CAPITOLO SESTO RICONOSCIMENTO DELLA VEGETAZIONE SULL I IMMAGINE QUICKBIRDIRD 6.1 La denstà d vegetazone: l ndce NDVI Allo scopo d caratterzzare la dstrbuzone della vegetazone sulle superfc d barena s è provveduto all elaborazone delle mmagn corrette radometrcamente e geometrcamente. La prma fase è consstta nella valutazone della denstà vegetale medante l utlzzo d un ndce d vegetazone. Gl ndc sfruttano la dfferenza d rflettanza della vegetazone nel vsble (n partcolare nel blu e nel rosso) e nel vcno nfrarosso, e possono basars semplcemente su rapport fra bande o essere espress n formule pù complesse che rchedono nformazon relatve a parametr del suolo e alla composzone atmosferca. Queste anals non consentono n generale d valutare l abbondanza d cascuna spece presente al suolo, ma fornscono ad ogn modo utl nformazon sullo stato fenologco della vegetazone e sulla sua denstà. L ndce d vegetazone pù dffuso è l NDVI (Normalzed Dfference Vegetaton Index), che ha l vantaggo d consentre l confronto fra mmagn rprese n temp dvers. L NDVI mette n relazone l assorbmento spettrale della cloroflla nel rosso
con la tpca rflessone nel vcno nfrarosso dove è fortemente nfluenzata dal tpo d struttura foglare (Gomarasca, 1997). Il valore dell NDVI è defnto dalla relazone: NDVI IR R [2] IR R Questa funzone può assumere valor dell ntervallo [-1,+1] che, n genere, sono compres tra -0,1 e +0,6. -0,6<NDVI<-0,15-0,15<NDVI<0,00 0,00<NDVI<+0,05 +0,05<NDVI<+0,13 +0,13<NDVI<+0,24 +0,24<NDVI<+0,30 Fg.6.1 - NDVI calcolato su dat QuckBrd relatv all area d S.Felce. Il rsultato dell applcazone dell ndce alle bande 3 e 4 del QuckBrd è un mmagne n scala d grg n cu pxel pù char rappresentano valor maggor d NDVI. Medante una tecnca dsponble nel software ENVI che consente d suddvdere n ntervall la scala contnua d grgo e d assegnare a cascuno d ess
un colore predefnto (densty slcng), è stato possble vsualzzare l mmagne n modo che fosse pù agevole apprezzare la dstrbuzone sulla scena delle zone a dversa denstà vegetale (fg.6.1). La scala de valor assunt dall ndce rsulta puttosto rdotta e valor non sono molto alt, come c è da aspettars consderando che l mmagne è stata acqusta nel mese d maggo, quando ancora la vegetazone non era ancora crescuta completamente; noltre dall mmagne rsulta evdente la notevole presenza d suolo, dovuta essenzalmente ad una condzone d marea partcolarmente bassa che ha fatto emergere le zone d bassofondo e meandr d molt gheb e canal. Un ulterore formulazone dell NDVI è rappresentata dal Fractonal Vegetaton Cover (FVC), che normalzza l NDVI e lo trasforma n un ndce d copertura percentuale d vegetazone. Il valore d FVC è defnto dalla relazone: FVC NDVI NDVI mn [3] NDVI max NDVI mn dove, n questo caso, NDVI max = 0,30 ed NDVI mn = -0,6. La [3] ha qund l effetto d normalzzare l NDVI tra valor che rappresentano lo 0% (NDVI mn ) d l 100% d copertura vegetale (NDVI max ). Medante l applcazone della funzone densty slcng all mmagne ottenuta, s nota che le aree relatve ad acqua e suolo sono state consderate dall ndce come aree a copertura percentuale mnore d 67,5%, mentre solamente per denstà maggor d questo valore l ndce rconosce la presenza d vegetazone e ne stma l abbondanza sulla base dell NDVI calcolato. Anche n questo caso, lo spostamento del valore mnmo d copertura vegetale rlevable dal sensore dpende essenzalmente dal perodo d acquszone dell mmagne, rlevata a metà maggo e qund n condzon d vegetazone ancora n buona parte secca e non n fore. La dversa rflettanza della vegetazone n questo stado fenologco può qund aver attenuato la dfferenza nella rsposta nel rosso e nell nfrarosso vcno. Il rsultato sulla mappa è che la maggor parte della copertura vegetale s assesta n meda tra l 67,5% e l 87,5%, mentre solo n poche zone s raggunge una denstà d vegetazone consderevole vcna al 100% (fg.6.2). Entrambe le elaborazon llustrano noltre come la denstà d vegetazone
