2.6 - ANALISI DELLE DINAMICHE AMBIENTALI

Transcript

1 Cap. 2 Analisi del Territorio ANALISI DELLE DINAMICHE AMBIENTALI RILEVAMENTO SATELLITARE (LANDSAT) Uno dei fattori determinanti per la qualità dei popolamenti animali è lo stato dell ambiente. Da qui deriva che dai cambiamenti ambientali dipende la conservazione delle specie. Per una migliore comprensione delle popolazioni animali e del loro andamento nel tempo si è proceduto, in questo studio, ad un analisi delle variazioni ambientali del territorio provinciale, sia pure a grande scala. Per questo scopo sono stati utilizzati i dati derivanti dalle immagini satellitari rese disponibili dall Università del Maryland (GLCF Global Land Cover Facility Le immagini utilizzate sono scene registrate dai satelliti di telerilevamento e, in particolare per le nostre analisi, dal programma LANDSAT. Il programma LANDSAT ha utilizzato negli anni diversi satelliti e sensori. Nella tabella sottostante, vengono elencate le caratteristiche tecniche delle scene disponibili per l area della provincia di Lecco: Landsat imagery utilizzata per le analisi ambientali. (WRS: World Reference System: indica il numero d orbita e della scena) Satellite Sensore WRS Data di rilevamento Altezza / Azimuth solare N Bande spettrali Risoluzione finale Landsat 1 MSS 209/028 7 ottobre / m Landsat 1 MSS 209/028 6 giugno / m Landsat 2 MSS 208/028 8 giugno / m Landsat 5 TM 194/ agosto / m Landsat 5 TM 193/ agosto 1992 n.d m Landsat 7 ETM+ 193/ settembre / m Landsat 7 ETM+ 194/ giugno / m Il sensore utilizzato dal programma LANDSAT è cambiato nel tempo e sono stati modificati il numero di bande di rilevamento e la risoluzione. Le caratteristiche dei sensori sono elencate nelle seguenti tabelle: Sensore banda Risoluzione spettrale (mm) Colore corrispondente Risoluzione spaziale MSS (Multi Spectral Sensor) Sensore banda Risoluzione spettrale (mm) TM (Thematic Mapper) Sensore banda Risoluzione spettrale (mm) ETM+ (Enhanced Thematic Mapper) Verde Rosso Infrarosso vicino Infrarosso vicino 79 Colore corrispondente Blu Verde Rosso Infrarosso vicino Infrarosso medio Infrarosso termico Infrarosso medio 30 Colore corrispondente Blu Verde Rosso Infrarosso vicino Infrarosso medio 30 6 (1+2) Infrarosso termico Infrarosso medio pancromatico 15 Risoluzione spaziale Risoluzione spaziale 17

2 Cap. 2 Analisi del territorio Le scene scaricate sono ortorettificate e georeferenziate, proiettate in UTM zona 32, con datum geodetico WGS84. I dati delle diverse bande sono registrati come immagini in scala di grigio (GeoTIFF) (vedi figura sotto banda 3 Anno 1972). Le immagini sono trasformate poi in grid-data, con il software Arc/Info, per le successive analisi. In questa operazione le diverse gradazioni di grigio vengono riportate ad un codice binario a 8-bit che assume quindi 256 valori (256 = 2 8 ). Questo valore viene chiamato DN (Digital Number). Nella tabella sotto viene riportato ad esempio il valore assunto dal numero digitale (DN) per la scena del 21/06/2001. Risultati per la scena 21/06/2001 LANDSAT ETM+ : 8 bande: (28,5m; 1997 righe x 868 colonne); banda 61 e 62: (57; 999 righe x 435 colonne). Banda Risoluzione (m) DN Range DN Min DN Max DN Media DN Dev.st P2001_10r 28, ,335 17,544 P2001_20r 28, , ,725 P2001_30r 28, ,703 25,987 P2001_40r 28, ,889 31,526 P2001_50r 28, ,226 31,516 P2001_61r ,157 9,843 P2001_62r ,202 17,729 P2001_70r 28, ,846 24,959 18

