stima del contenuto d’acqua fogliare tramite...

UNIVERSITA’ DEGLI STUDI DI MILANO - BICOCCA

Facoltà di Scienze Matematiche, Fisiche e Naturali

Corso di Laurea in Scienze Ambientali

STIMA DEL CONTENUTO D’ACQUA FOGLIARE TRAMITE

MISURE SPETTRALI DI LABORATORIO E TELERILEVATE

DA AEREO

Relatore: Prof.ssa Raffaella CERANA

Correlatore: Dott. Roberto COLOMBO

Tesi di Laurea di:

Andrea MARCHESI

Matr. N° 031813

Anno Accademico 2003-2004

INDICE

1. INTRODUZIONE 5

1.1. Contesto della tesi 6

1.2. Significato del contenuto idrico, sua utilità e applicazioni 7

1.3. Proprietà ottiche della vegetazione 9

1.4. Contenuto d’acqua e regioni spettrali 14

1.5. Il sensore iperspettrale MIVIS e

bande di interesse per la stima del contenuto d’acqua 22

1.5.1. MIVIS: Caratteristiche tecniche e funzionamento 22

1.5.2. Struttura del MIVIS 25

1.5.3. Bande MIVIS di interesse per la stima del contenuto d’acqua 27

2. STIMA DEL CONTENUTO D’ACQUA DA TELERILEVAMENTO 28

2.1. Errori nelle misure a terra e telerilevate 30

2.1.1. Errori nelle misure a terra 30

2.1.2. Errori nella misura di variabili telerilevate 30

2.1.3. Errori nella correlazione tra variabili misurate a terra

e variabili telerilevate 32

2.2. Tecniche regressive 34

2.2.1. Regressioni Ordinary Least Squares (OLS) 34

2.2.2. Regressioni Reduced Major Axis (RMA) 36

2.2.3. Regressioni Step Wise 38

1

2.3. Stime a livello fogliare 40

2.3.1. Approccio semiempirico 40

2.3.1.1. Indici di Vegetazione (VIs) 40

2.3.1.2. Tecnica del Continuum Removal (CR) 41

2.3.1.3. Approccio basato sull’equazione di Lambert-Beer 43

2.3.2. Approccio modellistico 44

2.4. Stime a livello di canopy 46

2.4.1. Approccio semiempirico 46

2.4.1.1. Indici di Vegetazione (VIs) 47

2.4.1.2. Metodi di Scaling 47

2.4.2. Approccio modellistico 48

3. MATERIALI E METODI 50

3.1. Area di studio 50

3.2. Strategie di campionamento a terra 55

3.3. Misure di laboratorio 59

3.3.1. Peso fresco, peso secco, area e calcolo di FMC ed EWT 59

3.3.2. Peso turgido e calcolo di RWC 61

3.3.3. Misure di SPAD e Contenuto di Clorofilla 62

3.3.4. Misure radiometriche 63

3.4. Elaborazioni a livello fogliare 69

3.4.1. Analisi delle firme spettrali 69

3.4.1.1. Tecniche di filtraggio 69

2

3.4.1.2. Ricampionamento 72

3.4.1.3. Coefficiente di correlazione di Pearson 72

3.4.1.4. Calcolo derivata prima (1DGVI) 73

3.4.2. Correlazioni tra contenuto d’acqua e VIs 73

3.4.3. Correlazioni tra indici derivati da CR 75

3.4.4. Correlazioni tra il contenuto d’acqua e quello stimato con Lambert Beer 76

3.4.5. Correlazioni tra contenuto di clorofilla e VIs 76

3.5. Elaborazioni a livello di canopy 78

3.5.1. Acquisizione delle immagini 78

3.5.2. Pre-elaborazioni dati MIVIS 79

3.5.3. Pre-elaborazioni delle immagini 80

3.5.3.1. Correzioni geometriche 80

3.5.3.2. Correzioni atmosferiche 81

3.5.4. Identificazione delle Regions Of Interest (ROI) 81

3.5.5. Calcolo di Indici di Vegetazione (VIs) e

correlazioni con il contenuto d’acqua 82

3.5.6. Calcolo di Indici di Vegetazione (VIs) e

correlazioni con il contenuto di Clorofilla 85

3.5.7. Tecniche di Scaling e calcolo del contenuto d’acqua della canopy 85

4. RISULTATI E DISCUSSIONI 86

4.1. Stima del contenuto d’acqua a livello fogliare 87

4.1.1. Stime a partire dai VIs 90

4.1.2. Stime a partire da indici derivati da CR 96

3

4.1.3. Stime a partire dall’equazione modificata di Lambert-Beer 97

4

4.2. Stima del contenuto di clorofilla a livello fogliare 98

4.2.1. Stime a partire dai VIs 98

4.3. Stima del contenuto d’acqua a livello di canopy 100

4.3.1. Mappa del contenuto d’acqua 110

4.4. Stima del contenuto di clorofilla a livello di canopy 112

4.4.1. Mappa del contenuto di clorofilla 113

5. CONCLUSIONI 114

6. BIBLIOGRAFIA 118

Capitolo1 Introduzione

5

Capitolo1

INTRODUZIONE


6

1.1 CONTESTO DELLA TESI

Il presente lavoro di tesi ha come obiettivo la stima del contenuto idrico a livello fogliare a

partire da misure di riflettanza di laboratorio, e a livello di canopy a partire da immagini

iperspettrali MIVIS. Le osservazioni remote, di laboratorio, da aereo o da satellite,

consentono, infatti, di stimare alcune variabili ecologiche relative allo stato della vegetazione

che aiutano a descrivere lo stato degli ecosistemi forestali e consentono la parametrizzazione

dei modelli ecosistemici rivolti alla simulazione dei cicli biogeochimici e dei processi di

trasferimento energetico e radiativo tra suolo, pianta ed atmosfera. Tra i parametri derivabili a

partire da informazioni iperspettrali, il contenuto idrico è di importanza pratica per analisi

sullo stato di salute delle piante, per la gestione delle pratiche di irrigazione, per quantificare la

resa delle colture e per studi sui flussi di carbonio.

La determinazione del contenuto idrico della vegetazione presenta importanti applicazioni

nello studio delle foreste e delle colture agricole in quanto lo stress idrico costituisce una delle

più importanti limitazioni per la produzione primaria degli ecosistemi (Penuelas et al., 1993).

Molti studi hanno cercato di definire il ruolo del contenuto d’acqua nella dinamica degli

incendi. Virtualmente tutti i tipi di vegetazione sono soggetti ad incendi. Programmi di ricerca

condotti durante gli ultimi trent’anni riguardanti la valutazione del rischio d’incendio hanno

messo in evidenza il ruolo del contenuto d’acqua della vegetazione nei processi di

combustione della biomassa. Il bilancio idrico è uno dei fattori più importanti che controllano

la produzione primaria, e quindi la frequenza e l’intensità dell’incendio (Jacquemound and

Ustin, 2003).


7

1.2 SIGNIFICATO DEL CONTENUTO IDRICO DELLA

VEGETAZIONE

Il contenuto idrico non è altro che la quantità d’acqua presente in una foglia o, se si estende il

concetto ad una scala più ampia, nell’intera vegetazione (canopy). Sebbene ci siano molti modi

per esprimere il contenuto d’acqua della vegetazione (potenziale d’acqua della foglia, apertura

stomatica, densità specifica dell’acqua, contenuto di umidità all’equilibrio, etc.), FMC, EWT e

RWC sono quelli più usati dai fisiologi vegetali per determinare il contenuto idrico della pianta

(Jacquemound and Ustin, 2003):

100((%) ∗=secco) peso-turgido (pesosecco) peso - fresco pesoRWC [Relative Water Content]

100*(%)fresco) (peso

secco) peso-fresco (peso=FMC [Fuel Moisture Content]

fogliare) (areasecco) peso-fresco (peso

=)/( 2 cmocmgEWT [Equivalent Water Thickness]

EWT esprime il contenuto d’acqua per unità di area fogliare. Corrisponde allo spessore o peso

medio di una ipotetica lama d’acqua disposta su un lato di area fogliare (Danson et al., 1992).

Mentre FMC è normalizzato al peso, EWT è normalizzato rispetto all’area. Sono due modi

diversi per definire il contenuto d’acqua fogliare e non sono direttamente relazionati (Ceccato

et al., 2001). RWC è invece normalizzato al peso che la foglia avrebbe in uno stato di massimo

turgore: questo parametro è utile per descrivere lo stress idrico. Gli stress idrici vengono

comunemente definiti leggeri, moderati o gravi, secondo che comportino una diminuzione del

contenuto d’acqua a pieno turgore rispettivamente inferiore al 10%, compreso fra il 10 e il

20% e al di sopra del 20%, mentre un valore pari al 50% è normalmente associato a danni

irreversibili al protoplasma (Paci, 1997).

Il calcolo del contenuto idrico di una foglia, a prima vista, può sembrare un’operazione molto

semplice che richiede solamente il peso di una foglia (peso fresco e peso secco); non servono

strumenti altamente tecnologici, basta una bilancia e una stufa. Se però si devono campionare


8

un numero elevato di foglie i tempi di lavoro aumentano notevolmente e, nel caso in cui si

voglia calcolare il contenuto d’acqua dell’intera vegetazione, anche una semplice operazione

può risultare difficile o addirittura inapplicabile. Inoltre le misure su un grande numero di

campioni non solo rappresentano un intenso lavoro, ma possono anche essere soggette ad

errore (Penuelas et al., 1993). È quindi importante e necessario trovare nuovi metodi in grado

di stimare il contenuto d’acqua sia a livello di foglia sia a livello di canopy; il telerilevamento è

un metodo potenzialmente molto utile. In sintesi, le misure del contenuto d’acqua con metodi

tradizionali presentano svantaggi legati al tempo di esecuzione, sono misure puntuali e hanno

difficoltà nell’estrapolazione a livello di canopy (scaling); al contrario le tecniche di

telerilevamento presentano molteplici vantaggi, tra i quali si ricorda:

• Sono tecniche non distruttive;

• Sono misure istantanee;

• Vantaggiose in aree estese.


1.3 PROPRIETÀ OTTICHE DELLA FOGLIA E DELLA

VEGETAZIONE

La radiazione che non viene assorbita o diffusa dall’atmosfera può raggiungere e quindi

interagire con la superficie della Terra.

Quando l’energia elettromagnetica è incidente alla superficie (Ei) possono avvenire tre tipi di

interazioni (Figura 1.1): l’energia può essere assorbita (Ea), trasmessa (Et) oppure riflessa (Er).

Applicando il principio della conservazione dell’energia si può scrivere la seguente equazione:

Ei(λ)=Er(λ)+Ea(λ)+Et(λ)

La proporzione tra l’energia riflessa, assorbita e trasmessa varia a seconda degli oggetti e dipende

dai tipi di materiali e dalla lunghezza d’onda dell’energia elettromagnetica.

Figura 1.1 Esempio delle interazioni dell’energia incidente (I) su una foglia; T rappresenta l’energia trasmessa, R l’energia riflessa e A l’energia Assorbita.

La riflessione è soprattutto in funzione della rugosità della superficie dell’oggetto e della

lunghezza d’onda considerata. I riflettori speculari sono superfici piatte che riflettono come uno

specchio, dove l’angolo di riflessione è uguale all’angolo d’incidenza (Figura 1.2a). I riflettori

Lambertiani sono superfici che riflettono uniformemente in tutte le direzioni (Figura 1.2b). La

maggior parte delle superfici terrestri non sono riflettori né speculari né diffusi: le loro

caratteristiche di riflessione sono in qualche modo una via di mezzo tra i due estremi.

9


[a] [b]

Figura 1.2 Esempio di una riflessione speculare (a) e lambertiana (b)

Il comportamento di una superficie è dettato dalla rugosità della superficie stessa in funzione

della lunghezza d’onda dell’energia incidente. Quando la lunghezza d’onda dell’energia incidente

è molto minore delle variazioni dell’altezza della superficie o delle dimensioni delle particelle di

cui è composta una superficie, la riflessione è di tipo lambertiano.

Le caratteristiche di riflessione di un oggetto possono essere quantificate misurando la porzione

di energia incidente che viene riflessa:

•

•

•

Riflettanza: ρ(λ) = Er(λ) / Ei(λ) e in modo analogo

Assorbanza: α(λ) = Ea(λ) / Ei(λ)

Trasmittanza: τ(λ) = Et(λ) / Ei(λ)

Per la legge della conservazione dell’energia ρ + α + τ = 1

Il grafico della riflettanza spettrale di un oggetto in funzione della lunghezza d’onda è definita

firma spettrale (Figura 1.3).

Si può descrivere l’andamento di riflettanza e trasmittanza di una singola foglia in funzione della

lunghezza d’onda distinguendo tre regioni di interesse: la regione del visibile (400-700 nm),

quella dell’infrarosso vicino (700-1350 nm) e quella dell’infrarosso medio (1350-2700 nm). Il

comportamento spettrale in queste regioni può comunque subire variazioni dipendenti dallo

stato di salute, dall’età e dalla specie.

10


0.00

0.05

0.10

0.15

0.20

0.25

0.30

0.35

0.40

0.45

0.50

400 600 800 1000 1200 1400 1600 1800 2000 2200 2400

Lunghezza d'onda (nm)

Rifl

etta

nza

Struttura cellulare

Assorbimento della clorofilla

Assorbimento dell’acqua

Pigmenti fotosintetici

Contenuto idrico

NIRVIS SWIR

Figura 1.3 Firma spettrale di una foglia

Il comportamento spettrale è il risultato delle interazioni della radiazione con la struttura

cellulare (Figura 1.4), i pigmenti fotosintetici e il contenuto d’acqua.

Figura 1.4 Struttura della foglia

11


La struttura della foglia consiste di una lamina di cellule contenente i cloroplasti, circondata da

uno strato epidermico protettivo perforato da fori (stomi) e collegato al fusto dal picciolo

fogliare (dove passa la nervatura). La lamina fogliare fotosintetica consiste di diversi strati del

mesofillo, con uno o più strati di cellule a palizzata e uno più lacunoso in prossimità degli stomi.

La clorofilla e i pigmenti risiedono nei cloroplasti (organuli all’interno della cellula). In questa

porzione viene assorbita la luce blu e rossa (Figura 1.5). La luce verde viene riflessa dalle cellule a

palizzata.

Figura 1.5 Penetrazione dell’energia luminosa all’interno della struttura della foglia.

Nelle piante verdi, le clorofille sono i pigmenti primari responsabili dell’assorbimento della

radiazione visibile, anche se ne esistono altri che possono contribuire, come i carotenoidi, le

xantofille e le antocianine. Nel vicino infrarosso le foglie assorbono poco, a causa della struttura

del mesofillo fogliare, che provoca un multiple scattering della radiazione nei siti di discontinuità.

Nella regione del medio infrarosso ρ e τ sono più basse rispetto ai valori visti per il NIR. Questa

parte dello spettro è caratterizzata da peculiari picchi di assorbimento dell’acqua (centrati intorno

a1450, 1940 e 2200 nm): un aumento della riflettanza è il risultato della diminuzione del

contenuto d’acqua fogliare (Figura 1.6).

12


13

0.00

0.05

0.10

0.15

0.20

0.25

0.30

0.35

0.40

0.45

0.50

350 550 750 950 1150 1350 1550


Rif

lett

anza

Ewt = 0.0106 g/cm2

Ewt = 0.0151 g/cm2

Figura 1.6 Riflettanza di due foglie, una con alto (EWT=0.0151 g/cm2) e una con basso (EWT=0.0106 g/cm2) contenuto idrico fogliare nell’intervallo spettrale 350-1600 nm. Differenze nelle proprietà ottiche dovute al diverso contenuto d’acqua sono evidenti nel picco di assorbimento dell’acqua posto intorno ai 1400 nm.

Se invece della singola foglia consideriamo l’intera canopy, aumenta la complessità nella

descrizione del trasferimento della radiazione nella vegetazione.

I fattori che influenzano la riflettettività della canopy sono:

Grado di copertura e quantità di biomassa verde;

Proporzione verde/non verde;

Architettura degli elementi fogliari (geometria, distribuzione, aggregazione);

Tipologia del sottobosco;

Fenologia:

Fattori esterni (morfologia dell’area, angolo di vista, geometria illuminazione, condizioni

atmosferiche).


14

1.4. CONTENUTO D’ACQUA E REGIONI SPETTRALI

Le regioni centrate vicino a 1450 e 1950 nm sono le maggiori bande di assorbimento dell’acqua;

altre due bande minori sono invece centrate vicino a 970 e 1200 nm (Jacquemoud and Ustin,

2003) (Figura 1.7).

Lunghezza d’onda (nm)

Rifle

ttanz

a (n

m)

Figura 1.7 Firma della riflettanza di una foglia con indicate le quattro principali bande di assorbimento dell’acqua

Le bande di assorbimento della vegetazione secca si trovano invece centrate a 1720-1780 nm e

sono dovute a composti chimici come cellulosa, lignina e amido (Curran, 1989). In questa zona

non ci sono assorbimenti da parte dell’acqua come si vede dall’andamento del coefficiente di

assorbimento di Palmer and Willams (Figura 1.8).


15

0

20

40

60

80

100

120

140

160

700 1200 1700 2200 2700Lunghezza d'onda (nm)

Coef

ficie

nte

di A

ssor

bim

ento

()

Figura 1.8 Andamento del coefficiente di assorbimento (Palmer):le freccie indicano i quattro picchi di maggiore assorbimento.

Le caratteristiche di assorbimento sono il risultato di transizioni vibrazionali che includono varie

connotazioni e combinazioni delle tre fondamentali transizioni vibrazionali della molecola

dell’acqua: V1 (modo di transizione con allungamento simmetrico H-O-H), V2 (modo di

transizione curvato H-O-H), e V3 (modo di transizione con allungamento asimmetrico H-O-H).

Alla banda di assorbimento centrata vicino a 970 nm è attribuita una combinazione 2V1+V3, a

quella vicino a 1200 nm una combinazione V1+V2+V3, a quella vicino a 1450 nm una

combinazione V1+V3 e a quella centrata vicino a 1950 nm una combinazione V2+V3.

Filella e Peñuelas (1994) trovarono degli effetti indiretti del contenuto d’acqua anche a 400 nm e

nel Red Edge a 700 nm.

Molti studi dimostrano l’esistenza di una relazione tra la riflettanza fogliare nella regione

spettrale tra i 400 e i 2500 nm e i cambiamenti di contenuto idrico della foglia (Zarco-Tejada et

al., 2003).

Nelle piante verdi, le clorofille sono i pigmenti primari responsabili dell’assorbimento della

radiazione visibile, anche se ne esistono altri quali i carotenoidi, le xantofille e le antocianine. Il

passaggio tra valori di riflettanza bassi nel rosso ed alti nell’infrarosso è molto rapido: questa

porzione dello spettro, denominata Red Edge, è maggiormente indicativa del contenuto di

clorofilla, più che del contenuto d’acqua (Filella and Peñuelas, 1994). La derivata nel Red Edge


16

rimane molto ambigua per determinare lo stress idrico e i cambi del contenuto d’acqua si fanno

sentire solo per marcati valori (RWC<75%).