rsult maggore lungo bord de gheb e de canal, e dmnusca nvece procedendo verso le zone pù nterne della barena. 0,00<FVC<0,50 0,50<FVC<0,675 0,675<FVC<0,75 0,75<FVC<0,875 0,875<FVC<1,00 Fg.6.2 - FVC calcolato su dat QuckBrd relatv all area d S.Felce. 6.2 L ndvduazone delle aree d vertà a terra sull mmagne Il rconoscmento della vegetazone alofla d barena sulle mmagn avvene tramte la defnzone a terra d aree a composzone nota e la successva localzzazone delle stesse sull mmagne. Come gà vsto nel captolo IV, nelle barene d San Felce, Paglaga, Salne e Palude Maggore sono stat effettuat prm rlev vegetazonal prevst dal progetto TIDE. Nelle uscte n campo s sono ndvduate pù d 70 aree d vegetazone monospecfca da utlzzare per la classfcazone. In fg.6.3 vene rportato un esempo d localzzazone d alcune delle aree rlevate nella zona d Spacco Tralo presso la barena d San Felce. Come s nota nel dettaglo ngrandto, polgon traccat vanno a coprre pù pxel dell mmagne
aggregandol n categore, o class, con caratterstche omogenee d copertura; n partcolare nell mmagne sono ndcate alcune aree d bordo rlevate lungo gheb o canal prncpal e caratterzzate da elevata eterogenetà, e aree nterne pù vaste, formate da consorz vegetal d due o tre spece al massmo. D ogn area permetrata è stata stmata anche la presenza percentuale d suolo nudo, n modo da poter determnare l nterferenza d questo elemento con la rsposta spettrale della vegetazone e l suo effetto sulla classfcazone che ne derva. Fg.6.3 - Indvduazone delle aree rlevate a San Felce sull mmagne multspettrale QuckBrd (banda MS1). Il prncpale problema ncontrato n questa fase d elaborazone ha rguardato l unone de punt che defnscono le aree d vegetazone a terra per formare le ROI (Regons Of Interest) nell mmagne multspettrale: la congunzone fra GCP (Ground Control Ponts) può nfatt avvenre solamente n corrspondenza de vertc de pxel (qu d lato 2,8 m), che sono le untà mnme d rappresentazone della scena; come s osserva n fg.6.4, nel caso n cu le coordnate rcadano all nterno d un pxel (punto n 2 rosso) le superfc che s possono selezonare hanno dmenson
molto dverse, e cò può compromettere l grado d omogenetà de pxel appartenent ad ogn area e qund la frma spettrale della classe ndvduata dalla ROI. Il problema può essere rsolto sceglendo l vertce nterno all area pù vcno al vero GCP (cas 2-3) e ottenendo aree leggermente meno estese, ma a composzone pù omogenea dal momento che pxel d confne sono esclus dalla ROI. Ad ogn modo, n ENVI è presente una funzone (Reconcle ROIs va Map) che permette d sovrapporre ROI defnte su mmagn dverse a condzone che esse sano Fg.6.4 - Modfcazone dell area delle ROI n funzone delle coordnate d vertce scelte. state georeferenzate. Cò ha consentto d dentfcare con maggor precsone le coordnate d vertce delle aree sull mmagne pancromatca, sfruttandone l elevata rsoluzone spazale, e d ottenere po la localzzazone delle medesme ROIs sull mmagne multspettrale utlzzata per la classfcazone. 6.3 Le tecnche d classfcazone dell mmagne Il processo d classfcazone consente d dentfcare nell mmagne dgtale pxel caratterzzat da rsposte spettral molto sml e d raggrupparl n categore che rappresentano le class d superfc esstent al suolo. Le tecnche d classfcazone possono essere dstnte n non gudate e gudate: la procedura non controllata, o unsupervsed, non rchede la conoscenza degl element da dscrmnare sulla scena, ma s basa esclusvamente su valor d radanza de pxel dell mmagne, consentendo d aggregare dat n famgle o cluster. I crter secondo cu dscrmnare grupp sono d natura statstca e vengono fornt al calcolatore come nucle central con determnat attrbut
