Giuseppe Satalino, Francesco Mattia, Anna Balenzano, Guido Pasquariello

Transcript

1 Atti Progetto AQUATER, Bari, 31 ottobre 2007, 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.

2 84 Tabella 1. Tipologia delle colture nei campi sperimentali monitorati durante la campagna Foggia 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 km 2. 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 km 2.

3 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 ( µm) 10 m 20 m B2 rosso ( µm) 10 m 20 m B3 NIR ( µm) 10 m 20 m B4 SWIR ( 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).

4 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.

5 Figura 4. Immagine classificata ottenuta dai dati SPOT multitemporali, campagna Le due aree urbane rappresentano le città di Foggia (in basso a destra) e San Severo (in altro a sinistra). 87

6 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 µm e B2 nel range 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. NDVI scale 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).

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 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).

8 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 DoY* Data Swath Pol Tipo 63 04/03/2006 I7 HH/VV AP 82 23/03/2006 I6 HH/VV AP /04/2006 I6 HH/VV AP /05/2006 I7 HH/VV AP /05/2006 I5 HH/VV AP /06/2006 I6 HH/VV AP /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.

9 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 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. Rain at doy 152 Figura 8. Andamento multitemporale di γ = <HH>/<VV> per le diverse colture di interesse sui campi di Foggia, campagna 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.

10 92 Evaluation of classification error Rain at doy 152 Figura 9. Andamento multitemporale di γ per le classi grano (verde) e non-grano (rosso) sui campi di Foggia, campagna 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.

11 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%. Prob(err)=0.15 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 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

12 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%. OA%=85 Figura 12. Percentuale di corretta classificazione al variare di ENL, valutato su un insieme di campi rappresentativi delle classi grano e non-grano. OA%=85 Figura 13. Percentuale di corretta classificazione al variare di ENL, valutato rispetto alla classificata SPOT 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.

13 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).

14 96 Mappe di umidità del suolo e di contenuto d acqua del grano da dati SAR Le mappe di umidità del suolo (m v ) 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 m v 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/m 2 ) 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. Tabella 3. Sequenza temporale dati ASAR AP acquisiti durante la campagna Foggia DoY* Data Swath Pol Tipo I2 VV IM I2 VV IM I4 VV AP I1 VV AP I2 VV AP I2 VV IM *DoY (Day of Year).

15 97 VV (db) ASAR, VV - I2 & I1 Field De Lucretis semi-empirical model precipitation -5 veg. water content -7 rms error=1.1 db DoY Veg. water content (Kg/m2) Precipitation (mm/day) 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/m 2 per il contenuto d acqua del suolo.

16 98 Figura 17. Mappa di umidità del suolo (m v %, 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.

17 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/m 2. Bibliografia Fung, A. K., 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., Multitemporal C-Band Radar Measurements on Wheat Fields. IEEE Trans. on Geoscience and Remote Sensing, 41, 7, Mattia, F., G. Satalino, L. Dente, G. Pasquariello, 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, Mattia, F., G. Satalino, A. Balenzano, 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, Oliver C., and S. Quegan, Understanding Synthetic Aperture Radar Images, Artech House, London,1998.

18 100 Satalino, G., F. Mattia, T. Le Toan, and M. Rinaldi, 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, Ulaby, F. T., R. K. Moore, and A. K. Fung, Microwave Remote Sensing: Active and Passive. Dedham, MA: Artech House, vol. 3. Coltura di pomodoro da industria in Capitanata.