Nel vicino infrarosso le foglie assorbono poco, a causa della struttura del mesofillo fogliare, che

provoca un multiple scattering della radiazione nei siti di discontinuità. Le variazioni del contenuto

d’acqua inducono riorganizzazioni dei componenti e perdita di turgore cellulare: in alcune

piccole bande di assorbimento dell’acqua presenti in questa regione si osservano variazioni di

riflettanza. Due piccole bande si assorbimento centrate a 970 e 1150 nm sono rilevabili con

sistemi iperspettrali e presentano le giuste caratteristiche per stimare il contenuto d’acqua

(maggiori energie in gioco, minor assorbimento dell’acqua e maggiore trasmissione nel mezzo).

Gli indici WI e NDWI (come sarà spiegato più avanti) lavorano in questa regione.

Nella regione del medio infrarosso ρ e τ sono più basse rispetto ai valori osservabili per il NIR.

Questa parte dello spettro è caratterizzata da peculiari picchi di assorbimento (centrati intorno a

1450, 1940 e 2200 nm) riconducibili al contenuto di acqua nella foglia che mascherano le

caratteristiche dei componenti chimici quali cellulosa, lignina, amido e proteine. Le riflettanze a

1650-1850 nm aumentano al diminuire di FMC e inoltre cambiano le forme delle curve. In

particolare la “fossa” tra 1650 e 1850 nm cambia forma al variare di FMC (Tian et al., 2001).

Spesso si è riscontrato che ad una diminuzione del contenuto d’acqua nelle foglie si verifica un

aumento di riflettanza (Cibula et al., 1992; Hunt et al., 1987) anche se in alcuni studi a banda larga

non si è vista nessuna variazione legata al contenuto idrico e al grado di stress (Hunt e Rock,

1989; Pierce et al., 1990; Bowman, 1990).

Carter (1991) studiò gli effetti primari e secondari del contenuto d’acqua sulla riflettanza fogliare:

gli effetti primari sono quelli dovuti solamente dalle proprietà radiative dell’acqua, mentre gli

effetti secondari sono invece quelli che non possono essere spiegati solamente con quelle

proprietà. I suoi studi dimostrarono che la sensitività della riflettanza fogliare al contenuto

d’acqua era più grande in bande spettrali centrate a 1450, 1940 e 2500 nm.

Sono stati sviluppati molte tecniche per estrarre il contenuto d’acqua fogliare a partire dalle

proprietà ottica delle foglie (calcolo di indici sulle firme, regressioni matematiche e modelli di

trasferimento radiativi).

Danson et al. (1992) dimostrarono che quando sono presenti variazioni nella struttura interna

della foglia, la derivata prima della riflettanza fogliare si correla meglio della riflettanza originale


17

al contenuto idrico fogliare: quindi la derivata della riflettanza calcolata nelle bande di

assorbimento dell’acqua minimizza gli effetti dovuti alla struttura della foglia, massimizzando la

sensitività del contenuto idrico fogliare.

Roberts et al. (1997) notarono degli effetti della variazione del contenuto d’acqua sugli indici di

vegetazione come ad esempio l’NDVI.

Nell’ambito di uno studio su rischi e dinamiche di incendi, Ceccato (2001) ha dimostrato che la

regione spettrale dell’infrarosso medio (SWIR) è sensitivo all’EWT e non all’FMC. Il lavoro è

stato svolto con 37 diverse specie di piante e per ogni foglia sono state registrate cinque firme

spettrali. I valori di riflettanza fogliare a 1600 nm sono stati plottati con l’EWT (Figura 1.9).

Figura 1.9 Relazione tra EWT fogliare e la riflettanza a 1600 nm (Ceccato, 2001).


18

Figura 1.10 Firma di riflettanza fogliare misurata in laboratorio (LOPEX data) per quattro differenti specie aventi hanno gli stessi valori di EWT (0.012 g/cm2) corrispondenti a quattro differenti valori di FMC (Ceccato et al, 2001).

Dal grafico in Figura 1.10 si deduce che più fattori concorrono a influenzare la riflettanza. A

parità di EWT per esempio possiamo avere differenti andamenti della riflettanza. Il contenuto

d’acqua va visto interagire con gli altri parametri che influenzano la risposta spettrale della

foglia. Pertanto è utile vedere come un modello di trasferimento radiativo simuli il

comportamento della riflettanza al variare del contenuto d’acqua e degli altri parametri.

I valori di riflettanza diventano sempre più insensibili a variazioni di EWT quando EWT è

grande (i.e. EWT > 0.02 g/cm2).

Per bassi valori di EWT, diciamo quando la vegetazione sta perdendo acqua, la riflettanza a

1600 nm aumenta più rapidamente.

Lo studio di un modello di trasferimento radiativo (PROSPECT) ha permesso di affermare

che la regione SWIR da sola non basta per stimare l’EWT in quanto l’infrarosso medio è

sensibile anche ai parametri N (struttura interna della foglia) e Cm (contenuto di materia secca);

è stato inoltre osservato che nella zona dell’infrarosso vicino (NIR) i cambi nella riflettanza

sono solo dovuti all’azione combinata di N e Cm. Quindi aggiungendo l’informazione del NIR

si dovrebbe meglio individuare il contenuto d’acqua. Pertanto Ceccato (2001) ha definito un

nuovo indice dato dal rapporto tra SWIR e NIR:

MSI = ρ1600/ρ820

Nello studio di Peñuelas et al., (1997) è stata analizzata la buca di assorbimento dell’acqua nel

NIR con un intervallo di lunghezze d’onda che va tra i 900 e i 980 nm. Sono stati campionati


19

diversi alberi, arbusti, cespugli ed erbe; è stato allestito anche un sito sperimentale in cui le piante

sono state tenute in condizioni di stress idrico. Il contenuto d’acqua è stato espresso come

100*secco peso

secco pesofresco peso −=PWC

Figura 1.11Effetti dovuti alla disidratazione di Arbus unedo tra i 800 e 900 nm. Le percentuali tra parentesi indicano la variazione del PWC (Peñuelas et al., 1997).

Dal grafico (Figura 1.11) si deduce che a maggiori lambda, la radiazione viene assorbita

rapidamente dall’acqua, non attraversa a lungo la canopy e quindi non descrive una

concentrazione idrica complessiva.

La zona con debole assorbimento posta intorno a 950-970 nm è stata utilizzata per creare un

indice spettrale in cui si rapporta in un piccolo spazio l’intensità della fossa (assorbimento) ad

una riflettanza di riferimento. Pertanto si usa una banda che non presenta assorbimento di acqua

e in cui i fattori strutturali agiscano nello stesso identico modo.

A lunghezze d’onda maggiori inoltre bisogna tener conto della bassa irradianza.

L’indice utilizzato in questo studio è il Water Band Index definito come:

970

900

ρρ

=WI


20

L’indice è ben correlato con il PWC (Plant Water Content). La limitazione è che comunque

WI è molto sensitivo solo ad avanzati stati di disidratazione.

Gao (1996) ha definito un nuovo indice NDWI (Normalized Difference Water Index), che si

correla molto bene con il contenuto d’acqua. Gao ha notato la presenza di due plateau con alta

riflettanza posizionati a 860 e 1240 nm: in entrambe le lunghezze d’onda vi è una penetrazione

della radiazione attraverso la canopy.

L’assorbimento del contenuto idrico della vegetazione vicino ai 860 nm è trascurabile, mentre vi

è un piccolo assorbimento a 1240 nm. Come risultato, NDWI è sensitivo ai cambiamenti del

contenuto idrico della vegetazione. Gli effetti di scattering dovuti agli aerosol presenti in

atmosfera nella regione tra 860 e 1240 nm sono deboli. In confronto con NDVI è corretto

affermare che NDWI è ancora meno sensitivo agli effetti dell’atmosfera. Purtroppo questo

indice, come NDVI, non rimuove completamente gli effetti dovuti alla riflessione del suolo.

NDWI è molto importante perché è un indice applicabile ai dati telerilevati da sensori

aviotrasportati: la maggior parte di questi sensori acquisiscono nelle regioni spettrali in cui è

definito l’indice. Gao (1996) utilizza delle firme di riflettanza misurate in laboratorio e delle

immagini acquisite da un sensore aviotrasportato (AVIRIS) per dimostrare l’utilità e la

funzionalità dell’indice NDWI.

Rollin and Milton (1998) trattano differenti metodi, per l’estrazione di informazioni biofisiche

(tra cui il contenuto idrico) della canopy attraverso l’uso di uno spettroradiometro da campo.

È molto utile riuscire a stimare il contenuto d’acqua dell’intera canopy, ma estendere i risultati

di laboratorio al campo può presentare alcuni problemi.

Primo l’effetto dell’assorbimento del vapore acqueo nell’atmosfera implica che l’energia che

raggiunge la superficie sia fortemente ridotta. Secondo, non è chiaro come la relazione tra il

contenuto d’acqua fogliare e la riflettanza possa essere scalato (scaling) al livello di canopy. La

canopy, infatti, include variazioni di LAI (leaf area index) così come di aree di vegetazione di

background e aree non fotosinteticamente attive, entrambe delle quali variano nello spazio, nel

tempo e con l’angolo di vista del sensore.

Rollin and Milton (1998) hanno campionato vari “plots” di terreno, di area nota, da cui sono

state estrapolate informazioni su alcuni parametri biofisici, tra i quali il contenuto d’acqua

totale. Il contenuto d’acqua della canopy è espresso in percentuale, ma normalizzato per unità di

superficie. Le firme sono state acquisite sul campo con lo strumento GER IRIS MK IVTM in


21

un intervallo di lunghezze d’onda compreso tra i 400 ai 2500 nm: le firme sono poi state

ricampionate, filtrate ed e sui di esse è stata calcolata la derivata prima.

Rollin and Milton (1998) analizzano inoltre gli effetti di differenti gradi di “smoothing” sulle

correlazioni tra la riflettanza (e la derivata prima) e ognuno dei parametri biofisici.

Gli autori hanno anche definito un nuovo indice (RDI) che lavora nella banda di assorbimento

dell’acqua posta a 1150 nm. La funzionalità di questo indice, in modo simile alla derivata

prima, è quella di normalizzare nell’insieme il livello di riflettanza, il quale è fortemente

influenzato dagli altri fattori della canopy. Il Relative Depht Index (RDI) è stato calcolato nel

seguente modo: 100*max

minmax

RRR

RDI−

=

dove Rmax è il valore di riflettanza a 1116 nm e Rmin è il valore minimo di riflettanza

nell’intervallo tra i 1120 e i 1250 nm. Sono state trovate buone correlazione tra questo indice e

il contenuto d’acqua (r=0.76); inoltre è stato provato che la bontà della correlazione non viene

influenzata dal diverso grado di “smoothing” utilizzato.

Inoltre sono state trovate buone correlazioni tra la derivata prima della riflettanza della canopy a

1156 nm e il contenuto d’acqua: queste correlazioni, e la posizione della lunghezza d’onda in

corrispondenza del massimo della correlazione, sono però sensitive al grado di “smoothing”.

Pu et al. (2003) hanno studiato le variazioni del contenuto idrico (in termini di RWC) nelle

regioni di assorbimento dell’acque centrate a 975, 1200 e 1750 nm. In laboratorio è stata

misurata la riflettanza fogliare, di 139 campioni di querce (Quercus agrifolia), con lo strumento

FieldSpec®Pro FR. È stata applicata una tecnica basata su indici spettrali e la tecnica del

Continuum Removal (vedi paragrafo 2.3.). Sono stati definiti due nuovi indici che operano

nelle bande di assorbimento dell’acqua a 975 e 1200 nm:

11001090940920

990960975

2

−−

−

+=

ρρρ

RATIO

1258126511101090

122011801200

2

−−

−

+=

ρρρRATIO

Le regressioni di questi due indici con RWC hanno mostrato buone correlazioni (r=-0.85 con

l’indice RATIO975 e r=-0.86 con l’indice RATIO1200).


22

1.5. IL SENSORE IPERSPETTRALE MIVIS E BANDE DI

INTERESSE PER LA STIMA DEL CONTENUTO D’ACQUA

1.5.1. MIVIS: Caratteristiche tecniche e funzionamento

Il sensore aviotrasportato Multispectral Infrared and Visible Imaging Spectrometer (MIVIS), installato

su un bimotore CASA-212/200, è un sistema a scansione che opera con un’elevata risoluzione

spaziale e spettrale. Possiede una molteplicità di canali di registrazione a intervalli di lunghezze

d’onda relativamente vicine, e per questo motivo è detto iperspettrale.

Il MIVIS è uno strumento modulare, costituito da quattro spettrometri che riprendono

simultaneamente la radiazione proveniente dalla superficie terrestre nel visibile (20 bande tra 430

e 830 nm), nell’infrarosso vicino (8 bande tra 1150 e 1550 nm), nell’infrarosso medio (64 bande

tra 2000 e 2500 nm) e nell’infrarosso termico (10 bande tra 8200 e 12700 nm) per un totale di

102 canali (Tabelle 1.1 e 1.2 e Figura 1.12).

L’utilizzo del sensore MIVIS permette quindi di riprendere 102 immagini della stessa scena

perfettamente sovrapponibili, ognuna delle quali viene realizzata misurando il valore di radianza

proveniente dalla superficie, nell’intervallo di lunghezze d’onda corrispondente ad uno dei canali

di ripresa.

Spettrometro Regione dello spettro Numero bande Intervallo spettrale (nm)

Ampiezza bande (nm)

1 Visibile 20 430-830 20

2 Infrarosso vicino 8 1150-1550 50

3 Infrarosso medio 64 2000-2500 8

4 Infrarosso termico 10 8200-12700 340-540 Tabella 1.1 Caratteristiche degli spettrometri MIVIS


23

Spettrometro Canale Range Lungh.Onda (nm) Spettro

metro Canale Range Lungh.Onda (nm)

1 433 453 21 1150 1200 2 453 473 22 1200 1250 3 473 493 23 1250 1300 4 493 513 24 1300 1350 5 513 533 25 1350 1400 6 533 553 26 1400 1450 7 553 573 27 1450 1500 8 573 593

II

28 1500 1550 9 593 613 29-92 2000 2500 10 613 633 III 64 canali, ognuno dei quali ampio 8 nm 11 633 653 93 8200 8600 12 653 673 94 8600 9000 13 673 693 95 9000 9400 14 693 713 96 9400 9800 15 713 733 97 9800 10200 16 733 753 98 10200 10700 17 753 773 99 10700 11200 18 773 793 100 11200 11700 19 793 813 101 11700 12200

I

20 813 833

IV

102 12200 12700 Tabella 1.2 Elenco dei canali del sensore MIVIS

0.0

0.1

0.2

0.3

0.4

0.5

400 600 800 1000 1200 1400 1600 1800 2000 2200 2400


Rifle

ttanz

a Firma di riflettanza di una foglia

Intervalli spetttrali di acquisizione delsensore MIVIS

Figura 1.12 Firma di riflettanza di una foglia con evidenziati (in blu) i canali del sensore MIVIS.


24

La larghezza complessiva dell’immagine acquisita con il sensore viene calcolata mediante la

relazione (Figura 1.13):

L = 2H tg(FOV/2),

dove: L = larghezza dell’immagine;

H = quota di volo;

FOV = Field Of View, o angolo di vista complessivo del sensore, pari a 71.059°

Le dimensioni al suolo di ciascun pixel sono invece calcolate attraverso la formula:

D = 2H tg (IFOV/2),

dove: D = dimensioni del pixel;

H = quota di volo;

IFOV = Istantaeous Field Of View, o angolo di vista istantaneo dello strumento, pari a 2.0

mrad per il MIVIS,

Figura 1.13 Geometrie di ripresa del sensore


25

1.5.2. Struttura del MIVIS

Il MIVIS è costituito da 5 sottosistemi, tre dei quali sono dotati di computer di controllo che

inviano comandi e informazioni sullo stato dei loro assistiti attraverso una rete di comunicazione

locale ethernet (Figura 1.14). I cinque sottosistemi sono (Lechi, 1998; Bianchi et al., 1995):

1. Testa di scansione e spettrometro. La testa di scansione è costituita da elementi ottici che

comprendono il telescopio collimatore primario ed uno specchio rotante di scansione,

dal motore-contatore che controlla la frequenza di scansione e da due corpi neri di

riferimento termico. Tali componenti sono contenute all’interno di una struttura in

acciaio e alluminio che scherma la radiazione ottica dispersa e fornisce l’interfaccia con

lo spettrometro.

2. Digitalizzazione. La funzione principale del digitalizzatore è di convertire i 102 segnali

analogici in forma digitale a 12 bit, formattare questi dati e registrarli su supporto

magnetico. Questo processo è sincronizzato con la rotazione dello specchio di

scansione per mezzo di segnali inviati dal contatore ottico installato sul motore di

scansione. Il digitalizzatore sovrintende anche il sistema PAS (Position and Attitude

Sensor) ed al ricevitore GPS.

3. Distributore di alimentazione. È l’interfaccia tra l’alimentazione dell’aereo (28 Volt corrente

continua) ed i restanti sottosistemi del MIVIS operanti anche con altre tensioni

elettriche.

4. Moving Window Display e Monitor. Il MWD contiene un monitor CRT, un oscilloscopio

digitale ed un trasformatore di corrente continua/corrente alternata che fornisce 115

volt 60 Hz al Monitor CRT e al registratore VLDS. Le funzioni del Moving Window

Display sono controllate attraverso un menù di selezione disponibile all’operatore su un

Touch Screen Dispay.

5. Registratore VLDS (Very Large Data Store). È un registratore digitale su nastro

magnetico VHS capace di memorizzare ad alta velocità grandi quantità di dati. La

versione VLDS utilizzata per il MIVIS è provvista di un buffer che permette, attraverso

memorie interne, il trasferimento di dati ripresi a diversa velocità di scansione.

I dati registrati possono essere successivamente elaborati, archiviati e distribuiti attraverso un

apposito software denominato MIDAS (Multispectral Interactive Data Analys System). Il


26

software MIDAS è stato sviluppato originariamente per sistemi operativi UNIX e solo

recentemente adattato a sistemi Windows.

Figura 1.14 Il sensore MIVIS (Sensytech, 2000)


27

1.5.3. Bande MIVIS di interesse per la stima del contenuto d’acqua

Il sensore MIVIS possiede una molteplicità di canali di registrazione a intervalli di lunghezze

d’onda relativamente vicine, e per questo motivo è detto iperspettrale.

Bisogna però fare delle precisazioni: primo, gli intervalli di lunghezza d’onda non sono così

vicini da permettere una registrazione in continuo; secondo, il sensore MIVIS non acquisisce in

tutte le lunghezze d’onda (mancano i valori di riflettanza relativi all’intervallo tra 830 – 1150 nm

e tra 1550 - 2000 nm). In base alle variazioni del contenuto d’acqua indotto dai cambiamenti di

riflettanza in precise regioni spettrali (§ 1.4.), e dai tipi di indici spettrali utilizzati (§ 2.4.) è

necessario selezionare le bande di interesse per la stima del contenuto d’acqua.

Le bande potenzialmente utili per la stima del contenuto d’acqua sono riassunte in Tabella 1.3.