spettral, attorno a cu vengono raggruppat pxel con caratterstche sml; non è qund necessara alcuna nformazone sulla loro corrspondenza con l effettva copertura del suolo; le tecnche controllate, o supervsed, sfruttano nvece la defnzone a pror delle class tematche d nteresse al suolo: la scelta sull mmagne d alcune aree campone rappresentatve delle categore d copertura consente d calcolare parametr statstc relatv alle class tematche prescelte, n base a valor de pxel appartenent alle aree campone. In questo modo s ottengono gl spettr d radanza meda tpc d ogn classe, con cu condurre la classfcazone dell ntera scena (tranng sets), che avvene per confronto tra pxel dell mmagne e le rsposte spettral delle class d nteresse secondo un crtero d somglanza prescelto (algortmo d classfcazone). Il rsultato della procedura è n entramb cas un mmagne n cu pxel vengono dentfcat, classe per classe, con ton d grgo dfferent o con un colore convenzonale caratterstco per ogn categora. I due sstem llustrat rspondono ad esgenze d classfcazone dverse: quando è mportante mettere n relazone grupp d pxel con categore d copertura effettvamente present sulla scena, l metodo gudato permette d defnre delle class nformatve d estrema utltà; quando nvece s devono analzzare superfc poco conoscute e scarsamente accessbl, la tecnca non gudata consente d esegure una prelmnare anals esploratva dell mmagne, defnendo grupp d pxel n termn d class spettral, la cu relazone con le class nformatve può emergere solo attraverso sopralluogh n campo o l confronto con mappe tematche (Mather, 1987). Con l aumento della rsoluzone spazale de modern sstem d telerlevamento è mglorata la possbltà d dscrmnare tra dvers oggett al suolo, ma è anche crescuta la dffcoltà nel rconoscmento e nell nterpretazone; nfatt, con la maggor defnzone aumenta anche l numero d pxel che rappresentano un oggetto, ed è qund preferble la scelta d sstem d classfcazone non pù puntual, che assegnano coè ogn pxel ad una classe tematca n modo ndpendente da pxel adacent, ma contestual, n modo che sa prevsta una fase d ntroduzone d nformazon sulla relazone spazale d cascun pxel con quell adacent (Rossell et al., 2001).
6.3.1 Classfcazone non supervsonata: ISODATA e k-means I due metod d classfcazone non gudata pù utlzzat n remote sensng sono l ISODATA e l k-means. S tratta n entramb cas d procedure teratve: n base alla scelta d alcun parametr nzal defnt dall operatore, s ndvduano de cluster d confronto ne qual var pxel vengono collocat secondo un crtero d somglanza spettrale. Ad ogn terazone l assegnazone de pxel vene rcalcolata n base alle caratterstche de cluster pù vcn, fnché non s raggunge un numero d rcollocazon mnore d una sogla scelta dall operatore (es. 5%). L algortmo ISODATA è smle al k-means, con l unca dfferenza che l numero d cluster può varare durante l terazone, mentre l k-means prevede che l numero d class sa defnto a pror (Mather, 1987). In fg.6.5 vengono rportat rsultat ottenut da alcun tentatv d classfcazone dell mmagne QuckBrd de target acqua, vegetazone e suolo a San Lorenzo medante due algortm, per valutare l grado d dfferenza spettrale rlevable da due classfcator n corrspondenza de prncpal element dell mmagne. In entramb cas è stata mascherata la componente acqua nell mmagne multspettrale 1. Come s osserva, per valor nzal abbastanza sml le due tecnche fornscono rsultat confrontabl: n partcolare, sembra che la classfcazone ISODATA sottostm la presenza d suolo nell area sa nel multspettrale che nel pancromatco, mentre la k-means resce a dstnguere la presenza delle tre class, nonostante l estrazone della rete de canal nel pancromatco non da buon rsultat n nessuno de due cas. Complessvamente le nformazon fornte dal sensore sono qund suffcent per la dscrmnazone delle prncpal caratterstche dell area d ndagne, sebbene tentatv d classfcazone esegut aumentando l numero d clusters d partenza non consentano d ottenere rsultat soddsfacent nel rconoscmento de dvers popolament vegetal. I prncpal problem che s ncontrano nell applcazone delle procedure ISODATA e k-means rguardano la scarsa rproducbltà delle classfcazon e la sensbltà de due algortm alle condzon scelte dall operatore nella fase nzale. Per questo motvo l rconoscmento delle aree d vegetazone d barena è avvenuto 1 L esclusone d una categora d pxel dall anals s effettua rcorrendo all algortmo d classfcazone supervsonata SAM che sarà llustrato n dettaglo nel paragrafo 6.3.2.