3 Cap. 2 Analisi del Territorio Nella fase dell importazione sono stati inoltre riportati a 28,5 m di risoluzione anche le scene derivanti da MSS (che hanno 57 m di risoluzione), operazione necessaria per la successiva integrazione ed analisi con i dati degli anni successivi, a maggior dettaglio. Nelle seguenti figure sono riportate, in falsi colori (RGB), le diverse scene importate. Sotto la figura sono inserite le bande utilizzate per fare l immagine e l anno del rilevamento Red = MSS4 Green = MSS3 Blue = MSS Red = MSS4 Green = MSS3 Blue = MSS2 19

4 Cap. 2 Analisi del territorio Red = MSS4 Green = MSS3 Blue = MSS Red = TM5 Green = TM4 Blue = TM Red = TM5 Green = TM4 Blue = TM Red = ETM50 Green = ETM40 Blue = ETM30 20

5 Cap. 2 Analisi del Territorio Acquisizione rilevamento GLCF - Università del Maryland Importazione e trasformazione in GRID (Arc/Info) Integrazione Bande (Spectral Ratio / Analisi delle Componenti Principali) Supervised Classification (Training Stage / Signature Verify / Maximum Likelihood Classification) Verifica Classificazione e Integrazione dati (DUSAF / CORINE) Red = ETM50 Green = ETM40 Blue = ETM30 Nel riquadro a destra della figura precedente viene indicato lo schema del processo di importazione ed analisi dei dati satellitari. L integrazione bande si rende necessaria quando le ombre create dal rilievo rendono poco diversificati i valori del DN per le stesse categorie ambientali. Dividere una banda per un altra (spectral ratioing) tende a diminuire l effetto dell ombreggiatura. Anche l analisi delle componenti principali (PCA) serve per diminuire il numero di bande da integrare (è stata utilizzata in particolare per i dati derivanti dai sensori TM ed ETM+) e facilita l esame delle informazioni contenute nelle diverse bande. Una volta ottenuto l insieme delle bande da analizzare (stack) per ogni anno, si è passati allo stadio successivo, quello della classificazione. Questo stadio è suddiviso in 3 sottoprocessi: - l individuazione di aree con caratteristiche ambientali conosciute, delle categorie ambientali rappresentative, da usare come campione per l analisi spettrale (training); - la verifica dei grafici di analisi spettrale (signature files); - la classificazione definitiva dell immagine, attraverso algoritmi di maximum likelihood. Nella tabella seguente sono indicate le categorie ambientali utilizzate per la fase di training: CLASS ID Nome categoria Area 1972 Area 1975 Area 1976 Area 1989 Area Aree urbanizzate Aree agricole Campi arati Pascoli / praterie Boschi latifoglie Boschi conifere Acqua (laghi / fiumi) Zone rocciose Aree cespugliate Neve / ghiacciai Nelle seguenti figure ci sono, per i vari anni e per le varie combinazioni di banda, i risultanti contour plot (ellissi di deviazione standard attorno media) della classificazione. Area 1999 Area

6 Cap. 2 Analisi del territorio Anno 1972 Anno

7 Cap. 2 Analisi del Territorio Anno 1976 Anno

8 Cap. 2 Analisi del territorio Anno

9 Cap. 2 Analisi del Territorio Anno 1999 Anno 2001 Le immagini classificate sono state poi riunite in 3 GRID finali: uno per gli anni 70 (unendo e uniformando la classificazione delle scene degli anni 1972, 1975, 1976), uno per gli anni 90 (unendo anni 1989 e 1992) e una per gli anni 2000 (1999 e 2001). Quest ultima classificazione è stata ulteriormente integrata con i dati derivanti dal CORINE Landcover project e dal DUSAF, seguendo le seguenti priorità: - quando 2 classificazioni su 3 erano concordanti, avevano la prevalenza; - se le 3 classificazioni erano in disaccordo, è stata usata la seguente priorità: DUSAF, Landsat, CORINE Landcover. 25