Spettrometro Canale Intervallo λ (nm)

13 673 693 I 20 813 833 21 1150 1200 22 1200 1250

23 1250 1300 25 1350 1400 26 1400 1450

II

28 1500 1550 III 58 2222 2231

Tabella 1.3 Canali MIVIS selezionati per questo studio

Capitolo2 Stima del contenuto d’acqua da telerilevamento

28

Capitolo2

STIMA DEL CONTENUTO

D’ACQUA DA

TELERILEVAMENTO


29

2.1. ERRORI NELLE MISURE A TERRA E TELERILEVATE

Ogni grandezza è definita dalle operazioni sperimentali che si compiono per ottenerne la misura:

il risultato di una misura dipende perciò dal procedimento adottato e dalle caratteristiche dello

strumento usato, nonché da tutti quei fattori esterni che intervengono sullo svolgersi

dell'esperimento e della misura.

Per quanto ci si possa sforzare di aumentare la sensibilità degli strumenti o di affinare le tecniche

di misura dei valori, tutte le misure che effettuiamo sono affette da errore: questo significa che

esse non coincidono con il "valore vero" della grandezza misurata.

I tipi di errore che si possono commettere all'atto della misura sono molteplici e si possono

racchiudere in tre gruppi fondamentali:

• Errori casuali

• Errori sistematici

• Disturbi

Si dicono casuali tutti quegli errori che possono avvenire, con la stessa probabilità, sia in difetto

che in eccesso. Data questa caratteristica, definiamo errori casuali tutte quelle incertezze

sperimentali che possono essere rilevate mediante la ripetizione delle misure. Le incertezze

sperimentali che non possono essere individuate attraverso la ripetizione delle misure sono dette

sistematiche. In particolare si definito errore sistematico la differenza tra il valore reale della

grandezza in esame e il valore assunto dalla misura effettuata su di essa: ovviamente il valore

reale della grandezza in genere non lo si conosce, altrimenti non avrebbe neppure senso

effettuare la misura. Le fonti principali di tali errori sono:

• Difetto dello strumento usato

• Interazione strumento-sperimentatore

• Interazione strumento-fenomeno in esame

• Errate condizioni di lavoro

• Imperfetta realizzazione del fenomeno


30

A volte può accadere che l'accuratezza di una misura si riduca a causa di alcuni fenomeni detti

disturbi: con disturbi si intendono tutte le risposte di uno strumento non generate dalla

grandezza posta sotto osservazione.

2.1.1. Errori nelle misure a terra

Gli errori che si possono commettere sulla misura di una variabile a terra dipendono

principalmente da due fattori (Curran and Hay, 1986):

1. Errori intrinseci nello strumento di misura. Tali errori possono essere stimati in modo

accurato, per esempio, ripetendo le misure in condizioni controllate.

2. Errori dovuti al campionamento di una variabile spaziale. Quando si utilizzano dati

telerilevati è importante conoscere la risoluzione a terra del pixel: in base a questa si deve

scegliere la strategia migliore per il campionamento di dati a terra. Basti pensare che ad

un sensore con risoluzione spaziale di 80 metri (ad esempio il sensore MSS del Landsat)

corrisponde un pixel a terra con superficie di 6400 m2; risulta quindi difficile riuscire a

campionare accuratamente quest’area. Come conseguenza bisogna calcolare un valore

medio rappresentativo della variabile a terra e l’errore dipende sia dal numero di

osservazioni, sia dall’area campionata.

2.1.2. Errori nella misura di variabili telerilevate

La qualità radiometrica del dato deriva sia dalle caratteristiche proprie del sensore utilizzato, in

termini di rapporto segnale rumore (NER, Noise Equivalent Reatio) e larghezza delle bande

spettrali, sia dagli algoritmi di processamento-correzione (atmosferica e geometrica). Si noti che,

mentre risulta ovvio un possibile deterioramento della qualità radiometrica del dato a causa di

una correzione atmosferica errata, anche la georeferenziazione può introdurre un'incertezza.

Infatti, sebbene la radiometria del singolo pixel non venga alterata in quanto per un uso

quantitativo del dato viene generalmente impiegato l'algoritmo di ricampionamento NN,

Nearest Neighbor, che non opera convoluzioni o medie, una imprecisa geolocazione dei pixel

può avere l'effetto di un vero e proprio mismatch in fase di validazione (es. se alle determinate

coordinate geografiche si è fatta la misura a terra per la validazione ma a quelle coordinate

corrisponde la vicina strada nell'immagine georiferita, la firma di una strada viene comunque

invertita e i risultati saranno insensati).


31

Curran and Hay (1986) hanno fornito una trattazione completa per quanto riguarda l'incertezza

del dato telerilevato e gli errori ad esso legati che verrà qui brevemente riassunta. Secondo gli

autori è possibile individuare sette sorgenti di errori, escludendo quelli connessi alla geolocazione

precedentemente citata: 1) variazioni d'irradianza; 2) errori di calibrazione del sensore; 3)

risoluzione radiometrica del sensore; 4) drift del sensore; 5) digitalizzazione del segnale; 6) errori

dovuti all'attenuazione atmosferica; 7) errori dovuti alla path radiance (radianza apparentemente

intrinseca del cammino ottico).

Assieme, le prime cinque sorgenti di errore (escludendo cioè il bias introdotto dalla correzione

atmosferica), risultano in un ±15 % (16 %) per un radiometro a terra e un sensore

aviotrasportato (per il sensore satellitare TM a bordo della piattaforma Landsat). Sono di seguito

analizzate in dettaglio le voci di errore:

1. Variazione d’irradianza. L'irradianza (E) ha due componenti di rumore: una a bassa

frequenza (periodo dai minuti alle ore) e una ad alta frequenza (periodo da 0 alle migliaia

di secondi). Se la radianza L è registrata al sensore in presenza di variazioni di bassa

frequenza (cielo nuovoloso, nuovole sparse), l'errore assoluto nella misura d'irradianza

può raggiungere il 180 % della misura. Al contrario, in condizioni di foschia totalmente

assente (condizioni cosiddette di clear sky), l'errore a bassa frequenza è assente, e l'errore

è contenuto in ± 3 % (considerando dei tempi d'integrazione moderati). Nel caso più

comune in cui vengono acquisiti i dati telerilevati (clear sky apparente), l'errore assoluto è

stimato attorno al 15 %. Un metodo semplice per sopprimere questo errore è formare

rapporti tra bende spettrali (e.g. indici spettrali di vegetazione) con l'assunzione che

l'errore percentuale nella variazione sia lo stesso nelle diverse bande impiegate. Un

metodo meno semplice, perché richiede la correzione atmosferica, è il calcolo della

riflettanza.

2. Errori di calibrazione del sensore. Se il sensore deve fornire una misura della radiazione

nelle sue unità fisiche allora deve essere calibrato contro uno standard primario

(generalmente un NIST traceable, cioè una sorgente la cui catena di calibrazione arriva al

NIST, US Department of Commerce's National Institute of Srandards and Technology).

L'errore totale connesso con i materiali e le procedure di calibrazione (sorgente e sfera

integratrice) è stimato attorno al 4 %. Di nuovo, i rapporti e il calcolo della riflettanza

sopprimono questo errore.


32

3. Risoluzione radiometrica del sensore. Le variazioni di sensibilità (o risoluzione) del

sensore sono descritti dal rapporto segnale/rumore (S/N o SNR, Signal to Noise Ratio).

I sensori satellitari recenti hanno un SNR di 200-300. Un altro modo utile di esprimere

questo errore è la differenza equivalente di rumore (NED, Noise Equivalent

Difference), ed è la minima variazione in riflettanza misurabile in determinate e

specificate condizioni di misura (raramente eccede il 1%).

4. Drift del sensore. La sensitività alla risposta dei sensori cambia nel tempo. Per

mantenere la calibrazione vengono effettuate delle calibrazioni di routine ma niente

oermette di pensare che anche i materiali usati per queste calibrazioni non si deteriorino

anch'essi (si utilizzano in quanto si ritiene che si deteriorino molto più lentamente della

sensibilità del sensore). Per un sensore satellitare (i cui materiali subiscono un forte

deterioramento al momento del lancio) questo errore è stimato in un 6 %, mentre è

molto minore per i sensori aviotrasportati e i sensori a terra. Anche in questo caso, i

citati rapporti sopprimono questa incertezza.

5. Digitalizzazione. Il processo di digitalizzazione del segnale, generalmente un voltaggio,

introduce un errore, piccolo, stimato 0.3 % per sensori con range dinamico ristretto (8

bit). Considerando che gli ultimi satelliti, i radiometri a terra, e i sensori aviotrasportati,

hanno un range dinamico molto maggiore, l'erroe appare trascurabile sebbene sia banda

dipendente e quindi non sopprimibile con rapporti.

6. e 7. Attenuazione atmosferica e path radiance. L'errore associato alla rimozione di

questi effetti attraverso il processo di correzione atmosferica è in genere variabile e

grande. Essendo dipendente dal lunghezza del cammino ottico, dalla torbidità

dell'atmosfera e dai codici impiegati per rimuoverlo, esso è ovviamente assente quando

di fanno misure a terra con spettroradiomentri e moderato quando si fanno campagne

con sensori aviotrasportati.

2.1.3. Errori nella correlazione tra variabili misurate a terra e variabili telerilevate

Le due principali cause di questi tipi di errori sono:

• Errata registrazione spaziale. Per effettuare correttamente delle correlazioni è importante

una precisa georeferenziazione delle misure a terra con i dati telerilevati. I dati telerilevati

da aereo o da piattaforma satellitare possono contenere errori di localizzazione: ad

esempio c’è un errore di circa ± 160 metri per il sensore MSS del Landsat e di ± 118


33

metri per il sensore RVB del Landsat, per un errore di registrazione medio di circa ± 50

metri per entrambi i sensori. Se viene utilizzato un giusto numero di punti di controllo a

terra (GCP, ground control points), è possibile diminuire questo tipo di errore, nel caso

del Landsat MSS, a ± 40 metri (che corrisponde a ± 0.5 pixel) per il 99% delle volte.

• Errata registrazione nel tempo. I dati telerilevati sono correlati con le misure a terra con

l’assunzione che entrambi siano stati registrati nello stesso tempo; ciò non sempre

avviene e può comportare un errore.


34

2.2. TECNICHE REGRESSIVE

Si ricorre all’analisi delle regressioni quando dai dati campionati si vuole ricavare un modello

statistico che predica i valori di una variabile dipendente Y a partire dai valori della variabile

indipendente X. La funzione matematica che può esprimere in modo oggettivo la relazione di

causa-effetto tra due variabili è l’equazione di regressione, o funzione di regressione della

variabile Y (valore stimato) sulla variabile X (valore osservato).

2.2.1. Regressioni Ordinary Least Squares (OLS)

La relazione matematica più semplice tra due variabili è la regressione lineare semplice,

rappresentata dalla retta

Y = a + bX + w

dove:

• Y è la variabile dipendente;

• a e b sono i predittori;

• X è il regressore, deterministico (senza errori);

• w è la perturbazione sulle Y;

Nelle OLS il calcolo della funzione di regressione viene fatto usando il metodo dei minimi

quadrati: la funzione scelta è quella che riduce al minimo la somma dei quadrati degli scarti di

ogni punto dalla sua proiezione verticale (parallelo all’asse delle Y). Più precisamente, indicando

con Yi il valore osservato (o empirico) e con Ŷi il corrispondente valore sulla funzione, si stima

come miglior interpolante la funzione che minimizza la sommatoria del quadrato degli scarti dei

valori osservati rispetto a quelli stimati Ŷi:

∑=

=−n

iii YY

1

2 min)ˆ(

Una volta calcolata l’equazione della funzione di regressione, è necessario valutarne

l’attendibilità. Questa può essere descritta dal coefficiente di determinazione R2, definito come il

rapporto della devianza dovuta alla regressione sulla devianza totale.


35

∑

∑

∑

∑

=

=

=

=

−

−=

−

−−= n

iii

n

iii

n

iii

n

iii

YY

YY

YY

YYR

1

2

1

2

1

2

1

2

2

)(

)ˆ(

)(

)ˆ(1 ,

dove iY è il valore stimato, iY il valore medio, e iY il valore osservato.

Il coefficiente di determinazione misura esclusivamente la capacità del modello di raccordarsi

con tutti gli elementi utilizzati nella costruzione del modello, misura cioè il fitting.

Una volta selezionate le correlazioni migliori si è proceduti a valutare la qualità del modello di

regressione (validazione), che consente di predire le “future risposte” di oggetti per i quali

conosciamo soltanto le variabili che le descrivono ma non le misure sperimentali.

Esistono varie tecniche di valutazione, le quali differiscono sostanzialmente per le modalità con

cui vengono riportati gli oggetti tra trainig set ed evaluation set e per il numero di trainig/ evaluation

set che vengono generati. In questo studio è stato utilizzato il metodo leave-one-out (LOO).

Secondo questo metodo, dati n oggetti, si calcolano n modelli in ciascuno dei quali escluso un

oggetto alla volta: ciascun modello viene calcolato con gli n-1 oggetti restanti e viene utilizzato

per predire la risposta: al fine di stimare un parametro che sia effettivamente in relazione col

potere predittivo del modello, lo scarto tra la risposta sperimentale e quella predetta viene

accumulato per tutti gli n oggetti che, a turno, vengono esclusi dal modello. Il modello finale

effettivo sarà sempre calcolato con tutti gli n dati disponibili, in modo da poter sfruttare tutta

l’informazione disponibile in tutti i dati.

Al fine di valutare la qualità del modello di regressione viene preso in considerazione il valore di

q2 (percentuale di varianza spiegata dal modello in predizione) e il valore di RMSECV.

∑

∑

=

=

−

−−= n

iii

n

iiii

YY

YYQ

1

2

1

2/

2

)(

)ˆ(1 ,

n

YYRMSE

n

iiii

cv

∑=

−= 1

2/ )ˆ(

dove iiY /ˆ è il valore predetto per l’i-esimo campione da un modello in cui il campione non è

stato preso in considerazione nella costruzione del modello stesso.

Entrambi i coefficienti (R2 e Q2) variano tra 0 e 1. Il modello migliore è quello con valori di R2 e

Q2 tendenti a 1.


36

Al fine di valutare la significatività di una regressione è importante eseguire un test (test t-

student) per verificare la seguente ipotesi: “la variabile dipendente y non dipende dal predittore

reale a/b”.

p è il livello di significatività del test, cioè, assumendo che l’ipotesi sia vera (indipendenza, b =0),

è la probabilità che, date le mie osservazioni, io rigetti l’ipotesi d’indipendenza (facendo un

errore). Io voglio che questa probabilità sia bassa, al di sotto di un livello α (di solito α=0.05

(5%)), quindi rigetto sotto questo livello.

Quindi, ricordando che l’ipotesi è “la variabile dipendente y non dipende dal predittore reale b”

(a è stato omesso perché molto meno importante di b):

se p>α=0.05 → accetto l’ipotesi d’indipendenza per quel livello (l’unica cosa che posso fare è

allentare la rigorosità del test prendendo un α più grande, 0.1, e rifare il test, ma non è gran

bello)

se p<α=0.05 → rigetto l’ipotesi d’indipendenza → c’è dipendenza. In questo caso posso

chiedermi “avrei ugualmente rigettato se avessi impostato un test più severo/conservativo (per

es. con α = 0.01)?” → se p < 0.01 posso anche dire “rigetto a tutti i livelli di α abituali”.

La regressione calcolata con il metodo dei minimi quadrati a volte risulta inappropriata, perché

assume che la variabile indipendente X non sia soggetta ad errore sperimentale. Il metodo dei

minimi quadrati causa una compressione della varianza della variabile predetta: questo significa

che valori maggiori rispetto al valor medio di Y tendono ad essere sottostimati e valori minori

tendono ad essere sovrastimati.

2.2.2 Regressioni Reduced Major Axis (RMA)

Questo tipo di regressione, valido solo per le regressioni lineari semplici, assume che siano

soggette a errore sperimentale sia la variabile dipendente che quella indipendente (Riggs et al.,

1978; Webb et al., 1981; Curran and Hay, 1986).

Il capitolo 2.1. mette in evidenza come sia difficile considerare qualsiasi misura non affetta da

errore: Curran and Hay, (1986) suggeriscono l’utilizzo di questo tipo di regressione come una

possibile soluzione al problema

Mentre la regressione convenzionale cerca di minimizzare la somma dei quadrati delle differenze

verticali (es., ye-yo) nel caso di y su x e orizzontalmente (xe-xo) nel caso di x su y, la Reduced


37

Major Axis minimizza la somma dei prodotti incrociati (ye-yo) (xe-xo) delle differenze su entrambi

gli assi (Figura 2.1). La retta interpolatrice è indipendente dalle unità di misura e non varia con la

rotazione degli assi.

Figura 2.1 Schema di costruzione di una regressione RMA

Le regressioni OLS e RMA producono modelli che hanno lo stesso coefficiente di

determinazione (r), ma differenti pendenze della retta interpolatrice (Cohen et al., 2002).

La regressione calcolata con il metodo dei minimi quadrati a volte risulta inappropriata, perché

assume che la variabile indipendente X non sia soggetta ad errore sperimentale. Il metodo dei

minimi quadrati causa una compressione della varianza della variabile predetta: questo significa

che valori maggiori rispetto al valor medio di Y tendono ad essere sottostimati e valori minori

tendono ad essere sovrastimati.

Y0

Ye

Y

X

X0 Xe

Y

X

X

X0,Y0

X

Y

Ye

Xe

Y

X ON Y

RMA

Y ON X


38

Le regressioni ortogonali minimizzano la somma dei quadrati delle distanze tra i punti misurati e

la funzione del modello di regressione. Non si fanno assunzioni sugli errori di X e Y ed è quindi

possibile conservare la varianza delle osservazioni nelle predizioni.

2.2.3. Regressioni Step Wise

Tra i metodi più noti, per superare gli sforzi computazionali posti dal metodo che prevede il

calcolo di tutti i possibili modelli, sono stati proposti diversi metodi che consentono di valutare

solo un piccolo numero di possibili modelli. Questi metodi sono noti col nome di Step Wise

Regression (SWR) e sono basati su due strategie fondamentali che prendono il nome di Forward

Regression (FS) e Backward Elimination (BE).

Il metodo FS parte con un modello costituito da nessuna variabile ed aggiunge via via una

variabile alla volta fino a che tutte le variabili vengano inserite nel modello oppure fino a che non

viene soddisfatto un determinato criterio di arresto della procedura.

La variabile che viene inclusa nel modello ad ogni passo è quella che fornisce il maggiore valore

del rapporto F (F di Fisher) per singolo grado di libertà tra tutte le variabili non ancora incluse

nel modello.

Cioè la j-esima variabile viene aggiunta al modello costituito da p variabili già precedentemente

incluse se

FF 2max injp

jppjj s

RSSRSS>

−=

+

++

s jp

2

+ è la varianza calcolata dal modello con p variabili con l’aggiunta della j-esima variabile.

Il valore di inF viene selezionato in anticipo al fine di stabilire un criterio di arresto ed equivale al

valore di F di Fisher alla probabilità α, per un grado di libertà al numeratore e (n-p-1) al

denominatore. Normalmente si utilizza inF = 4.