medante l mpego delle numerose vertà a terra acquste sull area d studo, che hanno costtuto l tranng set per le procedure d classfcazone controllata. A B C D Fg.6.5 - Classfcazon ISODATA e k-means della porzone d mmagne che comprende la barena d San Lorenzo (A: ISODATA multspettrale; 3class; sogla 3%; B: ISODATA pancromatco; 4 class; sogla 3%; C: k-means multspettrale; 4 class; sogla 5%; D: k-means pancromatco; 4 class; sogla 5%). 6.3.2 La classfcazone controllata: l algortmo SAM Esstono numeros algortm d classfcazone gudata. Tra prncpal, dsponbl nel software ENVI: Parallelepped, Maxmum Lkelhood, Mnmum Dstance, Mahalanobs Dstance, Bnary Encodng. Le dverse tecnche vengono scelte n base a temp d calcolo, all accuratezza valutata n funzone de dat d controllo dsponbl per la valdazone, a cost per la raccolta delle vertà a terra durante le campagne d msura.
In questo lavoro la classfcazone de popolament vegetal è stata effettuata applcando l algortmo SAM (Spectral Angle Mapper) (Kruse et al., 1993), che n occasone d precedent stud condott s è dmostrato partcolarmente ndcato per l rconoscmento degl element al suolo n aree umde (Tortato, 2001; Saccardo, 2000). In partcolare l SAM ha fornto rsultat molto soddsfacent nella dstnzone tra le zone vegetate d barena e quelle occupate dall acqua. In base al funzonamento dell algortmo SAM, l operatore selezona sull mmagne alcune regon d nteresse, o vertà a terra, che vengono attrbute a popolament vegetal che s voglono dentfcare (endmember): la frma spettrale che rappresenta ogn classe è lo spettro medo calcolato sull nseme de pxel appartenent a cascuna ROI. Il vettore dello spettro d rfermento così calcolato vene confrontato con lo spettro del pxel da classfcare medante l calcolo dell angolo compreso tra le due curve d rsposta nello spazo delle bande spettral, e ogn pxel vene assegnato alla classe con cu l suo spettro forma l angolo mnore (fg.6.6). Il pxel non vene classfcato se questa dstanza angolare è superore ad una sogla fssata a pror dall operatore. Il prodotto scalare tra due vettor (s p) è defnto dalla relazone: n s p = s p 1 s p cos [4] dove s e p sono le component de due vettor nello spazo n-dmensonale delle bande, mentre s e p sono modul de vettor stess. Il valore dell angolo sogla che determna l appartenenza del pxel alla classe d rfermento è defnto dalla seguente relazone: s p arccos s p arccos n 1 n 1 s 2 s p n 1 p 2 [5] banda 2 spettro medo ROI α pxel da classfcare
Fg.6.6 - Spazo generato da due bande spettral: α è l angolo che separa lo spettro d rfermento da quello del pxel da classfcare. Il vantaggo che l uso d questo classfcatore comporta rsede nell nvaranza dell angolo d separazone fra gl spettr alle dfferenze d llumnazone della scena: dal momento che l algortmo confronta l angolo compreso tra vettor della classe d rfermento e del pxel da classfcare, consderandone qund solo la drezone e non la lunghezza, qualsas fattore moltplcatvo che ne modfch l valore non nflusce sulla sogla d separazone; questa caratterstca fa n modo che pxel appartenent alla medesma classe ma llumnat n modo dfferente a causa della varable topografa delle superfc d barena vengano consderat analogh dal classfcatore SAM (Shrestha, 2002). L accuratezza della mappa d vegetazone ottenuta va n seguto verfcata valutando la capactà dell algortmo d assegnare all esatta categora grupp d pxel d classe nota, esclus dalla fase d calbrazone dell mmagne (test set). 6.4 La selezone degl endmember La scelta delle aree campone da usare come set d addestramento (tranng set) e set d verfca (test set) per calbrare e valdare le mmagn rappresenta una fase molto delcata della classfcazone controllata. In partcolare, prncpal fattor che ne condzonano l accuratezza possono essere così schematzzat (Foody, 2002; Muchoney e Strahler, 2002): mperfetta coregstrazone delle mmagn: nel caso n cu le aree d rfermento vengano a loro volta ndvduate all nterno d mappe o foto telerlevate 2, anche d dversa rsoluzone spazale, è ndspensable che la georeferenzazone e la messa a regstro delle mmagn sano molto accurate, per evtare l erronea assegnazone de pxel da classfcare alle categore 2 In genere, l uso d dat acqust da sensor remot come test set è dffuso nella valdazone d mappe a bassa rsoluzone che rproducono superfc estese n cu non sono possbl acquszon d vertà a terra (Thomlnson, 1999).
