca del grano.
In figura 16 è mostrata una simulazione della risposta radar sul campo di De
Lucretis, insieme ai dati ASAR VV. Nella stessa figura sono mostrati anche gli andamenti
temporali dei dati sperimentali di VWC ed i valori di precipitazione. Si può notare che
l’andamento dei dati simulati riflette quelli dei dati acquisiti da satellite, al variare delle
condizioni di umidità del suolo (dovute alle precipitazioni) e della VWC, dovuta alla
crescita del grano. Lo scarto tra i dati radar simulati e da satellite, con un valore di rms pari
a 1.1 dB, risulta essere accettabile poiché è un valore vicino all’incertezza della misura ed
all’errore di modello.
La stima dei parametri geofisici tramite lo schema di inversione dei dati radar è stato
applicato sui dati ASAR a bassi angoli di incidenza, elencati nella tabella 3.
*DoY (Day of Year).
Tabella 3. Sequenza temporale dati ASAR AP acquisiti durante la campagna Foggia 2006.
DoY* Data Swath Pol Tipo
72 13 03 06 I2 VV IM
107 17 04 06 I2 VV IM
120 30 04 06 I4 VV AP
126 06 05 06 I1 VV AP
142 22 05 06 I2 VV AP
177 26 06 06 I2 VV IM
97
Figura 16. Andamento dei dati VV simulati da modello sempi-empirico, dati ASAR VV, andamenti di VWC e
precipitazioni. Campo sperimentale di De Lucretis.
La figura 17 mostra la mappa di umidità del suolo e del contenuto d’acqua del grano
derivate dall’immagine ASAR VV del 22/05/2006 relative ai campi coltivati a grano, zona
di Foggia.
La risoluzione spaziale di queste mappe è di circa 150 m, mentre l’errore rms per
questi parametri, stimato rispetto ad alcuni valori di riferimento, è circa il 5% per l’umidità
del suolo e 0.25 kg/m2 per il contenuto d’acqua del suolo.
-15
-13
-11
-9
-7
-5
60 85 110 135 160 185
DoY
VV (dB)
0
1
2
3
4
5
Veg. water content (Kg/m2)
ASAR, VV - I2 & I1
semi-empirical model
precipitation
veg. water content
Pre
cipitation (mm/day)
0
25
50
-15
-13
-11
-9
-7
-5
60 85 110 135 160 185
DoY
VV (dB)
0
1
2
3
4
5
Veg. water content (Kg/m2)
ASAR, VV - I2 & I1
semi-empirical model
precipitation
veg. water content
Pre
cipitation (mm/day)
0
25
50
Pre
cipitation (mm/day)
0
25
50
Field De Lucretis
rms error=1.1 dB
98
Figura 17. Mappa di umidità del suolo (mv %, a sinistra) e del contenuto d’acqua del grano (VWC in kg/m
2,
a destra) derivate dall’immagine ASAR del 22/05/2006 e relative ai campi coltivati a grano, zona
di Foggia.
99
Conclusioni
Questa sezione è stata dedicata alla descrizione dei risultati preliminari ottenuti nella stima
di alcuni parametri bio-geofisici mediante l’uso di dati telerilevati, nell’ottico e nelle
microonde, acquisiti durante la campagna di Foggia 2006, nell’ambito dell’attività di
ricerca del progetto AQUATER. Con l’ausilio di immagini multibanda e multitemporali
del sensore ottico a bordo di SPOT-5 e -4, sono state prodotte la mappa di uso del suolo,
mediante l’algoritmo di classificazione supervisionato di Maximum Likelihood, e mappe di
NDVI per le diverse colture di interesse.
Utilizzando invece dati SAR, sono state prodotte mappe di copertura del grano,
mappe di contenuto d’acqua del grano e mappe di umidità del suolo.
Studi precedenti hanno mostrato una forte correlazione fra la biomassa fresca del
grano e i dati SAR multipolarizzati, i.e. HH/VV, ad alti angoli di incidenza. Questo
comportamento peculiare delle colture cerealicole fornisce un metodo alternativo all’ottico
per poter discriminare il grano da altre colture. Infatti, filtrando opportunamente i dati
SAR mediante operazioni di media spaziale, è possibile produrre mappe di classificazione
del grano con una percentuale di corretta classificazione che può arrivare fino all’85%,
qualora vengano effettuate medie spaziali a scala di campo. Quest’ultima è una condizione
ottimale, poiché permette di mediare il segnale acquisito su suoli omogenei. I limiti
spaziali dei campi in questo caso sono stati ottenuti dal classificato SPOT.
Infine, le mappe di umidità del suolo e del contenuto d’acqua del grano sono state
prodotte da serie temporali di immagini SAR a bassi angoli di incidenza. La stima delle
grandezze richiede una tecnica di minimizzazione vincolata che, per migliorarne
l’accuratezza, si avvale di informazioni a priori sullo stato iniziale di alcuni parametri. In
questo caso, per l’umidità del suolo, tali informazioni sono state ricavate dalle misure in
situ disponibili, mentre per il contenuto d’acqua del grano, esse sono state ottenute dal
rapporto HH/VV ad angoli di incidenza. I risultati ottenuti mostrano che l’umidità del
suolo e il contenuto d’acqua nella vegetazione possono essere stimati con un errore
rispettivamente di circa 5% e 0.25 Kg/m2.
Bibliografia
Fung, A. K., 1994. Microwave Scattering and Emission Models and Their Applications.
Norwood, MA: Artech House.
Mattia, F., Le Toan, T., Picard, G., Posa, F., D’Alessio, A., Notarnicola, C., Gatti, A.M.,
Rinaldi, M., Satalino, G., and Pasquariello, G., 2003. Multitemporal C-Band Radar
Measurements on Wheat Fields. IEEE Trans. on Geoscience and Remote Sensing, 41, 7,
1551-1560.
Mattia, F., G. Satalino, L. Dente, G. Pasquariello, 2006. Using a priori information to
improve soil moisture retrieval from ASAR APS data in semi-arid regions. IEEE Trans.
on Geoscience and Remote Sensing, 44, 4, 900-912.
Mattia, F., G. Satalino, A. Balenzano, 2007. On the use of multi-temporal SAR data to
retrieve surface and vegetation parameters. Proceedings of the Final Workshop on the
AGRISAR and EAGLE Campaigns, ESA/ESTEC, Noordwijk, The Netherlands,
October 15-16, 2007.
Oliver C., and S. Quegan, 1998. Understanding Synthetic Aperture Radar Images, Artech
House, London,1998.
100
Satalino, G., F. Mattia, T. Le Toan, and M. Rinaldi, 2007. Wheat crop mapping by using
ASAR AP data at high incidence angles: Foggia case study. Proceedings of the 5th Int.
Symposium on Retrieval of Bio- and Geophysical Parameters from SAR Data for Land
Applications, Bari, Italy, September 25-28, 2007.
Ulaby, F. T., R. K. Moore, and A. K. Fung, 1986. Microwave Remote Sensing: Active and
Passive. Dedham, MA: Artech House, vol. 3.
Coltura di pomodoro da industria in Capitanata.
top related