La quantità pRSS rappresenta la somma dei quadrati dei residui del modello con p variabili, la

quantità jpRSS + rappresenta la somma dei quadrati dei residui del modello con p variabili più la

j-esima variabile.


39

Il metodo BE parte con un modello contenente tutte le variabili ed elimina una variabile alla

volta. Ad ogni passo, viene eliminata la j-esima variabile con il più valore del rapporto F se

questo non è superiore ad un valore specificato outF :

FsF outp

pjpjj

RSSRSS<

−= −−

2min

sp2 è la varianza calcolata dal modello con p variabili.

Normalmente si utilizza outF = 2.

La quantità pRSS rappresenta la somma dei quadrati dei residui del modello con p variabili, la

quantità jpRSS − la somma dei quadrati dei residui del modello costituito dalle p variabili senza

la j-esima variabile.

In pratica, nel metodo FS si aggiunge la variabile che più riduce la somma dei quadrati degli

scarti (RSS), mentre nel metodo BE si elimina la variabile la cui esclusione comporta il minimo

innalzamento di RSS.

Nel metodo FS, se il valore di inF è scelto sufficientemente grande, non tutte le variabili

verranno incluse nel modello finale; viceversa, nel metodo BE, se il valore di outF viene scelto

sufficientemente piccolo, non tutte le variabili saranno eliminate.

Una variante dei due metodi è il metodo proposto da Efroymson (1960) e denominato con

Elimination-Selection (ES). L’idea base del metodo è quella del metodo FS, ma ad ogni passo

viene anche presa in considerazione la possibilità di eliminare una delle variabili già inserite nel

modello, seguendo la tecnica del modello BE. Ovviamente questa seconda fase si effettua dal

momento in cui nel modello compaiono almeno due variabili.

Nonostante il metodo di regressione stepwise sia ancora largamente utilizzato, grazie anche

all’ampia disponibilità di software, sono stati ormai dimostrati i notevoli limiti di questo modello

che, soprattutto in presenza di molte variabili, è di norma incapace di trovare i migliori modelli,

fermandosi su massimi relativi.


40

2.3. STIME A LIVELLO FOGLIARE

2.3.1. Approccio semi-empirico

Gli approcci semi-empirici si basano su regressioni come descritto in § 2.1.

Le relazioni vengono calcolate a partire dall’analisi delle regressioni tra dati sperimentali e misure

di riflettanza, o indici di vegetazione derivati.

In questa tesi verranno utilizzati due tipi di equazione di regressione:

- regressione lineare semplice, espressa dalla funzione: Y = a + bX + w

- regressione logaritmica, espressa dalla funzione: Y = a + b log X + w

dove:

• Y è la variabile dipendente;

• a e b sono i predittori;

• X è il regressore, deterministico (senza errori);

• w è la perturbazione sulle Y;

In particolare sono di seguito riportati alcuni approcci semi-empirici basati su differenti tecniche

che includono:

Indici di vegetazione (VIs)

Tecnica del Continuum Removal

Approccio basato sull’equazione di Lamber-Beer

2.3.1.1. Indic i di vege taz ione (VIs)

Gli indici di vegetazione (o indici spettrali) sono il mezzo più efficace per il monitoraggio della

vegetazione e sono il risultato di operazioni matematiche tra le riflettanze delle superfici indagate

(ad esempio rapporti).

In generale la filosofia degli indici di vegetazione è quella di utilizzare la marcata differenza tra la

bassa riflettività nel visibile (in particolare l'assorbimento nel rosso e nel blu per il processo di

fotosintesi clorofilliana) e l'alta risposta nel vicino infrarosso (alta riflessione a causa dei

fenomeni di scattering da parte delle pareti delle cellule e dalla loro struttura).


41

2.3.1.2. Tecnica de l Continuum Removal (CR)

Questa tecnica è molto utilizzata per la stima dei parametri biochimici delle foglie, quali la

concentrazione di lignina, azoto, cellulosa, clorofilla e contenuto d’acqua.

Per la stima del contenuto d’acqua è possibile definire “continuum” il segmento rettilineo che

unisce due punti di massimo dello spettro non affetti dall’acqua e che definiscono una buca di

assorbimento (Figura 2.2).

Questa tecnica permette di creare due nuovi spettri, chiamati rispettivamente BNA (Curran et al.,

2000) e BNC (Curran et al., 2000; Huang et al., 2004; Kokaly and Clark, 1999), calcolati nel

seguente modo:

)/(1)/(1

icc

i

RRRR

BNC−−

= profondità della banda normalizzata rispetto al centro

ARR

BNA i )/(1−= profondità della banda normalizzata rispetto all’area

dove:

R : riflettanza della lunghezza d’onda di interesse

Ri : riflettanza in corrispondenza della linea “continuum”

Rc : riflettanza nel centro di assorbimento

Ric: riflettanza nel centro di assorbimento in corrispondenza della linea “continuum”

A : area della buca di assorbimento

Whiting et al. (2004), per enfatizzare il calo in riflettanza dovuta all’assorbimento del parametro

biofisico indagato, propongono di convertire il valore di riflettanza nel suo logaritmo naturale

prima di calcolare gli spettri BNA e BNC. Questa metodo trova un fondamento teorico nella

legge di Lambert-Beer per la trasmittanza (legge che verrà discussa nel paragrafo successivo),

definita dalla seguente equazione:

)ln()/ln()ln()ln(*)ln( 00 RIIIIdT −==−=−= α


42

Ric

Rc

Ri

R

λ

ρ

A

Figura 2.2 Esempio di una zona di assorbimento e relativa linea “continuum”

Tutte le lunghezze d’onda dei due nuovi spettri, BNC e BNA, possono essere analizzate

utilizzando una regressione Stepwise (vedi §2.2.) per selezionare quelle lunghezze d’onda che

meglio si correlano con il parametro biochimico indagato (Kokaly and Clark, 1999).

Un secondo approccio, sempre basato sulla tecnica del Continuum Removal, si basa sul calcolo

di nuovi indici legati alle geometrie delle buche di assorbimento (Pu et al., 2003). Pu et al. (2003)

hanno calcolato quattro indici (WAVE, DEP, WID e AREA) nelle tre buche di assorbimento

dell’acqua centrate vicino a 975, 1200 e 1750 nm (Figura 2.3):

WAVE: lunghezza d’onda corrispondente al valore minimo di riflettanza della buca di

assorbimento

DEP: profondità del massimo assorbimento nel “continuum”

WID: larghezza della buca di assorbimento misurata alla metà di DEP

AREA: Area della buca di assorbimento calcolata come il prodotto di DEP per WID

Questi indici sono stati poi correlati con il parametro biochimico indagato (nel loro studio con

RWC) attraverso tecniche regressive.


43

Figura 2.3 Esempio degli indici calcolati su una firma nella studio di Pu et al. (2003)

2.3.1.3. Approcc io basato sul l ’ equaz ione di Lamber t -Beer

È possibile stimare direttamente il contenuto d’acqua conoscendo i coefficienti di assorbimento

dell’acqua e facendo assunzioni riguardanti i fenomeni di scattering della canopy e dell’atmosfera

(Sims and Gamon, 2003). EWT rappresenta lo spessore di una lama d’acqua disposta su un lato

di area fogliare e può essere stimato con un semplice approccio basato sulla legge di Lambert-

Beer (Roberts et al., 1998). La legge di Lambert-Beer afferma che, nel caso in cui il passaggio

della luce avvenga attraverso mezzo omogeneo (in cui non avvengono fenomeni di scattering), il

logaritmo naturale della trasmittanza (T) è una funzione lineare (con intercetta uguale a zero) del

coefficiente di assorbimento (α) e dello spessore del cammino ottico (d):

dT *ln α−=

Questa equazione può essere modificata per uno scattering medio (come nel caso della

vegetazione) aggiungendo un fattore di scattering (f) che fa variare il valore dell’intercetta:

)1ln(*ln fdT −+−= α

Inoltre nel caso in cui ci sia uno scattering medio, la riflettanza (R) può essere sostituita alla

trasmittanza, ed EWT può essere calcolato, conoscendo il coefficiente di assorbimento, come la

pendenza della retta interpolatrice tra il logaritmo della riflettanza e il coefficiente di

assorbimento:

)()(ln

α∆∆

=REWT


44

2.3.2 Approccio modellistico

I modelli di trasferimento radiativo fisicamente basati permettono di ricostruire la riflettanza di

una foglia simulando le interazioni tra queste e la luce solare (Jacquemoud e Ustin, 2003).

Un modello che descrive la riflettanza della foglia può essere utilizzato in modo diretto, ovvero

per simulare la riflettanza della foglia a partire dalle variabili biochimiche che descrivono le

proprietà della foglia stessa, oppure in modo inverso, per stimare le caratteristiche biochimiche a

partire dalle proprietà ottiche (ρ e τ). L’inversione di modelli di trasferimento radiativo è

un’applicazione interessante nel campo del telerilevamento perché permette di ricavare parametri

biofisici della vegetazione a partire dalle proprietà ottiche riprese da sensori trasportati da aereo

o da satellite.

L’inversione di un modello di trasferimento radiativo consiste nel determinare i parametri del

modello in modo che sia minimo lo scarto tra le osservazioni remote (telerilevate) e le

proprietà spettrali simulate dal modello.

Il PROSPECT, sviluppato da Jacquemoud and Baret (1990), è stato il primo modello a

simulare in modo accurato la riflettanza e la trasmittanza emisferica di foglie appartenenti a

varie piante (monocotiledoni o dicotiledoni, foglie fresche o senescenti) sull’intero spettro.

Questo modello utilizza quattro parametri di input:

• N struttura interna della foglia

• Cab (µg/cm2) concentrazione di clorofilla totale a+b

• Cw (cm o g/cm2) contenuto d’acqua fogliare (EWT)

• Cm (g/cm2) contenuto di materia organica secca

Il modello è in grado di quantificare il contributo di ciascuno dei parametri di input sui

parametri di output (Jacquemoud and Ustin, 2003).

In particolare si può osservare come, nella regione dell’infrarosso (tra 950 e 2500 nm), la

riflettanza e la trasmittanza diminuiscono all’aumentare di Cw (Figura 2.4).


45

Fgura 2.4 PROSPECT: variazioni di riflettanza in funzione di Cw (cm)

Un secondo modello molto utilizzato è il LIBERTY (Leaf Incorporatine Biochemistry

Exhibiting Reflectance and Trasmittance Yields). Questo modello è stato sviluppato

specificamente per calcolare le proprietà ottiche di pile di aghi di conifere sia freschi che secchi.

In ogni caso può essere utilizzato per predire gli spettri di riflettanza e trasmittanza di una

qualsiasi foglia o di un insieme di foglie. Considerando la foglia come un insieme di cellule, con

un fenomeno di scattering multiplo tra una cellula e l’altra, gli spettri di output sono una

funzione tra i tre parametri strutturali (diametro della cellula in µm, spazio d’aria tra le cellule,

spessore della foglia) e la combinazione dei coefficienti di assorbimento dei parametri biochimici

della foglia (concentrazione di clorofilla in mg/m2, contenuto d’acqua in g/m2, contenuto di

lignina e cellulosa in g/m2 e contenuto di azoto in g/m2). Sebbene il PROSPECT e il LIBERTY

siano i modelli più utilizzati nel telerilevamento, esistono anche altri modelli che tengono in

considerazione il contenuto d’acqua: LEAFMOD (Ganapol et al., 1998) e SLOP (Maier et al.,

1999).


46

2.4. STIME A LIVELLO DI CANOPY

In questo paragrafo vengono descritti i metodi potenzialmente utili per la stima del contenuto

d’acqua a livello di canopy: considerando l’intera canopy, e non più la singola foglia, aumenta la

complessità nella descrizione del trasferimento radiativo della radiazione nella vegetazione. Non

è chiaro come la relazione tra il contenuto d’acqua fogliare e la riflettanza possa essere

estrapolato (scaling) al livello di canopy. La riflettanza della canopy, infatti, dipende anche dalla

struttura della pianta (variazioni del Leaf Area Index, orientamento e dimensioni della foglia,

etc.), dalle proprietà ottiche del background (suolo e presenza o meno di vegetazione non

fotosinteticamente attiva), e dalla geometria di vista (angolo zenitale e azimutale). La maggior

parte di questi parametri variano nello spazio e nel tempo. Per tutte queste ragioni è importante

capire se le relazioni semi-empiriche studiate a livello di foglia possano essere scalate (scaling)

all’intera canopy (Rollin and Milton, 1998).

2.4.1. Approccio semi-empirico

L’approccio semi-empirico utilizza relazioni statistiche che mettono in correlazione misure di

campo del parametro indagato con misure di riflettanza o indici spettrali derivati da immagini.

Ci sono pochi studi che hanno esaminato le relazioni tra il contenuto d’acqua totale della canopy e

gli indici spettrali di riflettanza (Jacquemoud and Ustin, 2003). Sims and Gamon (2003) hanno

proposto il Canopy Structure Index (CSI) che combina il basso assorbimento della banda

dell’acqua a 1180 nm (banda 21) con il Simple Ratio Vegetation Index (SRWI), al fine di tenere

in considerazione la quantità di vegetazione presente: CSI ha mostrato buone correlazioni con

EWT a tutti gli spessori dei tessuti. Rollin and Milton (1998) hanno definito il Relative Depth

Index (RDI) per stimare FMC. Entrambi gli indici (CSI e RDI) sono stati testati con gli spettri di

riflettanza acquisiti con uno spettrometro da campo su un numero limitato di campioni. Gao

(1996) e Serrano et al. (2000) hanno dimostrato la buona applicabilità del Normalized Difference

Water Index (NDWI) per la stima di EWT a livello di canopy a partire da immagini acquisite con

il sensore AVIRIS. Sono state inoltre introdotte tecniche più complicate come la Hierarchical

Foreground/Background Analysis (HFBA) che premette anch’essa la stima del contenuto

d’acqua della canopy da immagini AVIRIS (Ustin et al., 1998). Per lo studio delle dinamiche


47

d’incendio, Ceccato et al. (2002) hanno formulato il Global Vegetation Moisture Index (GVMI)

basato su un modello di trasferimento radiativo e adattato al sensore SPOT-VEGETATION:

l’indice è stato valido con misure di EWT effettuate a livello di canopy.

2.4.1.1. Indic i di Vegetaz ione (VIs)

Gli indici utilizzati per la stima a livello di canopy sono il risultato di operazioni algebriche tra le

bande MIVIS.

A causa delle differenze di risoluzione spettrale tra lo spettroradiometro Fieldspec FR (§ 3.3.) e il

sensore MIVIS (§ 1.5.), non tutti gli indici utili per la stima a livello fogliare (§ 2.3.) possono

essere applicati ai dati MIVIS.

2.4.1.2. Metodi di Scal ing

Come spiegato all’inizio di questo paragrafo è di estrema importanza, nelle analisi a livello di

canopy, trovare delle nuove variabili in grado di esprimere il contenuto idrico totale della

vegetazione, e non più delle singole foglie.

In letteratura sono stati proposti tre metodi differenti di scaling:

Primo metodo

La combinazione di LAI ed EWT può rappresentare una nuova variabile di stato che

corrisponde alla quantità di acqua per unità di area della canopy (EWTcanopy):

EWTLAIEWTcanopy *=

dove EWTcanopy è espressa in [g/m2], LAI in [m2/m2] ed EWT in [g/m2]. La nuova variabile

EWTcanopy è definita come un ipotetico spessore di una singola lama d’acqua moltiplica per il

numero di strati determinati dal LAI (Ceccato et al., 2002).

Secondo metodo

HFcRWCRWCcanopy **=


48

dove Fc (Fractional Cover espressa in %) e H (altezza degli alberi espressa in metri) possono

essere considerati come il surrogato del LAI (Serrano et al., 2000); la nuova variabile ha

dimensioni arbitrarie.

Terzo metodo

100/*** ccanopy KLAISLAFMCFMC =

Per convertire il contenuto d’acqua fogliare FMC (%) nel contenuto d’acqua della canopy

FMCcanopy [g/m2], è stata utilizzata una espressione matematica (Dawson et al., 1999) che utilizza il

LAI[ m2/m2], lo Specific Leaf Area (SLA) [g/m2], e la Fractional Cover (Kc) [%].

Quindi si correlano le nuove variabili, che esprimono il contenuto d’acqua della canopy, con gli

indici ottenuti dalle osservazioni remote.

2.4.2. Approccio modellistico

Pochi studi hanno applicato modelli di trasferimento radiativo e tecniche di inversione per

stimare il contenuto d’acqua della canopy dalla riflettanza delle immagini (Jacquemoud et Ustin,

2003). Esistono diversi modelli che lavorano a livello di canopy, ma nessuno di essi è universale: il

primo passo è quello di scegliere il modello più appropriato per il proprio studio.

Jacquemoud et al. (1995) sono stati i primi a collegare un modello sulle proprietà ottiche della

foglia, PROSPECT, ad un modello sulla riflettanza della canopy, SAIL, chiamato PROSAIL

(Figura 2.5) e ad invertirlo sugli spettri di riflettanza. Nel modello SAIL, la canopy è considerata

come uno strato di vegetazione orizzontale, omogeneo ed infinitamente esteso composto da

diffusori Lambertiani (foglie) distribuite in modo casuale. L’angolo azimutale delle diffusioni è

distribuito in modo casuale, mentre gli angoli zenitali seguono una distribuzione ellissoidale

caratterizzata da un angolo di inclinazione medio delle foglie θ1.

Il modello PROSAIL (PROSPECT+SAIL) calcola gli spettri di riflettanza della canopy a partire

dai seguenti parametri:

• Parametri biofisici della canopy: concentrazione di clorofilla totale Cab (µg/cm2),

contenuto d’acqua fogliare Cw (cm), struttura del mesofillo fogliare N, indice di area


49

fogliare LAI, angolo di inclinazione medio delle foglie θ1 (°), dimensione del parametro

hot spot s.

• Riflettanza del suolo ρs(λ), che è assunta essere Lambertiana.

• Parametri esterni: angoli di vista zenitale θ0 (°) e azimutale ρ0 (°), angolo solare zenitale θs

(°) e visibilità orizzontale VIS.

Caratteristiche delle foglieN, Cab, Cw

PROSPECT

RiflettanzaTrasmittanza

fogliare

Struttura dellaCANOPYLAI, θ1, s

Riflettanzadel Suolo

RIFLETTANZAdella

CANOPY

SAIL Geometriedi illuminazione

e di ripresa

Caratteristiche delle foglieN, Cab, Cw

PROSPECT

RiflettanzaTrasmittanza

fogliare

Struttura dellaCANOPYLAI, θ1, s

Riflettanzadel Suolo

RIFLETTANZAdella

CANOPY

SAIL Geometriedi illuminazione

e di ripresa

Figura 2.5 Rappresentazione schematica dei parametri di input-output nel modello PROSPECT+SAILH

Capitolo3 Materiali e Metodi

50

Capitolo3

MATERIALI

E

METODI


51

3.1. AREA DI STUDIO

L’area di studio è situata a Nord-Ovest della città di Pavia all’interno del Parco Lombardo

della Valle del Ticino nel comune di Carbonara al Ticino (Figura 3.1).