rconoscute sulla scena; la selezone degl endmembers per la classfcazone dell mmagne QuckBrd è avvenuta medante sopralluogh n campo e la georeferenzazone è rsultata molto buona, qund questo fattore non è da consderars per ora nfluente, anche se dventerà mportante quando s confronteranno tra loro dat acqust da dvers sensor (MIVIS, CASI e QuckBrd); accuratezza nella defnzone degl attrbut degl endmember: dat d rfermento usat come tranng sets sono n genere consderat una fedele rappresentazone dell effettva composzone della scena; n realtà le aree rlevate a terra sono a loro volta l rsultato d una classfcazone la cu affdabltà dpende strettamente dalla soggettvtà nell nterpretare le dfferenze fra le class present al suolo (Therry e Lowell, 2001). La stma dell accuratezza nella classfcazone s rduce qund alla msura del suo grado d accordo con dat rlevat a terra, pù che con l effettva realtà (Congalton e Green, 1993). La stma delle percentual d copertura vegetale ne st d studo presenta n effett una quota d soggettvtà, n quanto è stata effettuata da alcun de partecpant alle campagne d msura medante osservazone vsva delle aree; n realtà, per rsolvere l problema, l assegnazone defntva delle percentual è stata verfcata medante l confronto con le fotografe dgtal acquste su ogn area da un altezza d 2,5m, e nelle prossme fas dell ndagne s potranno utlzzare allo scopo anche le mmagn acquste dal pallone aerostatco, caratterzzate da una rsoluzone spazale molto elevata (da 2 a 4cm); la rappresentatvtà (statstca, spazale e complessva) delle vertà a terra (Muchoney e Strahler, 2002): l estensone delle aree campone dpende essenzalmente dal numero d varabl (bande spettral) d cu s voglono determnare le propretà statstche; Mather (1987) ndca un valore d crca 30 pxel per ogn caratterstca da estrarre dalla classe, ma rtene che tale dmensone mnma sa valda solo n caso d ndpendenza de pxel dell mmagne. In realtà, pxel adacent presentano n genere caratterstche sml (autocorrelazone spazale), e d conseguenza, un buon tranng set dovrebbe comprendere un numero consderevole d pxel, d modo che le statstche effettuate sulle class fornscano rsultat attendbl.