10 Cap. 2 Analisi del territorio La seguente figura mostra i risultati finali della classificazione. Legenda Anni 70 26

11 Cap. 2 Analisi del Territorio Anni 90 Anni 2000 La verifica dell accuratezza della classificazione è stata effettuata solo per gli anni 2000, in quanto solo per questo periodo erano disponibili dati per il controllo. Dalle fotografie aeree del 2000 (Ortofoto Regione Lombardia, XXXXX) sono stati digitalizzate le strade e l urbanizzato; il dato vettoriale è stato poi trasformato in GRID e incrociato con la classificazione dal Landsat. Si è ottenuta così la matrice di confusione su cui effettuare i calcoli di accuratezza (Lillesand & Kiefer, 2000). Per i boschi è stata invece utilizzata la classificazione dell ERSAF (Gallinaro et al., xxxx). Matrice di confusione per l urbanizzato Dati di riferimento Non Urbanizzato Urbanizzato Dati classificati Non Urbanizzato pixel pixel Urbanizzato pixel pixel Da questi dati è possibile calcolare diversi parametri di misura (Lillesand & Kiefer, 2000), mediante delle routines scritte da D.G. Rossiter (2004) per il software statistico R. La statistica KHAT ha la seguente formula (Lillesand & Kiefer, 2000): kˆ r xii i= 1 i= 1 = r 2 dove r = numero di righe nella matrice di confusione; xii = numero di osservazione lungo la diagonale della matrice; xi+ = numero totale di osservazioni lungo la riga i; x+i = numero totale di osservazioni lungo la colonna i; N = numero totale di osservazioni nella matrice. N N ( x x ) ( xi+ x+ i ) i= 1 r i+ + i 27

12 Cap. 2 Analisi del territorio I parametri di misura per l urbanizzato sono: accuratezza totale (overall accuracy) 91% accuratezza sui training pixel (producer s accuracy) 93,6% per non urbanizzato 71,0% per l urbanizzato accuratezza di classificazione (user s accuracy) 96,1% per non urbanizzato 59,5% per l urbanizzato statistica KHAT: 0,596 non-urbanizzato: 0,662 urbanizzato: 0,541. Matrice di confusione per le aree boscate Dati di riferimento Latifoglie Conifere / Misto Arbusteti Dati classificati Latifoglie pixel pixel pixel Conifere / Misto 2828 pixel pixel 1967 pixel Arbusteti 6959 pixel 3172 pixel 6097 pixel Come per l urbanizzato, vengono elencati i parametri di accuratezza: accuratezza totale (overall accuracy) 81,4% accuratezza sui training pixel (producer s 97,2% latifoglie 40,7% conifere / misto 15,5% arbusteti accuracy) accuratezza di classificazione (user s 82,8% latifoglie 85,7% conifere / misto 37,6% arbusteti accuracy) statistica KHAT: 0,317 latifoglie: 0,286 conifere / misto: 0,832 arbusteti: 0,317. Nell urbanizzato l errore prevalente è dovuto alla mancanza di classificazione di elementi lineari o puntiformi di piccole dimensioni (per esempio, strade di minor larghezza o case isolate), i cui valori spettrali sono mediati dagli ambienti circostanti. Nel caso dei boschi, le aree con boscaglie o gli ecotoni tendono a ridurre la classificazione corretta delle latifoglie, mentre per le conifere e i boschi misti sono identificati con più certezza. Gli arbusteti e le boscaglie sono infatti spesso costituiti da latifoglie, producendo lo stesso valore spettrale. Nei modelli si è tenuto conto di questo aspetto, utilizzando ampiamente misure quali buffer e core area per andare ad identificare le zone che presentano boschi a struttura più complessa. 28