PAVIA

Carbonara al Ticino

0 10 km

NORD

Figura 3.1 Parco Lombardo della Valle del Ticino e ubicazione dell’area di studio (zona tratteggiata in giallo).


52

L’area di studio è una piantagione intensiva di cloni I-214 di pioppo ibrido euramericano

(diversi impianti contigui di età variabile tra i due e i dieci anni per un’area totale di circa 100

ha), e rappresenta una “foresta ad accrescimento veloce” secondo il Protocollo di Kyoto ed è

un sito sperimentale permanente della rete CARBOEUROPE gestito dal JRC-IES di Ispra.

All’interno del pioppeto si trova una stazione permanente di misura delle variabili

micrometeorologiche e dei flussi di acqua e carbonio attraverso la tecnica di correlazione

turbolenta (eddy covariance) per lo studio degli scambi di massa (H2O e CO2) ed energia

(momento e calore sensibile) tra atmosfera e vegetazione (Figura3.2).

Figura 3.2 Stazione permanente di misura delle variabili micrometeorologiche e dei flussi di acqua e carbonio presente all’interno dell’area di studio

Caratteri s t i che c l imati che

Utilizzando la classificazione di Köppen il clima di quest’area può essere classificato come

“temperato umido ad estate calda”.

Le precipitazioni a Pavia, hanno una media annua di 912 mm con una deviazione standard di

207 mm (dati forniti dall’ERSAF): esse presentano un massimo marcato in autunno (ottobre-

novembre), un secondo massimo in agosto e dei minimi in gennaio, luglio e settembre.

L’estate 2003 è stata sicuramente una stagione molto calda (alte temperature e basse

precipitazioni). Nell'estate 2003 le temperature estive medie sono state decisamente più elevate


53

di quelle degli anni precedenti, evidenziando, nell'ultimo trentennio un trend di crescita

relativamente costante (dati forniti dall’osservatorio Meteorologico Milano Duomo). La stagione

estiva è stata caldissima non solo per i valori molto elevati delle temperature, ma perché queste

punte non sono state né occasionali né alternate a giorni normali, bensì ripetute giorno dopo

giorno, per intere settimane. Sommato a tutto questo bisogna registrare il fatto che le

precipitazioni sono state molto scarse, per non dire quasi assenti, soprattutto nell’area di studio.

Il grafico sottostante (Figura 3.3) illustra l’andamento delle precipitazioni nel mese di giugno

(mese antecedente la campagna di raccolta dati): questi dati sono stati registrati dai sensori di

pioggia della torre del JRC-IES situata proprio all’interno dell’area di studio.

0

1

2

3

4

5

6

7

8

9

10

11

12

13

1-giu

3-giu

5-giu

7-giu

9-giu

11-gi

u13

-giu

15-gi

u17

-giu

19-gi

u21

-giu

23-gi

u25

-giu

27-gi

u29

-giu

1-lug

3-lug

giorni

prec

ipita

zion

i (m

m)

Figura 3.3 Andamento delle precipitazioni del mese di luglio 2003. Nel cerchio rosso è indicata la data (2 luglio 2003) del volo MIVIS.

Caratteri s t i che geomorfo log i che

Il fondo valle del Ticino si presenta ampio in sponda sinistra fino a Besate, successivamente, su

questo lato il fiume tende a ridurre l’estensione dei terrazzi intermedi e ad intaccarne

direttamente alcuni con un’azione erosiva tuttora in atto. Sono presenti anche barre ghiaiose e

rari piccoli dossi sabbioso-ghiaioso, il più evidente presso Carbonara Ticino. In generale,

tuttavia, le ampie tracce di meandri abbandonati rinvenibili nella pianura ad est dell’attuale corso

del fiume ne testimonierebbero un’antica fase di migrazione verso sud-ovest.


54

La dinamica del fiume è intensa e i mutamenti molto rapidi. Si tratta di una dinamica

generalmente limitata ad una fascia relativamente ristretta del fondovalle, a grandi linee

coincidente con la fascia dei boschi e successivamente contenuta dalle arginature che si

sviluppano in modo discontinuo da Bereguardo al Po. Particolarmente interessante sono le aree

leggermente rilevate, a substrati sabbioso o sabbioso-ghiaioso conservati intorno a Motta

Visconti. È riconoscibile una paleoforma sinuosa, di tipo fluviale, che si distacca dall’orlo del

terrazzo vallivo di Besate e prosegue verso sud-est attraversando Motta Visconti; lungo questo

percorso i sedimenti ghiaiosi sono affiancati in più punti da dossi o, comunque, depositi sabbiosi

a morfologia leggermente rilevata (ERSAF, 1996).

Caratteri s t i che pedolog i che

Grazie all’ausilio della “Carta Pedologica” pubblicata dall’ERSAF “I suoli del Ticino settore

Meridionale”, è possibile fare delle considerazioni sui principali substrati pedologici riscontrabili

nell’area di studio.

L’analisi per la redazione di tale carta è stata condotta sulla base di 118 profili di suolo scavati

nell’area, fino alla profondità del substrato: 1 metro nelle zone prossime al fiume o con falda

idrica, 2-4 metri nelle altre situazioni.

Nella zona tra Groppello Cairoli e Carbonara al Ticino, i substrati sono principalmente costituiti

da sabbie grossolane con contenuto di ghiaia variabili.

Il gruppo di pedologia del Dipartimento di Scienze dell’Ambiente e del Territorio dell’Università

di Milano-Bicocca ha svolto una campagna di rilevamento nel sito sperimentale in cui è installata

la stazione micrometeorologica. La tessitura media del suolo è stata calcolata effettuando la

media delle percentuali di sabbia, limo e argilla valutate a 3 diverse profondità; i dati ottenuti

sono i seguenti: sabbia 60.4 %, limo 30%, argilla 9.6%. Il suolo appartiene alla classe tessiturale

Franco-Sabbioso. Questi dati riguardano esclusivamente per il sito di rilevamento (sito 1n1) e

può essere sbagliato estendere questi risultati a tutta l’area di studio.

Inoltre nel sito sperimentale, grazie a piezometri montati sulla torre, è stato possibile monitorare

l’andamento piezometrico della falda nell’anno 2003 anche se alcuni problemi relativi al

funzionamento dello strumento non hanno permesso misure in continuo. Dai dati ottenuti si è

osservato che la falda giace mediamente a 2 - 2.5 m dal piano campagna.


55

3.2. STRATEGIE DI CAMPIONAMENTO A TERRA

All’interno dell’area sono stati selezionati 13 siti, scelti come rappresentativi delle diverse età,

diametri, altezza e diverso grado di gestione relativamente alla fertilizzazione e alle pratiche

irrigue (Figura 3.4). All’interno di ogni sito sono stati identificati tre alberi rappresentativi per il

successivo campionamento di tre foglie per ogni albero.

Figura 3.4 Localizzazione dei 13 siti di campionamento all’interno dell’area di studio

X

2n1

1n2

1n3

33n1

B 32n1

C

1n4

Y

1n1

A

D

0 1 Km

N

EW

S


56

Per ogni sito è stata anche effettuata una campagna di caratterizzazione dal punto di vista

forestale: sono stati misurati i diametri dei tronchi, le altezze degli alberi e le intersezioni delle

chiome (Figura 3.5).

Figura 3.5 Rappresentazione grafica delle misure forestali

Tutti i siti sono stati campionati tra il 1 e 4 luglio 2003, contemporaneamente all’acquisizione dei

dati telerilevati (volo MIVIS avvenuto il 2 luglio 2003). Da ciascun albero sono state prelevate

mediamente 15 foglie, appartenenti a tre rami scelti possibilmente sulla parte superiore della

chioma. Le foglie sono state prelevate sparando con un fucile ad opera di un cacciatore.

Le foglie appena raccolte sono state poste in sacchetti di plastica ermetici, messe in un cooler al

fine di limitare la perdita d’acqua delle foglie stesse, e trasportate in laboratorio.

Per il sito 1n1, grazie all’ausilio della torre (§ 3.1.), è stato possibile raccogliere delle foglie sia in

alto (top) sia in basso (down) della chioma per cercare di avere un profilo verticale del contenuto

idrico fogliare il giorno 01/07/2003 (Figure 3.6 e 3.7); inoltre, al fine di avere anche un profilo

temporale, è stato possibile fare più di un campionamento nel corso della stessa giornata (Figure

3.8 e 3.9).

0.006

0.008

0.010

0.012

0.014

0.016

0.018

Top Down

altezza chioma

EW

T (g

/cm

2 )

Albero 1Albero 3

Figura 3.6 Profilo verticale del contenuto d’acqua alle ore 11.00 negli alberi 1 e 3 del sito 1n1

Altezza totale albero

Altezza spessore chioma

Altezza intersezione chioma


57

0.006

0.008

0.010

0.012

0.014

0.016

0.018

Top Down

altezza chioma

EWT

(g/c

m2 )

Albero 1Albero 2

Figura 3.7 Profilo verticale del contenuto d’acqua alle ore 12.00 negli alberi 1 e 2 del sito 1n1

0.006

0.008

0.010

0.012

0.014

0.016

0.018

11 12 15ora del giorno

EW

T (g

/cm

2 )

Figura 3.8 Andamento temporale di EWT (con relative deviazioni standard) dei tre alberi del sito 1n1.

0.0060.0070.0080.0090.0100.0110.0120.0130.0140.0150.016

11 12 15ora del giorno

EWT

(g/c

m2 )

Figura 3.9 Andamento temporale di EWT (con relative deviazioni standard), di un albero appartenente al sito 1n1

top

dow n


58

Un’altra misura effettuata sul campo è stata quella di stimare qualitativamente l’inclinazione delle

foglie rispetto all’angolo zenitale.

Misur e TDR

In ogni sito sono state effettuate misure del contenuto volumetriche di acqua presente nel suolo

col metodo della riflettometria nel dominio del tempo (TDR-Time Domain Reflectometry). Lo

strumento (TRIME System – IMKO) misura la velocità di propagazione di un’onda

elettromagnetica attraverso le due aste metalliche, che fungono da guida dell’onda stessa (Figura

3.10). La velocità di propagazione è utilizzata per calcolare la costante dielettrica del suolo che è

correlata al contenuto idrico volumetrico del suolo. Per ogni sito sono state prese cinque misure

lungo un transetto; i valori sono stati mediati ed espressi in percentuali.

Figura 3.10 Schema di funzionamento dello strumento (a) ed esempio della sua applicazione sul campo (b)

Misur e di Leaf Ar ea Index (LAI) e di Fract ional cover (Fc)

Le misure di LAI e Fc sono state acquisite ed elaborate dal Gruppo di Telerilevamento

attraverso l’uso dello strumento LAI-2000 la stessa settimana del volo MIVIS.

[a] [b]


59

3.3 MISURE DI LABORATORIO

In laboratorio sono state effettuate le pesate delle foglie, misure di SPAD e misure delle

proprietà ottiche mediante uno spettroradiometro ad alta risoluzione.

3.3.1 Peso fresco, peso secco, area e calcolo di FMC ed EWT

Da tutte le foglie è stato prelevato un tondino del diametro di 2.3 cm (Figura 3.11b), che è

stato pesato con una bilancia analitica a cinque cifre decimali (Figura 3.11c) per il calcolo del

contenuto d’acqua. Altre foglie sono state pesate intere, ma ciò ha complicato le operazioni

per un successivo calcolo della superficie fogliare. Mediamente sono trascorse circa tre-quattro

ore dalla raccolta alla pesatura delle foglie. In totale sono state analizzate 404 foglie.

Figura 3.11 Tondino prelevato dalle folgie (b) e strumento usato per l’operazione (c). Bilancia analitica utilizzata per le pesate(c).

Tutti i tondini e tutte le foglie intere sono state messe in una stufa al fine di poter calcolare il

peso secco. Tra i vari protocolli proposti da vari autori, e dopo varie prove effettuate (Figura

3.12), si è decisi di mettere le foglie in stufa ad una temperatura di 60°C per 48 ore (tempo

necessario per lo “stabilizzarsi” del peso secco).

2.3 cm

[a] [b] [c]


60

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.10

0 10 20 30 40 50tempo (ore)

peso

(g)

1n21-11n21-31n32-3

Figura 3.12 Prove di laboratorio per stabilire il tempo necessario per lo stabilizzarsi del peso secco

L’area fogliare è una misura importante per il calcolo di EWT: per i tondini il calcolo dell’area

è un’operazione semplice in quanto si conosce il raggio (r) 2* rArea π=

Più complicato è stato il calcolo dell’area delle foglie intere: le foglie sono state scannerizzate, e

per ciascuna di essa si è calcolato il numero di pixels (utilizzando il software IDRISI).

Conoscendo la risoluzione dello scanner si può risalire all’area del pixel, e quindi alla superficie

delle foglie, utilizzando la seguente formula:

ba

cmArea *54.2)(2

2

=

dove

• a è la risoluzione dello scanner espressa in Dot Per Inch (DPI)

• b è il numero di pixels

• 2.54 è un fattore di conversione

In questo studio le foglie sono state scannerizzate con una risoluzione di 300 DPI.

Il peso fresco, il peso fresco e l’area sono stati utilizzati per il calcolo dei parametri biofisici

EWT e FMC (§ 1.2.).


61

3.3.2. Peso turgido e calcolo di RWC

Barr and Weatherley (1962) suggeriscono di calcolare il peso turgido pesando le foglie dopo

averle tenute a bagno in acqua distillata per circa 90 minuti. In questo studio dopo 90 minuti il

peso turgido non era ancora stabile; pertanto si è deciso di lasciare le foglie a bagno in acqua

distillata per 20 ore, come suggerito da Rahman et al. (2002). Sono state effetuate pesate

intermedie al fine di sincerarsi che il peso turgido effettivamente si stabilizzasse (Figure 3.13 e

3.14).

Il peso turgido, necessario per il calcolo di RWC, non è stato calcolato su tutte le foglie, ma solo

su un numero limitato (59 campioni); si è osservato che il rapporto tra il peso turgido e il peso

secco era costante in tutte le misure effettuate, con un valore pari a 0.36. Utilizzando questo

coefficiente è stato stimato il peso turgido di tutte le foglie a partire dal peso secco. Il valore del

peso turgido ha permesso il calcolato RWC.

[Peso turgido stimato (g) = Peso secco (g)/0.36]

SITO 33n1-2

0.095

0.096

0.097

0.098

0.099

0.100

0.101

0.102

0.103

0.104

0 10 20 30 40 50 60 70 80 90 100

tempo (ore)

Pes

o (g

)

foglia 1foglia 2foglia 3

Figura 3.13 Grafico che illustra lo stabilizzarsi del peso turgido nel sito 33n1-albero n° 2


62

SITO 33n1-2

88.000

90.000

92.000

94.000

96.000

98.000

100.000

102.000

0 10 20 30 40 50 60 70 80 90 100

tempo (ore)

RW

C (%

)

foglia 1foglia 2foglia 3

Figura 3.14 Grafico che illustra lo stabilizzarsi del peso turgido in termini di RWC nel sito 33n1-albero n° 2

3.3.3. Misure di SPAD e Contenuto di Clorofille

Il contenuto relativo di clorofilla è stato misurato in laboratorio (per un totale di 234 foglie)

con la Minolta SPAD 502 Chlorophill Meter (Minolta, Osaka, Giappone) (Figura 3.15). È uno

strumento manuale, portatile e non distruttivo, che sfrutta la differenza di densità ottica

misurata e mediata in più punti della foglia in due lunghezze d’onda caratteristiche: 650 nm

(corrispondente al massimo di assorbimento della clorofilla a+b) e 950 nm. Il parametro

misurato è la trasmittanza spettrale delle foglie, che è direttamente proporzionale al contenuto

fogliare di clorofilla.

Figura 3.15 Minolta SPAD 502 Chlorophyll Meter


63

Sullo strumento è montato un sensore composto da una sorgente luminosa (2 diodi, con

picchi alle lunghezze d’onda di 650 e 940 nm circa) e da un recettore (un fotodiodo al silicio).

Il funzionamento può essere descritto in tre passaggi:

1. Al momento dell’accensione, la SPAD viene calibrata: viene fatta funzionare senza che

il campione sia inserito. I due diodi emettono luce in sequenza; il fotodiodo riceve i

due flussi luminosi e li converte in un segnale elettrico, dopodiché viene calcolato il

rapporto tra le due intensità.

2. Il campione viene inserito nello strumento, e i due diodi emettono nuovamente la luce,

che attraversa la luce e raggiunge il fotodiodo, dove viene convertita in un segnale

elettrico. Anche in questo caso viene calcolato il rapporto delle intensità delle due luci

trasmesse.

3. Lo strumento calcola infine la differenza tra i valori ottenuti nei primi due passaggi, e

la converte in unità SPAD variabili tra 0 e 100.

I valori prodotti della SPAD non sono misure dirette di concentrazione: è necessario trovare

una relazione empirica tra le unità di SPAD e la concentrazione reale dei pigmenti, in modo da

poter utilizzare lo strumento per predire la quantità di clorofilla nelle foglie campionate.

A questo scopo è stata utilizzata la relazione empirica (Panigada, 2003):

Contenuto di clorofilla [µg/cm2] = 1.309 * SPAD – 27.495

Applicando questa formula alle misure di SPAD si è potuto stimare il contenuto di pigmenti di

tutte le foglie campionate.

3.3.4. Misure radiometriche

Vista la disponibilità ridotta per la sola prima di settimana di luglio dello strumento non è stato

possibile determinare una risposta spettrale per tutte le foglie raccolte. Inoltre per ogni albero

si sono prese misure radiometriche di sole 3 foglie, con l’eccezione della prima giornata di

campionamento (5 foglie) per un totale di 164 foglie.

Le misure radiometriche di riflettività e trasmettività delle foglie campionate sono state

acquisite con uno spettroradiometro ASD Fieldspec FR accoppiato attraverso fibra ottica alla

sfera integratice Li-Cor 1800-12S.

La sfera integratrice consiste in una sfera cava rivestita internamente di solfato di bario, la cui

utilità è quella di garantire una diffusione uniforme della radianza trasmessa e riflessa da un

campione posto al suo interno. La foglia su cui si vogliono effettuare le misue radiometriche


64

viene inserita nell’apposita porta del campione e viene illuminata da una lampada Li-Cor ad

emittanza costante. Il Fieldspec FR è uno spettroradiometro ad alta risoluzione; è composto da

tre spettrometri, e acquisisce dati nell’intervallo di lunghezza d’onda compreso tra 350 e 2500

nm, con un intervallo di campionamento di 1.4 nm tra le lunghezze d’onda 350-1000 nm e di 2

nm nell’intervallo 1000-2500 nm, ricampionati ad 1 nm. La risoluzione spettrale è di 3 nm a 700

nm, 10 nm a 1500 nm, e di 10 nm a 2100 nm.

La riflettività e la trasmettività fogliari sono state calcolate seguendo un protocollo secondo il

quale vengono acquisite quattro misure (Figura 3.16):

1. la radianza riflessa (RSS),

2. la radianza trasmessa (TSP),

3. la radianza riflessa dal bianco di riferimento (solfato di bario) interno alla sfera (RTS),

4. l’effetto di non collimazione della lampada (RSA).