La rappresentatvtà delle vertà a terra è asscurata anche dalla possbltà d defnre un dsegno d camponamento: una procedura random è ndcata nell esplorazone d aree suffcentemente vaste da garantre che tutte le class sano adeguatamente rappresentate; nel caso delle superfc d barena, l mpratcabltà d alcune zone lmta l acquszone delle vertà a terra a determnat st pù accessbl, ne qual è possble effettuare le msurazon e rlev vegetazonal (Edwards et al., 1999). Spesso, noltre, l camponamento s lmta alle aree pù vaste ed omogenee, mentre le zone d confne o d bordo sono escluse per evtare dmnuzon nell accuratezza della classfcazone (Rchards, 1996); cò n realtà rduce la capactà del tranng set d fornre una rappresentazone completa della scena osservata e può compromettere l successo della classfcazone. Durante le campagne d rlevamento TIDE sono state rlevate numerose aree d bordo, n quanto necessare alla completa descrzone della complesstà dell ambente d barena, qund la rappresentatvtà delle class d copertura al suolo può consderars buona; la corrspondenza fra la superfce delle aree e de pxel: le dfferenze d dmensone tra le vertà a terra ed pxel dell mmagne possono dmnure l accuratezza della classfcazone. È necessaro nfatt che le aree rlevate n campo occupno una superfce confrontable con la rsoluzone geometrca dell mmagne, e che l loro grado d omogenetà garantsca la purezza della rsposta spettrale d rfermento (Atknson, 2000). Il sensore Quckbrd ntegra l segnale d rflettanza rcevuto da una superfce d 2,8m d lato, qund le aree d vegetazone utl per l rconoscmento sono state selezonate tra quelle d maggor dmenson, con l accortezza d non compromettere l omogenetà della copertura. Per le classfcazon s è decso d utlzzare solo pxel central appartenent alle aree permetrate n campo, per dmnure l effetto d eventual ncertezze nella georeferenzazone e l nterferenza spettrale de pxel d confne con aree adacent d dversa composzone; l grado d separabltà degl endmember: classfcator rsultano tanto pù effcent quanto maggor sono le dfferenze tra le class d rfermento e quanto mnor sono le dfferenze al loro nterno. La msura del grado d separabltà delle ROI consente d selezonare le aree che ncrementano l accuratezza della classfcazone. Il software ENVI calcola la dstanza
spettrale tra le vertà a terra secondo la formula d Jeffres-Matusta [6] e la Dvergenza trasformata [7]: queste due msure d dstanza sembrano partcolarmente ndcate nell estrazone delle caratterstche delle mmagn multspettral (Swan e Kng, 1973). La prma msura separa le class n base alla loro frma, assumendo che sano caratterzzate da una dstrbuzone normale multvarata; la seconda msura la dstanza statstca tra le denstà d probabltà che caratterzzano la dstrbuzone delle class. La dstanza d Jeffres-Matusta ha la seguente forma: dove: 1 α 8 C C JM j 1 1 T j μ μ μ μ j 2 2 e [6] j 1 C 1 ln 2 2 C C C e j ndcano gl spettr da confrontare, C è la matrce d covaranza dello spettro, μ è l vettore spettro medo, C è l determnante d C e T è la funzone trasposzone. La Dvergenza è defnta nvece dall espressone: j j D j TD 8 j 2 1 e [7] con: D j 1 tr 2 1 1 1 1 1 C C j C C j trc C μ μ j μ μ j 2 T dove e j ndcano gl spettr da confrontare, C è la matrce d covaranza dello spettro, μ è l vettore spettro medo, T è la funzone trasposzone e tr è la tracca della matrce argomento. I valor assunt dalle due funzon varano tra 0 e 2,0: se maggor d 1,9 ndcano buona separabltà, mentre per valor nferor è n genere preferble selezonare altre ROI o aggregarle n un unca classe. Come sarà messo n evdenza nel prossmo paragrafo, la selezone de set d addestramento e d verfca per l elaborazone dell mmagne QuckBrd s è
rvelata puttosto buona, consentendo classfcazon con elevato grado d accuratezza. 6.5 Classfcazon dell mmagne QuckBrd Prelmnarmente è stata costruta sull mmagne la maschera dell acqua per escludere la rete de canal e de gheb dalle elaborazon successve, rducendo così l numero de dat ed temp d calcolo. L ndvduazone della ROI rappresentatva delle superfc d acqua avvene nella banda dell nfrarosso vcno: la bassa rflettanza de corp d acqua n tale ntervallo spettrale consente nfatt d dstnguerl agevolmente dalle aree d vegetazone. La maschera è stata realzzata eseguendo una classfcazone SAM con angolo spettrale massmo par a 0,25 radant e assegnando l valore 0 alla classe acqua e l valore 1 alla classe rmanente (mmagne bnara). L applcazone della maschera consste nella moltplcazone dell mmagne orgnara per l mmagne bnara: pxel moltplcat per 1 rmangono nalterat, mentre la moltplcazone per 0 annulla l valore de pxel corrspondent. La seconda fase d elaborazone è consstta nella classfcazone dell mmagne sulla base d tranng set a copertura monospecfca maggore dell 