La sequenza delle misure condotte secondo il protocollo è riportata in Tabella 3.1. Nella

Figura 3.17 le porte della sfera integratrice sono contrassegnate dalle lettere A, B e C. Il

simbolo IN indica che la superficie superiore della foglia si affaccia sulla porta del campione

A, il simbolo IN indica che la superficie superiore della foglia si affaccia sulla sfera.

La riflettività (ρ) e la trasmettività (τ) vengono calcolate secondo le equazioni:

;*

;*

4

4

BaSORSARTS

TSP

BaSORSARTSRSARSS

ρτ

ρρ

−=

−−

=

dove 4BaSOρ è la riflettività del solfato di bario standard a cui è assegnato il proprio valore

medio, ed è pari a 0.98.

Le firme di riflettività e trasmettività fogliari sono state acquisite nell’intervallo di lunghezza

d’onda compreso tra 350 nm e 1600 nm, che corrisponde all’intervallo di remissività della

sorgente artificiale utilizzata.


65

Figura 3.16 Sfera integratrice Li-Cor 1800 12S. Le lettere A, B e C indicano la posizione delle porte

Segnale Lampada Otturatore bianco Otturatore nero Campione RSS C B A IN RTS B C A IN TSP A C B IN RSA C B A OUT

Tabella 3.1 Sequenza delle misure condotte da protocollo per il calcolo di riflettanza e trasmittanza

Figura 3.17 Schema di posizionamento della lampada e degli otturatori per l’acquisizione delle misure.

AB C

RTS RS

RSATS


66

Tabelle riassuntive

Tutte le informazioni acquisite durante la campagna a terra e tutte le analisi di laboratorio sono

state riassunte in quattro tabelle finali (Tabella 3.2 e 3.3 e 3.4 e 3.5). Le due tabelle sono state

unite in un unico database e inserite all’interno di un GIS.

X Y1n1 1504848.79 5005288.19

33n1 1505421.18 5005260.961n2 1504923.47 5005502.401n3 1504770.26 5005326.751n4 1504840.90 5004923.3832n1 1505142.93 5005020.192n1 1505183.70 5005720.52A 1505079.25 5004866.71B 1505084.19 5004984.91C 1505012.51 5004871.31D 1505003.88 5004927.58X 1505455.92 5005772.65Y 1505534.72 5005766.73

SITOCoordinate (Gauss-Boaga)

Tabella 3.2 Coordinate Gauss-Boaga dei 13 siti campionati

media s.d.

1n1 4.69 1.6 non irrigato33n1 13.60 1.1 non irrigato1n2 2.43 1.3 non irrigato1n3 3.32 1.0 non irrigato1n4 2.08 0.6 non irrigato32n1 5.48 4.1 irrigato2n1 0.75 0.2 non irrigatoA 3.47 2.2 non irrigatoB 1.98 1.6 irrigatoC 2.48 0.8 non irrigatoD 3.19 1.7 non irrigatoX 1.87 0.9 non irrigatoY 0.70 0.8 non irrigato

Pratica irrigua

SITO TDR (%)

Tabella 3.3 Valori di umidità del suolo e descrizione relativa alle pratiche irrigue.

67

SLW (g/cm2) media s.d. media s.d. media s.d. media s.d peso fresco/area

1n1 30.6 0.18 29.5 4.3 9.2 2.7 20.3 2.25 66.9 123.7 19.6 0.008133n1 7 0.3 8.4 2 2.5 0.4 5.9 0.25 14.0 107.9 10.8 0.00931n2 21.5 0.1 16.9 4 6.3 1.7 10.6 0.47 9.1 110.7 9.3 0.00901n3 23.4 0 23.1 1.7 7.1 0.7 16 2.52 49.8 127.2 12.9 0.00791n4 22.9 0.3 20.8 1.5 5.9 0.8 14.9 1.77 55.7 128.3 18.5 0.007832n1 19.4 0.1 16.2 3.2 5.3 0.3 10.9 2.07 53.9 116.3 18.5 0.00862n1 29.7 0.1 26.7 2.9 11.3 0.7 15.4 3.20 73.4 148.3 21.2 0.0067A 19.4 0.8 18.6 0.9 5.8 0.4 12.8 1.80 58.8 118.2 15.2 0.0085B 11.7 0.2 11.7 2.2 4.5 0.7 7.2 0.44 19.0 106.9 11.3 0.0094C 33.9 0.1 29.7 3.3 13.3 2.9 16.4 2.94 71.3 134.3 21.7 0.0074D 38 0.5 34.5 3.6 14.4 2.7 20.1 3.06 72.9 139.5 10.2 0.0072X 29.2 0.1 24.5 2.9 9.5 0.8 15 2.23 48.9 150.7 22.1 0.0066Y 14.7 0.5 14.1 2 5.4 0.8 8.7 0.84 18.6 124.1 14.2 0.0081

Altezza spessore chioma (m)

LAI

(m2/m2)Fc (%) SLA (cm2/g)SITO Diametro (cm) Altezza totale (m) Altezza intersezione chioma (m)

Tabella 3.4. Caratterizzazione dei siti

68

media s.d. media s.d. media s.d. media s.d. media s.d. media s.d.

1n1 0.34483 0.484 0.13497 0.188 83.5 6.37 59.5 1.82 0.011842 0.000394 20.4 3.833n1 0.09081 0.007 0.03886 0.004 75.3 7.58 57.1 2.32 0.012518 0.000977 16.74 2.61n2 0.55733 0.451 0.24813 0.197 83.2 6.00 59.6 1.72 0.013567 0.001105 16.17 2.11n3 0.49764 0.383 0.20937 0.163 85.5 6.94 60.2 1.94 0.011959 0.000900 19.15 4.11n4 0.43901 0.339 0.17528 0.136 84.9 9.71 60.0 2.69 0.012678 0.001099 18.89 4.032n1 0.57913 0.540 0.25669 0.257 79.6 7.01 58.5 2.08 0.012593 0.001125 18.89 4.02n1 0.56864 0.720 0.21241 0.289 101.9 14.76 64.1 3.40 0.012192 0.001497 18.50 4.0A 0.54168 0.451 0.22593 0.197 74.1 7.53 56.7 2.48 0.011924 0.000669 21.44 4.3B 0.62181 0.542 0.26378 0.236 74.4 6.37 56.9 2.01 0.012564 0.001640 14.53 5.4C 0.42708 0.293 0.16094 0.108 77.5 6.39 57.9 2.00 0.012120 0.001200 19.47 2.6D 0.41494 0.301 0.15728 0.114 92.1 7.13 62.0 1.90 0.011700 0.001081 19.89 2.6X 0.46684 0.343 0.17221 0.126 102.5 11.18 64.4 2.53 0.011943 0.001501 17.04 4.4Y 0.69580 0.570 0.25857 0.212 85.7 5.21 60.3 1.45 0.012580 0.000954 16.39 5.2

SITO Clorofilla (µg/cm2)RWC (%) FMC (%) EWT (g/cm2)Peso Secco (g)Peso Fresco (g)

Tabella 3.5 Parametri biofisici

Capitolo3 Materiali e metodi

69

3.4. ELABORAZIONI A LIVELLO FOGLIARE

3.4.1. Analisi delle firme spettrali

Durante la campagna di misure a terra effettuate tra il 1 e il 4 luglio 2003 sono state effettuate

misure di riflettività e trasmettività su un totale di 164 campioni prelevati dai 13 siti in esame,

con uno spettroradiometro Fieldspec-FR Pro accoppiato attraverso una fibra ottica alla sfera

integratrice Li-Cor 1800-12S (§ 3.3.).

Le analisi delle firme di riflettanza, illustrate in questo capitolo, sono state condotte utilizzando

un software sviluppato appositamente in ambiente IDL (Interactive Data Language).

3.4.1.1. Tecniche di f i l t rag g io

Le firme spettrali registrate dallo strumento sono state corrette per eliminare il rumore registrato

(Figura 3.18) soprattutto nelle lunghezze d’onda riprese dal secondo spettroradiometro del

FieldspecFR.

0.00

0.05

0.10

0.15

0.20

0.25

0.30

0.35

0.40

0.45

0.50

400 550 700 850 1000 1150 1300 1450 1600λ (nm)

ρ

1n11d111n12t122

Figura 3.18 Esempio di due firme con basso EWT (la firma in blu) e con alto EWT (firma in viola) : si può notare il rumore registrato in corrispondenza del secondo spettroradiometro del FieldspecFR.


70

Come trattato nell’articolo di Rollin and Milton (1998), si è deciso di utilizzare le funzioni di

convoluzione e le procedure semplificate dei minimi quadrati descritte da Savitzky and Golay

(1967).

Sono stati applicati diversi gradi di “smoothing” al fine di esaminare gli effetti delle diverse

convoluzioni sui risultati ottenuti in termini di spostamento delle lunghezze d’onda nei punti di

massimo assorbimento: sono stati ottenuti identici risultati utilizzando polinomi di secondo e

terzo grado.

Il rumore si riduce aumentando il numero dei punti di interpolazione: sono state confrontate le

correlazioni del contenuto d’acqua con gli indici calcolati dalle firme, e più precisamente con

firme non filtrate, filtrate a 5, 10, 20, 30 e 40.

L’analisi è stata fatta prendendo in considerazione le correlazioni ottenute con due scale spaziali

diverse: scala foglie (Figura 3.19) e scala alberi (mediando le riflettanze delle foglie appartenenti

agli stessi alberi) (Figura 3.20).

scala foglie

0.29

0.34

0.39

0.44

0.49

0.54

0.59

0.64

0 5 10 15 20 25 30 35 40n° punti interp.

r2

NDWI

MSI

SRWI

WSI

RATIO_WSI PWI

Figura 3.19 Variazione del grado di correlazione (R2) in funzione della variazione del numero dei punti di interpolazione del polinomio utilizzato.


71

scala alberi

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0 5 10 15 20 25 30 35 40n° punti interp.

r2 NDWI

MSI

SRWI

WSI

RATIO_WSI

PWI

WI

RATIO1200

Figura 3.20 Variazione del grado di correlazione (R2), ad una scala alberi, in funzione della variazione del numero dei punti di interpolazione del polinomio utilizzato

Si può notare un miglioramento della bontà della correlazione già utilizzando un polinomio con

5 punti di interpolazione; aumentando successivamente i punti di interpolazione non si riscontra

un significativo aumento dell’ R2. In conclusione si è scelto di procedere gli studi con le firme

filtrate con un polinomio con 10 punti di interpolazione: esso sembra il miglior compromesso

tra un basso numero di punti di interpolazione ed un alto grado di correlazione in “fitting”.

In Figura 3.21 è messa in evidenza la differenza tra una firma non filtrata e la stessa firma filtrata

con la funzione di convoluzione di Savitzky e Golay utilizzando un polinomio di secondo grado

con 10 punti di interpolazione.


72

0.00

0.05

0.10

0.15

0.20

0.25

0.30

0.35

0.40

0.45

0.50

350 550 750 950 1150 1350 1550

λ (nm)

ρ

1n331(non filtrata)1n331 (filtrata)

0.410

0.412

0.414

0.416

0.418

0.420

950 960 970 980 990 1000

λ (nm)

ρ

1n331(non filtrata)1n331 (filtrata)

Figura 3.21 Esempio tra una firma non filtrata (linea tratteggiata) e la stessa filtrata utilizzando un polinomio di secondo grado con 10 punti di interpolazione (linea continua)

3.4.1.2. Ricampionamento

Spesso gli spettroradiometri campionano con ampiezza spettrale variabile (solitamente 2 nm-4

nm) ma i calcoli sono invece da eseguirsi su intervalli costanti. Quindi in genere si interpola

linearmente per avere una ampiezza costante.

Lo spettroradiometro utilizzato in questo studio acquisisce dati nell’intervallo di lunghezza

d’onda compreso tra 350 e 1600 nm, con un intervallo di campionamento di 1.4 nm tra le

lunghezze d’onda 350-1000 nm e di 2 nm nell’intervallo 1000-1600 nm: i dati sono stati

ricampionati ad 1 nm.

3.4.1.3. Coef f i c i ente di cor r e laz ione l inear e di Pearson

Prima di analizzare le correlazioni tra il contenuto idrico e gli indici ottici, è importante studiare il

coefficiente di correlazione di Pearson (Danson et al.,1992) tra il parametro indagato e tutte le

lunghezze d’onda comprese tra i 350 e i 1600 nm; si costruisce un grafico tra i coefficienti

calcolati e le delle lunghezze d’onda. Il grafico è utile per vedere quali lunghezze d’onda si

correlano meglio con il parametro biofisico indagato.


73

3.4.1.4. Calco lo der ivata prima (1DGVI)

E’ una tecnica molto utile perché gli spettri così ottenuti si correlano bene al contenuto d’acqua. Danson et al. (1992) dimostrarono che quando sono presenti variazioni nella struttura interna

della foglia, la derivata prima della riflettanza fogliare si correla meglio della riflettanza

originale al contenuto idrico fogliare: quindi la derivata della riflettanza calcolata nelle bande di

assorbimento dell’acqua minimizza gli effetti dovuti alla struttura della foglia, massimizzando

la sensitività del contenuto idrico fogliare. Una volta calcolato lo spettro della derivata prima è

stato calcolato il coefficiente di correlazione di Pearson.

3.4.2. Correlazioni tra contenuto d’acqua e VIs

Al fine di stimare il contenuto d’acqua fogliare sono stati calcolati una serie di indici di

vegetazione sulle firme di riflettanza:

1240858

1240858

ρρρρ

+−

=NDWI [Normalised Difference Water Index (Gao, 1996)]

970

900

ρρ

=WI [Water Band Index (Penuelas et al., 1993)]

1240

858

ρρ

=SRWI [Simple Ratio Water Index (Zarco-Tejada et al., 2003)]

680800

680800

ρρρρ

+−

=NDVI [Normalised Difference Vegetation Index]

1450820

1450820

ρρρρ

+−

=WSI [Water Spectral Index (Questo studio)]

1116

11501116

max

minmax

ρρρ

ρρρ −

=−

=RDI [Relative Depth Index (Rollin and Milton, 1998)]


74

11001090940920

990960975

2

−−

−

+=

ρρρ

RATIO [(Pu et al., 2003; Gao et al., 1993; Feind and Welch, 1995)]

1258126511101090

122011801200

2

−−

−

+=

ρρρRATIO [(Pu et al., 2003; Gao et al., 1993; Feind and Welch, 1995)]

16001320

14502ρρ

ρ+

=WSIRATIO [Water Spectral Index Ratio (Questo studio)]

3820

14501200970

ρρρρ ××

=PWI [Product Water Index (Questo studio)]

( ) ( )217565 1265120012651090

1ρρρρ −−−

=TWI [Triangular Water Index (Questo studio)]

1649820

1649820

ρρρρ

+−

=NDII [Normalised Difference Infrared Index (Hardinsky et al., 1983)]

820

1600

ρρ

=MSI [Moisture Stress Index (Hunt and Rock,1989);Simple

Ratio Water Index a 1600 e 820 (Ceccato et al., 2001)

Successivamente gli indici sono stati correlati con il contenuto d’acqua fogliare, espresso in

termini di RWC, FMC, EWT. La stima del contenuto d’acqua è stata studiata con l’applicazione

di due diversi modelli regressivi semi-empirici: OLS e RMA.

Le correlazioni sono state studiate a due scale spaziali differenti:

• Scala foglie

• Scala alberi (ottenuta mediando i valori relativi alle diverse foglie appartenenti allo stesso

albero)


75

3.4.3. Correlazioni tra indici derivati da CR e contenuto d’acqua

Sulle firme in riflettanza è stata applicata la tecnica del Continuum Removal (§ 2.3.): sono stati

calcolati sia i nuovi spettri BNC e BNA, sia una serie di indici legati alle geometrie delle buche di

assorbimento dell’acqua. Le buche di assorbimento studiate sono tre, centrate nei seguenti

intervalli:

- 920-1070 nm

- 1116-1284 nm

- 1280-1600 nm

Come suggerito Whiting et al. (2004), la tecnica CR è stata applicata anche dopo aver convertito

gli spettri in riflettanza nel loro logaritmo naturale (§ 2.3.).

In ogni buca di assorbimento e per ogni firma sono stati inoltre calcolati i seguenti indici:

∼ ρ_min valore minimo di riflettanza della buca di assorbimento

∼ λ_min lunghezza d’onda corrispondente alla ρ_min

∼ CR_min valore minimo dello spettro continuum removed

∼ MD profondità del massimo assorbimento nel continuum (MD= 1- CRmin)

∼ AA area assorbimento, integrale calcolato nel continuum

∼ BNAE MD/AA

∼ AA_sx area assorbimento a sinistra di MD

∼ AA_dx area assorbimento a destra di MD

∼ RA_aa rapporto assimmetria area assorbimento AAsx/ AAdx

∼ AS area assorbimento semplificata (AS = MD*ab, con ab individuato a

metà di MD)

∼ AS_dx area assorbimento semplificata a sinistra di MD

∼ AS_sx area assorbimento semplificata a destra di MD

∼ RA_as rapporto assimmetria area assorbimento semplificata

∼ WINTDIR CR_min / (λinizio finestra di ass./λ_min)

∼ WACI Σλiλn ((ρi+ i dρ/dλ ∆λi) – ρi) ∆λi in pratica corrisponde all’area

Aρ calcolata alle differenze finite, quindi con meno precisione che con

l’integrale.


76

Sui due nuovi spettri BNA e BNC sono state applicate delle regressioni Step Wise (§ 2.2.) al fine

di selezionare quelle lunghezze d’onda che meglio si correlano con il contenuto d’acqua.

Gli indici derivati da CR sono stati correlati con il contenuto d’acqua con tecniche regressive

ortogonali.

3.4.4. Correlazioni tra EWTfogliare ed EWTstimato con l’equazione di Lambert-Beer

Applicando l’approccio basato sull’equazione di Lambert-Beer (§ 2.3.) sono stati calcolati i valori

di EWTstimato, utilizzando il coefficiente di Palmer (§ 1.4.), a partire dagli spettri sia di riflettanza

che di trasmittanza.

Gli intervalli di lunghezza d’onda studiate sono quattro:

867(920) – 1088 nm (Serrano et al., 2000)

920 – 1070 nm (Sims and Gamon, 2003)

1002 – 1068 nm (Roberts et al., 1998)

1132 – 1200 nm (Roberts et al., 1998)

I valori di EWTstimato sono stati correlati con i valori misurati a terra di EWTfogliare con tecniche di

regressione OLS e RMA.

3.4.5 Correlazioni tra contenuto di clorofilla e VIs

Al fine di stimare il contenuto di clorofilla sono stati calcolati una serie di indici di vegetazione

sulle firme di riflettanza diversi di quelli utilizzati per il contenuto d’acqua.

I modelli semi-empirici per la predizione del contenuto di clorofilla a partire dalla riflettanza si

basano preferibilmente sulla riflettanza nelle regioni vicine a 550 o 700 nm, dove sono richiesti

contenuti maggiori di clorofilla per saturare l’assorbimento (§ 1.3.).

Particolare interesse riveste, per quanto riguarda la clorofilla, la porzione di spettro denominata

Red Edge.

Gli indici calcolati sugli spettri di riflettanza sono:

720

7401ρρ

=Vog [Vogelmann et al., 1993]


77

555

7501_ρρ

=MG [Gitelson e Merzlyak, 1994]

726715

7477342ρρρρ

+−

=Vog [Vogelmann et al., 1993]

680780

7107803ρρρρ

−−

=Datt [Datt, 1999; Maccioni et al., 2001]

680850

7108504ρρρρ

−−

=Datt [Datt, 1999]

445705750

705750

2705

ρρρρρ−+

−=mND [Sims e Gamon, 2002]

445705

445750705ρρρρ

−−

=mSR [Sims e Gamon, 2002]

760

710

ρρ

=ctr [Carter, 1994]

705750

705750

ρρρρ

+−

=NDI [Gitelson e Merzlyak, 1994]

780550

672

*1

ρρρ

=Datt [Datt, 1998]

)()( 672701720749 ρρρρ −−−=DD [Le Maire et al., 2004]

La stima del contenuto d’acqua è stata ottenuta correlando gli indici con il contenuto di clorofilla

con le tecniche regressive OLS e RMA.


78

3.5. ELABORAZIONI A LIVELLO DI CANOPY

3.5.1. Acquisizione delle immagini

I dati telerilevati sono stati acquisiti il giorno 02/07/03 dalla CGR (Compagnia Generale Riprese

Aeree) tra le ore 08:51 e le 11:19 (ora solare locale, Greenwich + 1).

Il sorvolo è stato effettuato ad una quota di 2000 metri circa; sono state riprese 10 strisciate che

ricoprono l’intera superficie boschiva del territorio del Parco (Figura 3.22). Ciascuna strisciata ha

lunghezza variabile e larghezza pari a 755 pixel, corrispondenti a 3.02 km. Ogni pixel rappresenta

infatti una superficie al suolo di 4x4 metri.

Figura 3.22 Rappresentazione grafica delle strisciate riprese durante il volo MIVIS

Area di studio


79

3.5.2. Pre-elaborazioni dati MIVIS

Calibraz ione Radiometri ca

La calibrazione radiometrica dei dati avviene mediante l’uso di riferimenti interni al MIVIS

(corpi di riferimento) e di coefficienti di calibrazione al banco di taratura. I valori di radianza per

i riferimenti interni sono raccolti al momento dell’acquisizione delle immagini, mentre i

coefficienti di calibrazione dello spettrometro sono predisposti al banco di taratura prima che sia

effettuato il volo.

Per accertare la qualità dei dati MIVIS, ad ogni missione, vengono eseguite le procedure di

calibrazione radiometrica dello strumento, prima e dopo l’instalazione dello spettrometro a

bordo dell’aereo.

I dati di calibrazione vengono poi inseriti nell’hard disk del MIVIS assieme ai dati acquisiti

durante l’utilizzo dello strumento.

La sensibilità dello strumento è determinata dalla misura del rapporto segnale su rumore

prodotta da una sorgente di radianza nota. La sorgente di radianza per le bande del visibile e del

vicino infrarosso è un pannello di riflettanza calibrata, illuminato da lampade calibrate; mentre la

sorgente di radianza per l’infrarosso termico è una sorgente di riferimento contenuta all’interno

della testa di scansione.

Per il set di bande spettrali 1÷92 del MIVIS, la calibrazione radiometrica permette di ottenere

valori di radianza in Watt*m-2*sr-1 utilizzando la seguente formula:

AGFRR

R ri **

0 −=

dove:

Ri è il valore di radianza corretta dal sistema MIDAS per la banda i-esima,

R0 è il valore registrato dal sensore per quel pixel,

Rr è la radianza del corpo di riferimento interno che varia per ogni linea di scansione e per ogni

banda spettrale durante il volo,

F (scale Factor) è un fattore di scala (DN/radianza) che permette di quantificare come radianza il

numero digitale registrato dal sensore (DN = Digital Number),

G (Gain value) e A (Attenuation factor) sono valori di correzione rispettivamente per

l’amplificazione e la riduzione del segnale in arrivo per ciascuna delle prime 92 bande


80

(l’opportuna amplificazione e riduzione del segnale permette di memorizzare ogni dato

come un numero intero a 12 bit).

3.5.3. Pre-elaborazione delle immagini

Prima di venire utilizzate per la stima di parametri biochimici e biofisici della vegetazione, le

immagini sono state pre-elaborate, attraverso correzioni geometriche e atmosferiche.

3.5.3.1. Cor r ez ioni geometr i che

Le immagini relative alle strisciate MIVIS sono state georiferite utilizzando il software di

ortorettificazione PARGE (Parametric Geocoding for Airborne Optical Scanner Data, RSL – Università

di Zurigo), sviluppato appositamente per il processo di georeferenziazione delle immagini

acquisite da sensori aviotrasportati. Il software permette di individuare le coordinate geografiche

corrispondenti a ciascun pixel dell’immagine.

La georeferenziazione si basa sull’analisi dei dati relativi alla posizione, alla rotta e ai movimenti

di rollio e picchiata (roll e pitch) dell’aereo, e tiene conto delle variazioni di quota presenti

all’interno dell’area considerata (Figura 3.23).

Posizione GPS

Angolo di picchiata (pitch)

Angolo di rollio (roll)

Angolo di rotta (heading)

Figura 3.23 Parametri di navigazione acquisiti durante il volo

La posizione dell’aereo e i movimenti di roll e pitch vengono costantemente registrati durante il

volo da un dispositivo GPS e un giroscopio installati a bordo.


81

Le informazioni sulla quota sono ricavate a partire da un modello digitale del terreno (DEM)

definito dall’utente.

Il rilevamento tramite GPS non è sempre preciso, inoltre possono esserci problemi nella

calibrazione dei sensori di misura dei movimenti dell’aereo (soprattutto il rollio). È quindi utile

individuare un certo numero di punti di controllo di coordinate note all’interno dell’immagine. I

punti di controllo (GCP, Ground Control Point), vengono utilizzati dal programma per correggere i

valori registrati durante il volo, permettendo così di migliorare notevolmente la precisione della

georeferenziazione. Per ottenere una buona accuratezza geometrica, è necessario individuare

almeno un punto di controllo ogni 150-200 linee circa (600-800 m).

I punti di controllo sono stati individuati manualmente sulle immagini e sulla carta tecnica

regionale. L’accuratezza geometrica ottenuta si è rivelata piuttosto buona, con errori di

posizionamento mediamente inferiori ai 3-4 pixels (10-15 metri).

3.5.3.2. Cor r ez ioni atmosf er i che

Gli elementi dell’atmosfera, quali gas e aerosol diffondono e assorbono la radiazione solare,

modulando la radiazione riflessa dalle superfici, cambiandone l’intensità e variandone la

distribuzione spaziale. L’effetto atmosferico può causare un disturbo di intensità variabile,

dipendente da diversi parametri: la quota di volo, la presenza di aerosol, la geometria del sistema

sole-superficie-sensore, e in generale le condizioni atmosferiche durante il rilievo.

Il procedimento di correzione del disturbo atmosferico è necessario, se si vogliono stimare

quantitativamente parametri biochimici e biofisici delle superfici.

La correzione atmosferica delle immagini acquisite è stata realizzata dal laboratorio di

telerilevamento dell’IREA-CNR di Milano.

È stato utilizzato il software ATCOR4 (Atmospheric/Topographic Correction for Airborne Imagery)

(Richter, 2000), basato sul codice di trasferimento radiativo MODTRAN4 (Berk et al., 1989). Il

programma è stato utilizzato considerando gli effetti di dipendenza angolare della radianza e

trasmittanza atmosferica, gli effetti dei pixel adiacenti e l’effettivo contributo degli aerosol stimati

con le misure fotometriche acquisite a terra durante il sorvolo.

3.5.4. Identificazione delle Region Of Interest(ROI)

Per eseguire correttamente delle correlazioni è importante una precisa georeferenziazione delle

misure a terra con i dati telerilevati (§ 2.1.).


82

Le misure a terra sono state georeferite con un GPS da campo ad alta precisione (Trimble

GeoXT). Per ogni sito monitorato sono state individuate ROI (Region of Interest) di 3x3 pixels (144

m2), e 5x5 pixels (400 m2) sulle immagini MIVIS, centrate sulle coordinate GPS rilevate a terra,

dopodiché è stato calcolato il valore medio delle singole ROI. Questi valori di riflettanza mediati

sulle ROI verranno utilizzati per il calcolo degli indici di vegetazione. Alcuni siti presentano una

bassa copertura vegetale e i valori di riflettanza misurati dal sensore MIVIS non sempre

corrispondono alla firma di una vegetazione; in particolare il sito 33n1 non è stato preso in

considerazione nei modelli semi-empirici, mentre per i siti 1n2, B e Y è stato necessario

escludere alcuni pixel.

3.5.5. Calcolo di Indici di Vegetazione (VIs) e correlazioni con il contenuto d’acqua

Gli indici spettrali usati per la stima del contenuto d’acqua a partire da dati telerilevati da sensore

MIVIS sono:

2320

2320

bbbb

NDWI+−

= [Normalised Difference Water Index (Gao, 1996)]

2220

22201bbbb

NDWI+−

= [Normalised Difference Water Index (Gao, 1996)]

1320

1320

bbbb

NDVI+−

=

NDVINDWI / [Questo studio]

NDVINDWI /1 [Questo studio]

21

2321

bbb

RDI−

= [Relative Depth Index (Rollin and Milton, 1998)]

28

20

bb

MSI =

[Moisture Stress Index (Hunt and Rock,1989);Simple Ratio Water Index a 1600 e 820 (Ceccato et al., 2001)]


84

2620

2620

bbbbWSI

+−

= [Questo studio]

5720

5720

bbbbDATT

+−

= [Datt, 1999]

AreaCR : indice derivato dall’applicazione della tecnica Continuum Removal nella zona di

assorbimento compresa tra le banda 21, 22 e 23.

Inoltre risulta molto importante è l’utilizzo dell’indice NDWIcor definito come:

−

−−⋅=

minmax

min1SWIRSWIR

SWIRSWIRcor NDWINDWI

ρρρρ

dove SWIRρ é la riflettività registrata in una banda spettrale della regione dello Short Wave

Infrared (nel nostro caso, la banda 58, centrata a 2.226 µm) per il pixel considerato, minSWIRρ è la

riflettanza minima nello SWIR che si ottiene per canopy completamente chiuse e maxSWIRρ è la

riflettanza massima nello SWIR che si ottiene per canopy aperte. L’indice NDWIcor è derivato

dall’indice NDVIcor (Brown et al., 2000): normalizzando l’indice NDVI in base al valore della

riflettanza nello SWIR, viene ridotta l’influenza del contributo della vegetazione del sottobosco

sul segnale telerilevato nei siti caratterizzati da scarsa copertura della chioma (siti 1n2, B e Y), per

cui il valore dell’indice dipende quasi esclusivamente dalla risposta spettrale della copertura

arborea.

Gli indici di vegetazione calcolati a partire dalle immagini MIVIS sono stati correlati con il

contenuto d’acqua relativo all’intera canopy.


85

3.5.6. Calcolo di Indici di Vegetazione (VIs) e correlazioni con il contenuto di

clorofilla

Gli indici spettrali usati per la stima del contenuto di clorofilla a livello fogliare sono stati

ricalcolati sulle bande (o canali) MIVIS corrispondenti. Di seguito sono elencati gli indici che

sono stati correlati con il contenuto di clorofilla:

15

16

bb

, 6

17

bb

, 17

15

bb

, 12

14

bb

, 1417

1417

bbbb

+−

, 7

16

bb

,

14

16

bb

, 714

16

*bbb

, 17

14

bb

, 14

17

bb

, 1318

1518

bbbb

−−

,

)()( 13141517 bbbb −−− , 13

142

13

1314

)()*(bb

bbb

= .

3.5.7. Metodi di Scaling e calcolo del contenuto d’acqua della canopy

I valori di EWT fogliare sono stati scalati a livello di canopy utilizzando le tre espressioni descritte

nel paragrafo 2.4.

Prima di poter applicare le tre relazioni, i valori dei tre parametri biofisici (EWT, RWC ed FMC)

sono stati mediati a livello di sito, cioè è stato calcolata la media di tutti i valori di contenuto

d’acqua delle foglie appartenenti allo stesso sito. Inoltre i valori di EWT sono stati trasformati da

[g/cm2] a [g/m2].

In questo studio è stato introdotto un nuovo metodo di scaling, dato dalla seguente relazione:

FcEWTCWC *=

dove CWC (Canopy Water Content) è espresso in [g/m2], Fc (Fractional Cover) in % e EWT in

[g/m2]. Questa espressione è molto simile ad EWTcanopy (Ceccato et al., 2002), dove però il

parametro strutturale LAI è stato sostituito con la Fractional Cover.

È stata inoltre creata una variante a questo metodo (chiamata CWC2), ottenuta moltiplicandola

per l’altezza degli spessori delle chiome degli alberi (h).

Capitolo4 Risultati e discussioni

86

Capitolo4

RISULTATI

E

DISCUSSIONI


87

4.1. STIMA DEL CONTENUTO D’ACQUA A LIVELLO FOGLIARE

In questo paragrafo saranno mostrati i risultati ottenuti a livello foglia utilizzando alcune

tecniche di telerilevamento.

Inizialmente sono riportati i grafici ottenuti relativamente al coefficiente di correlazione di

Pearson rispetto a EWT, FMC e RWC (Figure 4.1, 4.2, 4.3).

-0.80

-0.60

-0.40

-0.20

0.00

0.20

0.40

0.60

0.80

400 600 800 1000 1200 1400 1600Lunghezza d'onda (nm)

coef

ficie

nte

di c

orre

lazi

one

(r)

Figura 4.1 Andamento del coefficiente di correlazione tra EWT e le λ.

-0.80

-0.60

-0.40

-0.20

0.00

0.20

0.40

0.60

0.80


coef

ficie

nte

di c

orre

lazi

one

(r)

Figura 4.2 Andamento del coefficiente di correlazione tra FMC e le λ.


88

-0.80

-0.60

-0.40

-0.20

0.00

0.20

0.40

0.60

0.80


coef

ficie

nte

di c

orre

lazi

one

(r)

Figura 4.3 Andamento del coefficiente di correlazione tra RWC e le λ.

Il grafico della Figura 4.1 evidenzia delle buone correlazioni negative dell’EWT nella tipica banda

di assorbimento dell’acqua centrata a 1450 nm. Il grafico ha un andamento molto simile con

quello rappresentato nello studio di Danson et al. (1992), anche se i valori dei coefficienti di

correlazione calcolati dall’autore sono maggiori rispetto a quelli di questo studio e inoltre i due

grafici hanno un andamento diverso in corrispondenza della prima regione tra i 400 e i 600 nm.

Nella regione del medio infrarosso il contenuto d’acqua della foglia è il fattore più importante

dei cambi di riflettanza; i valori negativi del coefficiente di correlazione evidenziano un aumento

del contenuto d’acqua al diminuire della riflettanza.

I grafici di Figura 4.2 e di Figura 4.3 evidenziano che l’unica correlazione significativa, per i

parametri RWC e FMC, si ha in corrispondenza della lunghezza d’onda a 1600 nm. Si può

notare la somiglianza tra i due grafici.

Considerazioni analoghe possono essere fatte studiando la derivata prima dei valori di

riflettanza e calcolando i coefficienti di correlazione.

Di seguito (Figura 4.4) è riportato come esempio l’andamento della derivata prima di una

foglia.


89

1n11d11

-0.010

-0.008

-0.006

-0.004

-0.002

0.000

0.002

0.004

0.006

0.008

0.010

350 550 750 950 1150 1350 1550


Der

ivat

a

Figura 4.4 Esempio del grafico della derivata prima della riflettanza di una foglia

Il grafico di Figura 4.5 mostra invece l’andamento del coefficiente di correlazione di Pearson per

la derivata prima, ottenuto correlandolo con l’EWT.

-0.80-0.60

-0.40-0.200.00

0.200.40

0.600.80


Coe

ffici

ente

di c

orre

lazi

one

Figura 4.5 Andamento del coefficiente di correlazione tra la derivata prima della riflettanza e il contenuto d’acqua espresso in termini di

EWT.

Dal grafico, di Figura 4.5, si vede che le migliori correlazioni con EWT si hanno a 435 e 955 nm:

nell’articolo di Danson et al. (1992) si sono trovate buone correlazioni a 940, 1000, 1150, 1240,

1380, 1550, 1920 e 2100 nm. Lo studio della derivata prima non ha avuto invece successo

correlandola con RWC ed FMC.


90

4.1.1. Stime a partire dai VIs

Gli indici ottici calcolati a partire dalle firme di vegetazione acquisite durante il campionamento

di luglio sono stati correlati con i risultati delle misure di laboratorio.

Dei tre modi differenti per esprimere il contenuto d’acqua, solo EWT ha presentato delle

relazioni significative con gli indici ottici.

Il peso turgido, necessario per il calcolo di RWC, non è stato calcolato su tutte le foglie, ma solo

su un numero limitato (59 campioni); si è poi cercato di trovato un coefficiente capace di stimare

il peso turgido sulle restanti foglie (§ 3.3.). Questa limitazione ha probabilmente compromesso la

veridicità dei risultati.

Ceccato et al. (2001) hanno evidenziato come EWT sia meglio correlato nelle varie lunghezze

d’onda rispetto a FMC. FMC ,definito come (peso fresco-peso secco)/(peso secco)*100, è influenzato

dalla materia secca, mentre EWT (peso fresco-peso secco)/(Area) essendo relativo all’area è insensibile

a questo fattore. FMC può essere espresso come EWT*SLA dove SLA (Specific Leaf Area) è

definito come Area/peso secco: ne segue che un aumento/diminuzione di FMC potrebbe essere

attribuito anche alle variazioni di materia secca (SLA) e non solo ai cambi nelle concentrazioni

del contenuto d’acqua (EWT).

Di seguito sono riportate tre tabelle (Tabelle 4.1, 4.2 e 4.3) che riassumo le regressioni migliori

ottenute correlando EWT con i VIs. In Tabella 4.1 le regressioni sono calcolate su tutti i

campioni, mentre nelle Tabelle 4.2 e 4.3 i valori correlati sono stati ottenuti mediando

rispettivamente i valori relativi alle diverse foglie appartenenti allo stesso albero (scala Alberi) e

allo stesso sito (scala Siti).


91

OLS RMA

Indice r p variance

ratio Q2 RMSEcv r

variance

ratio Q2 RMSEcv

NDWI 0.66 <0.001 1.50 -0.29 0.00137 0.66 1 0.32 0.00100

MSI 0.72 <0.001 1.39 0.07 0.00116 0.72 1 0.43 0.00091

SRWI 0.66 <0.001 1.50 -0.26 0.00135 0.66 1 0.32 0.00099

WSI 0.75 <0.001 1.32 0.24 0.00105 0.75 1 0.50 0.00085

NDVI -0.12 n.s. 8.51 -76.53 0.01059 -0.12 1 -1.50 0.00190

WI 0.55 <0.001 1.83 -1.41 0.00187 0.55 1 0.07 0.00116

RATIOWSI 0.72 <0.001 1.38 0.06 0.00116 0.72 1 0.43 0.00091

PWI 0.75 <0.001 1.33 0.22 0.00106 0.75 1 0.49 0.00086

Tabella 4.1 Coefficienti di correlazione r ottenuti dalle correlazioni tra EWT e gli indici ottici utilizzando i metodi OLS e RMA ad una scala FOGLIE (n=163). Il termine (n.s.) “indica non significativo” per valori di p>0.1.