80%. L accuratezza de rsultat è stata valutata medante la classfcazone d test set effettuando l anals della matrce d confusone, che confronta la classe d appartenenza osservata con la categora d assegnazone nell mmagne classfcata. La valutazone dell accuratezza d classfcazone costtusce una fase molto delcata nella produzone d cartografa tematca ottenuta da nformazon telerlevate n quanto: fornsce un ndce della qualtà complessva della mappa; effettua l confronto tra dfferent algortm d classfcazone; permette d dentfcare eventual error nell elaborazone delle mmagn (Hay, 1979). Un ndagne condotta da Trodd nel 1995 ha tuttava rvelato che su un campone d 84 classfcazon rportate n 25 artcol pubblcat sulle maggor rvste scentfche tra l 1994 e l 1995, l 8% de lavor non rportava alcuna valutazone sulla qualtà della classfcazone; noltre solamente l 60% de rsultat era fornto d matrce d confusone e l 44% dava due o pù msure quanttatve d accuratezza: n quest cas
l valore raggunto era ad ogn modo nferore alla sogla mnma raccomandata d accuratezza dell 85% (Foody, 2002). Tra le numerose procedure d verfca, l uso della matrce d confusone è molto dffuso, n quanto non solo fornsce nformazon pù complete della semplce stma percentuale d pxel correttamente classfcat, ma caratterzza gl error commess nella procedura consentendo d mglorare la classfcazone e le consderazon che ne dervano. Tuttava, l uso della matrce d confusone s basa su alcune potes raramente soddsfatte dalle mmagn telerlevate, tra le qual l assunto che ogn pxel da classfcare appartene nteramente a solo una categora defnta n un suffcentemente completo set d class dstnte ed esclusve (Townsend, 2000). Come sarà llustrato nel paragrafo 6.6, sstem d classfcazone soft sembrano poter fornre una soluzone al problema de pxel mst present nell mmagne (Foody, 1996). Dalla matrce d confusone dervano dverse msure d accuratezza: una delle pù note è l overall accuracy, A, che s ottene per ogn categora dvdendo l numero d pxel correttamente classfcat per l numero totale d pxel d quella classe: r p [8] A 1 N dove p sono gl element della dagonale della matrce, lungo cu s trovano pxel classfcat correttamente, ndca la classe, N è l numero complessvo d pxel classfcat ed r rappresenta le rghe della matrce (ENVI User s Gude, 2001). Dvers autor crtcano l uso d A affermando che alcun pxel possono essere assegnat casualmente alla classe corretta (Pontus, 2000) e ndvduano nel coeffcente k d Cohen l ndce standard d accuratezza della classfcazone: r N K N 1 2 p 1 r 1 r p dove R corrsponde alle categore a cu l classfcatore assegna pxel dell mmagne (rghe della matrce) e C rappresenta le class effettvamente present al suolo (colonne della matrce) 3. R p R p C p C [9] 3 Il coeffcente k è utle per esprmere l grado d qualtà complessvo della classfcazone, n quanto rappresenta la dfferenza tra l accuratezza raggunta e quella che potrebbe essere ottenuta da una classfcazone completamente casuale dell mmagne: per esempo un coeffcente k d 0,8 sgnfca che l classfcatore non ha commesso l 82% degl error che una classfcazone random avrebbe generato.
Le assegnazon scorrette esegute da classfcator all nterno dell area osservata non sono n genere casual, ma spesso c è una dstnta dstrbuzone spazale degl error n funzone delle propretà del sensore, delle condzon al suolo o della presenza de pxel d confne, che possono essere spazalmente autocorrelat o rsentre d un mprecsa georeferenzazone (Steele et al., 1998). Sfortunatamente la matrce d confusone non fornsce nformazon crca la dstrbuzone degl error d classfcazone, anche se l mpego d tecnche geostatstche può rsultare utle nel rappresentarne la varazone spazale. 6.5.1 Rconoscmento d tre endmember Con l esecuzone delle prme classfcazon sull mmagne Quckbrd s è cercato d valutare la capactà dell algortmo SAM d rconoscere le aree d vegetazone d barena, n modo da mettere a punto un sstema d rappresentazone della complesstà della zonazone che fosse effcente ed affdable. La selezone d tre endmember (acqua, suolo e vegetazone) e l utlzzo d una sogla d separazone fra class d tpo multangolo (0,25 rad per l acqua, 0,06 per l suolo, 0,15 per la vegetazone) ha consentto d raggungere ottm rsultat d classfcazone (con un accuratezza complessva A par a 96,9% e un coeffcente k d 0,95 (fg.6.7)), com era prevedble date le notevol dfferenze d frma spettrale de tre endemember nel vsble e nel vcno nfrarosso (fg.6.8). I valor rportat nella matrce d confusone ndcano che la totaltà de pxel suolo è stata assegnata alla categora corretta, mentre l 3,8% d pxel d vegetazone e l 4,4% de pxel acqua sono stat classfcat come suolo, probablmente a causa d un eccessvo valore d angolo spettrale mpostato nella defnzone d questa categora.
Suolo Vegetazone Acqua Totale Non Classfcato 0 0 0 0 Suolo 100 3,8 4,4 25,2 Vegetazone 0 96,2 0 53,5 Acqua 0 0 96,5 21,3 Totale 100 100 100 100 A = 96,9% k = 0,95 Fg.6.7: Classfcazone SAM e matrce d confusone con la selezone d tre endmembers. Barena d San Felce. Fg.6.8: Curve spettral d vegetazone, suolo e acqua: la dversa rflettanza delle tre categore Nel vsble e nel vcno nfrarosso ne consente la dstnzone nell mmagne multspettrale.
6.5.2 Rconoscmento d quattro endmember A = 85% k = 0,8008 Sarcocorna Spartna Suolo Lmonum Totale Non classfcato 0 0 0 2,86 0,93 Sarcocorna 78,13 0 0 11,43 27,1 Spartna 21,88 100 0 8,57 24,3 Suolo 0 0 100 2,86 23,36 Lmonum 0 0 0 74,29 24,3 Totale 100 100 100 100 100 Fg.6.9: Classfcazone SAM e matrce d confusone con la selezone d quattro endmember. Barena d San Felce. In fg.6.9 sono rportat rsultat della classfcazone eseguta con quattro endmember (suolo e aree d vegetazone a copertura omogenea maggore dell 80%) e angolo spettrale d 15, sull mmagne mascherata dall acqua. L ncertezza nella classfcazone delle aree test selezonate a terra n termn d accuratezza A e coeffcente k rsulta aumentata (par a 85% e 0,8 rspettvamente), ma s mantene ancora a lvell puttosto buon secondo le sogle ndcate da Foody (2002). L accuratezza mnore s nota nella stma d Lmonum sp., che n buona parte vene classfcato come Sarcocorna e Spartna spp., sebbene l ncertezza maggore rguard la categora Sarcocorna sp., che vene attrbuta alla classe Spartna sp. per l 21,8%
de pxel. Suolo e Spartna sp. rsultano nvece perfettamente dstngubl dalle altre class (accuratezza del 100%). Sembra qund esstere una certa dffcoltà nella dstnzone delle aree a Lmonum sp. da parte del sensore, che non ne dscrmna nettamente la frma spettrale, confondendola con quella d Sarcocorna sp. Tale crcostanza è probablmente da rcondurs al perodo d acquszone dell mmagne (metà maggo), quando ancora le pante d Lmonum narbonense non sono forte e sono rconoscbl solo dalla tpca rosetta basale, e alla vcnanza spazale che n genere caratterzza la presenza d queste due spece sulle barene. La stma della separabltà fra le class e la loro curva spettrale meda (fg.6.10 e 6.11) confermano rsultat ottenut: sebbene la dfferenza tra le categore Lmonum e Sarcocorna sa molto bassa, l tranng set scelto è comunque n grado d garantre una buona classfcazone anche d aree test che non sono perfettamente dstngubl tra loro, come dmostrano bass valor d separabltà rportat n tabella. 70 Jeffres Matusta Transf. Dverg. Sarcocorna e Lmonum 1,227 1,662 Spartna e Lmonum 1,988 2,000 Sarcocorna e Spartna 1,989 1,997 Sarcocorna e suolo 2,000 2,000 Suolo e Spartna 2,000 2,000 Suolo e Lmonum 2,000 2,000 Fg.6.10: Msure d dstanza fra le class e spettr med delle ROIs tranng set DN 65 60 55 50 45 40 35 30 25 L Sa Sp s uo lo 1 2 3 4 Fg.6.11: Msure d dstanza fra le class e spettr med delle ROIs test ses