OLS RMA

Indice r p variance

ratio Q2 RMSEcv r

variance

ratio Q2 RMSEcv

NDWI 0.84 <0.001 1.19 0.53 0.00063 0.84 1 0.65 0.00054

MSI 0.79 <0.001 1.27 0.35 0.00074 0.79 1 0.55 0.00062

SRWI 0.84 <0.001 1.19 0.54 0.00063 0.84 1 0.66 0.00054

WSI 0.87 <0.001 1.15 0.65 0.00054 0.87 1 0.72 0.00049

RATIOWSI 0.85 <0.001 1.17 0.60 0.00058 0.85 1 0.68 0.00052

PWI 0.88 <0.001 1.14 0.69 0.00052 0.88 1 0.74 0.00047

Tabella 4.2 Coefficienti di correlazione r ottenuti dalle correlazioni tra EWT e gli indici ottici utilizzando i metodi OLS e RMA ad una scala ALBERI (n=43).


92

OLS RMA

Indice r p variance

ratio Q2 RMSEcv r

variance

ratio Q2 RMSEcv

NDWI 0.87 <0.01 1.15 0.60 0.00031 0.87 1 0.66 0.00029

MSI 0.78 <0.01 1.28 0.21 0.00044 0.78 1 0.41 0.00038

SRWI 0.88 <0.01 1.14 0.62 0.00031 0.88 1 0.68 0.00028

WSI 0.79 <0.01 1.26 0.29 0.00032 0.79 1 0.45 0.00037

RATIOWSI 0.76 <0.01 1.32 0.09 0.00047 0.76 1 0.34 0.00040

PWI 0.80 <0.01 1.25 0.33 0.00041 0.80 1 0.47 0.00036

Tabella 4.3 Coefficienti di correlazione r ottenuti dalle correlazioni tra EWT e gli indici ottici utilizzando i metodi OLS e RMA ad una scala SITI (n=13).

Dalla lettura delle due tabelle è possibile fare delle considerazioni tra i due metodi regressivi

utilizzati (OLS e RMA).

Si può osservare come i due metodi, OLS e RMA, abbiano gli stessi valori del coefficiente di

correlazione, sebbene diverso coefficiente angolare (Figure 4.6 e 4.7).

0.30

0.35

0.40

0.45

0.50

0.55

0.60

0.65

0.008 0.009 0.010 0.011 0.012 0.013 0.014 0.015 0.016

ewt (g/cm2)

wsi

Figura 4.6 Correlazione tra EWT e l’indice spettrale WSI a scala foglie.

OLS: WSI = 20.938*EWT + 0.2408 r = 0.75, Q2=0.24, RMSEcv=0.00105 p<0.001

n=163

RMA:WSI = 27.599*EWT + 0.159

r = 0.75, Q2=0.50, RMSEcv=0.00085


93

NDWI vs EWT

0.020

0.025

0.030

0.035

0.040

0.045

0.050

0.055

0.060

0.008 0.009 0.01 0.011 0.012 0.013 0.014 0.015 0.016ewt (g/cm2)

ndw

i

RMAOLS

Figura 4.7 Correlazione tra EWT e l’indice spettrale NDWI a scala foglie.

La differenza più significativa tra i due modelli (RMA e OLS) rappresentati in Figura 4.6 e 4.7 è

la differenza tra i coefficienti Q2 , nonostante abbiano gli stessi valori di r. Il coefficiente Q2

esprime la varianza spiegata dal modello in predizione ed è utile per capire se il modello è adatto

in predizione.

La stima di EWT a partire dall’indice spettrale NDWI con una regressione OLS fornisce un Q2

negativo, mentre il modello costruito con la regressione RMA ha un Q2 di 0.32.

0.32 è un valore basso, ma comunque dimostra che il modello è più robusto (è più predittivo) di

OLS. Di seguito sono rappresentati due grafici (Figure 4.8 e 4.9) che mettono in relazione i

valori osservati con quelli predetti dai modelli individuati.

Il metodo OLS (Figura 4.8a e 4.9a) causa una compressione della varianza della variabile

predetta: questo significa che valori maggiori rispetto al valor medio di Y tendono ad essere

sottostimati e valori minori tendono ad essere sovrastimati.

Le regressioni RMA (Figura 4.8b e 4.9b) minimizzano la somma dei quadrati delle distanze tra i

punti misurati e la funzione del modello di regressione. Non si fanno assunzioni sugli errori di X

OLS: NDWI = EWT * 3.058 + 0.003 r=0.66, Q2=-0.29, RMSEcv=0.00137 p<0.001 RMA: NDWI = EWT * 4.601 – 0.016 r=0.66, Q2=0.32, RMSEcv=0.001

n=163


94

e Y ed è quindi possibile conservare la varianza delle osservazioni nelle predizioni.

0.008

0.011

0.014

0.017

0.020

0.008 0.011 0.014 0.017 0.020EWT osservato (g/cm2)

EW

T pr

edet

to (g

/cm

2 )

0.008

0.011

0.014

0.017

0.020

0.008 0.011 0.014 0.017 0.020EWT osservato (g/cm2)

EW

T pr

edet

to (g

/cm

2 )

Figura 4.8 Relazione tra i valori osservati e quelli predetti con il metodo OLS(a) e RMA(b) (regressione con l’indice WSI a scala foglie).

0.005

0.008

0.011

0.014

0.017

0.020

0.005 0.008 0.011 0.014 0.017 0.020

EWT osservato (g/cm2)

EWT

pred

etto

(g/c

m2 )

0.005

0.008

0.011

0.014

0.017

0.020

0.005 0.008 0.011 0.014 0.017 0.020

EWT osservato (g/cm2)

EWT

pred

etto

(g/c

m2 )

Figura 4.9 Relazione tra i valori osservati e quelli predetti con il metodo OLS(a) e RMA(b) (regressione con l’indice NDWI a scala foglie).

Nelle Tabelle 4.1, 4.2 e 4.3 è presente una colonna chiamata variance ratio: questo indice è

definito come il rapporto tra la deviazione standard dei valori predetti e la deviazione standard

dei valori osservati. Si può osservare che questo rapporto vale 1 per tutte le regressioni RMA

mentre è maggiore di uno per le OLS: questo conferma la compressione della varianza della

variabile predetta con il metodo dei minimi quadrati contrariamente invece a quanto avviene per

le regressioni ortogonali che conservano la varianza dei campioni predetti. Uno dei vantaggi

della regressione RMA, come si può osservare nelle tabelle, è la migliore capacità predittiva del

RMAOLS

OLS RMA

[b][a]


95

modello: i valori di Q2 sono sempre maggiori di quelli calcolati con il metodo classico OLS, in

conferma a ciò l’errore espresso da RMSEcv è sempre più basso.

Passando da una correlazione ad una scala foglie, ad una correlazione a scala alberi, si osserva un

aumento dei valori dei coefficienti di correlazione, aumentano anche i valori di Q2, e

diminuiscono gli errori (RMSEcv); questo in linea generale per entrambi i modelli di regressione.

L’operatore media può comportare perdita di variabilità, vengono presi meno in considerazione

i valori anomali; utilizzando la mediana come operatore, e non la media, si può infatti osservare

che le correlazioni rimangono molto stabili passando da una scala all’altra. Questo perché la

mediana per definizione è il valore che occupa la posizione centrale in un insieme ordinato di

dati; è una misura robusta, in quanto poco influenzata dalla presenza di dati anomali.

La maggiore correlazione esistente tra gli indici di vegetazione e il contenuto idrico mediato sulle

singole piante fa supporre che la misura di EWT fogliare sia soggetta ad un notevole errore

strumentale, che viene ridotto dall’operazione di media. Le firme spettrali sono state misurate in

tre giorni differenti con lo stesso strumento: dopo il primo giorno, a causa di un guasto, è stata

però sostituita la lampada Li-Cor (§ 3.3.). Si è notato una marcata differenza, soprattutto in

termini di rumore registrato, tra le firme acquisite il primo giorno e tutte le firme misurate con la

lampada nuova: questa è una possibile causa dell’errore strumentale riscontrato. La regressione

RMA, proprio per come è definita, assume che siano soggette a errore sperimentale sia la

variabile dipendente che quella indipendente (§ 2.2.) e risulta, quindi, essere la più appropriata

per questo studio.

In conclusione i modelli proposti per la stima di EWT a livello di foglia sono stati costruiti sulla

base degli indici NDWI e WSI utilizzando la tecnica regressiva ortogonale.

0035.0*2173.0)/( 2 += NDWIcmgEWT

0058.0*0362.0)/( 2 −= WSIcmgEWT


96

4.1.2. Stime a partire da indici derivati da CR

Una volta calcolati i nuovi spettri BNA e BNC (§ 3.4.) è stata applicata un regressione Step Wise

al fine di selezionare le lunghezze d’onda che meglio si correlano con EWT. Si sono trovate

correlazioni significate solo con i nuovi spettri calcolati nella zona di assorbimento tra i 1280 e i

1600 nm. In Tabella 4.4 sono riassunti i risultati ottenuti con la regressione Step Wise.

Spettro utilizzato per il calcolo di BNA e BNC

Nuovi spettri calcolati

Multiple R2 Adjusted R2 Standard Error of Estimation

Lunghezze d'onda (nm) selezionate con la regressione

Step Wise

R BNA 0.49 0.47 0.00088 1449, 1523, 1484, 1464, 1410, 1577, 1537

Ln(1/R) BNA 0.38 0.35 0.00097 1449, 1484, 1523, 1409, 1466, 1576, 1508

Ln(1/R) BNC 0.60 0.59 0.00078 1417, 1413, 1522, 1577

Tabella 4.4 risultati delle regressioni Step Wise per la tecnica CR nella zona di assorbimento tra i 1280 e i 1600 nm.

Il secondo approccio basato sulla tecnica del Continuum Removal prevede il calcolo di una serie

di indici legati alle geometrie delle buche di assorbimento (§ 2.3.). Le uniche relazioni

significative tra gli indici e il contenuto d’acqua si sono riscontrate, anche in questo caso, solo

nella terza buca di assorbimento (1280-1600 nm) e sono riassunte nelle Tabelle 4.5 e 4.6: gli

indici sono stati calcolati sia sugli spettri di riflettanza sia convertendo gli spettri stessi nel loro

logaritmo naturale (§ 2.3.). Le regressioni sono state ottenute con il metodo RMA.

Spettro in riflettanza

indice r Q2 RMSEcv

MD -0.71 0.41 0.000926 AA 0.78 0.54 0.000817

Tabella 4.5 Coefficienti delle regressioni ortogonali tra gli indici calcolati con la tecnica CR e EWT.

Spettro ln(1/R)

indice r Q2 RMSEcv

AA 0.70 0.39 0.000938 WACI 0.78 0.55 0.00081

Tabella 4.6 Coefficienti delle regressioni ortogonali tra gli indici calcolati con la tecnica CR e EWT.


97

A partire dalle regressioni migliori ottenute dai due approcci diversi sono stati costruiti due

modelli per la stima del contenuto d’acqua utilizzando la tecnica CR.

Il primo modello è il risultato di una regressione Step Wise tra lo spettro BNC, calcolato sul

logaritmo naturale della riflettanza, e EWT:

011170.0*0237.0*034362.0*018288.0*032832.0)/(

1577

1522141314972

−−+++=

ρρρρcmgEWT

Il secondo modello è stato costruito a partire dalla regressione ortogonale tra EWT e l’indice

WACI (corrisponde all’area della buca di assorbimento calcolata alle differenze finite, quindi con

meno precisione che con l’integrale):

00313.0*000154.0)/( 2 −= WACIcmgEWT

4.1.3. Stime a partire dall’equazione modificata di Lambert-Beer

Le correlazioni tra EWTstimato e EWT misurato sono molto basse e variano a seconda della buca

di assorbimento utilizzata. Si è osservato che EWT si correla meglio con EWT stimato a partire

dagli spettri di trasmittanza (Tabella 4.7). Le uniche correlazioni trovate sfruttano l’intervallo di

lunghezze d’onda compreso tra i 920 e i 1088 nm (R2=0.23): i risultati ottenuti sono molto simili

a quelli di Sims and Gamon (2003) (R2=0.36) e Serrano et al. (2000) (R2=0.25).

intervallo spettro r2 Riferimento bibliografico

R 0.13 867(920)-1088 nm T 0.23

Serrano et al.

R 0.14 920-1070 nm T 0.20 Sims and Gamon

R n.r. 1002-1068 nm T n.r. Roberts

R 0.14 1132-1200 nm T 0.13

Roberts

Tabella 4.7 Coefficienti di correlazione tra EWT fogliare ed EWT stimato con l’approccio basato sull’equazione di Lambert-Beer. (n.r. indica che non vi è nessuna relazione).


98

4.2. STIMA DEL CONTENUTO DI CLOROFILLA A LIVELLO DI

FOGLIA

4.2.1. Stime a partire dai VIs

In questo paragrafo saranno mostrati tutti i risultati ottenuti, a livello di foglia, correlando il

contenuto di clorofilla con gli indici di vegetazione (VIs).

Di seguito è riportata la tabella riassuntiva (Tabella 4.8) che mostra le correlazioni migliori

ottenute le tecniche regressive OLS e RMA

OLS RMA

Indice r p Q2 RMSEcv r Q2 RMSEcv

Vog1 0.78 <0.0001 0.28 3.38 0.78 0.51 2.79

G_M1 0.71 <0.0001 -0.11 4.19 0.71 0.33 3.24

Vog2 -0.79 <0.0001 0.34 3.24 -0.79 0.54 2.70

ctr -0.73 <0.0001 0.01 3.95 -0.73 0.36 3.18

Datt3 0.77 <0.0001 0.22 3.52 0.77 0.48 2.87

Datt4 0.76 <0.0001 0.20 3.55 0.76 0.47 2.89

mND705 0.76 <0.0001 0.16 3.63 0.76 0.45 2.95

mSR705 0.79 <0.0001 0.34 3.22 0.79 0.54 2.69

NDI 0.72 <0.0001 -0.12 4.21 0.72 0.29 3.35

Datt1 0.76 <0.0001 0.18 3.61 0.72 0.47 2.90

DD 0.77 <0.0001 0.21 3.54 0.77 0.47 2.89

Tabella 4.8 Coefficienti di correlazione r ottenuti dalle correlazioni tra EWT e gli indici ottici utilizzando i metodi OLS e RMA (n=39)

Dalla lettera della Tabella 4.8 si può notare come tutti gli indici siano ben correlati con il

contenuto di clorofilla (il coefficiente di correlazione r varia tra 0.73-0.79): la regressione RMA


99

ha più potere predittivo di OLS, mantenendo inoltre valori di RMSEcv più bassi. Le Figure 4.10 e

4.11 mostrano le correlazioni migliori (r e Q2 maggiori) ottenute con regressioni ortogonali.

2.0

2.5

3.0

3.5

4.0

4.5

5.0

5.5

6.0

10 15 20 25 30Contenuto di clorofilla (µg/cm2)

mSR

705

Figura 4.10 Correlazione tra il contenuto di clorofilla e l’indice spettrale mSR705

-0.12-0.11-0.10-0.09-0.08-0.07-0.06-0.05-0.04-0.03-0.02

10 15 20 25 30Contenuto di clorofilla (µg/cm2)

Vog2

Figura 4.11 Correlazione tra il contenuto di clorofilla e l’indice spettrale Vog2

I modelli proposti per la stima del contenuto di clorofilla a livello di foglia sono stati costruiti

sulla base delle regressione ortogonali con gli indici Vog2 e mSR705.

2*3.26864.1) Vog−=2g/cm( clorofilla di Contenuto µ

859.1705*192.5) −= mSR2g/cm( clorofilla di Contenuto µ

n=39

Vog2 = 0.0061 – 0.0037 * Contenuto di clorofillar=-0.79, Q2= 0.54, RMSEcv=2.70

n=39

mSR705 = 0.1926 * Contenuto di clorofilla + 0.3581r=0.79, Q2= 0.54, RMSEcv=2.69

Capitolo 4 Risultati e discussioni

100

4.3. STIMA DEL CONTENUTO D’ACQUA A LIVELLO DI CANOPY

In questo paragrafo vengono presentati e discussi i risultati ottenuti per la stima del contenuto

d’acqua a livello di canopy tramite alcuni modelli semi-empirici.

Il contenuto d’acqua a livello di foglia è stato inizialmente correlato con l’indice NDWI (Figura

4.12), e l’indice NDVI (Figura 4.13).

NDWI= -86.377*EWT + 1.2071R2 = 0.67

0.00

0.05

0.10

0.15

0.20

0.25

0.0115 0.0120 0.0125 0.0130 0.0135 0.0140EWTfogliare (g/cm2)

NDW

I

Figura 4.12 Regressione tra EWT fogliare e l’indice NDWI

NDVI = -292.01*EWT + 4.3521R2 = 0.72

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

1.00

0.0115 0.0120 0.0125 0.0130 0.0135 0.0140EWTfogliare (g/cm2)

NDV

I

Figura 4.13 Regressione tra EWT fogliare e l’indice NDWI

p< 0.005


101

Le relazioni negative individuate (Figure 4.12 e 4.13), sebbene siano statisticamente significative

e con soddisfacenti coefficienti di determinazione, sono in contrasto con l’implicita diminuzione

della riflettanza all’aumento del contenuto d’acqua.

Inoltre la mancanza di una correlazione significativa tra LAI ed EWTfogliare (Figura 4.14) implica

che l’estrapolazione a livello di canopy deve passare attraverso la quantità fogliare distribuita nello

spazio: ciascuna risposta in ogni pixel risente del contributo a livello di canopy.

EWT= -3.3824*LAI + 129.41R2 = 0.4818

110

115

120

125

130

135

140

0 1 1 2 2 3 3 4LAI (m2/m2)

EW

T fog

liare

Figura 4.14 .Regressione tra LAI ed EWTfogliare

Sono stati utilizzati quattro metodi differenti per estrapolare il contenuto d’acqua a livello di

canopy (§ 2.4 e 3.5). Questi metodi utilizzano parametri strutturali della canopy, quali il LAI, la

Fractional Cover, lo Specific Leaf Area e lo spessore delle chiome degli alberi: questi parametri si

correlano molto bene con gli indici spettrali NDVI, SR (Figura 4.15 e 4.16) e può essere

interessante guardare se esistono delle correlazioni anche con quei indici formulati

appositamente per la stima del contenuto d’acqua come per esempio NDWI (Figura 4.17).

NDVI = 0.2215Ln(LAI) + 0.6477R2 = 0.7416

NDVI= 0.146*LAI + 0.4721R2 = 0.602

0.000.100.200.300.400.500.600.700.800.901.00

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5LAI (m2/m2)

NDVI

SR= 5.4483Ln(LAI) + 7.4435R2 = 0.6563

SR = 3.8316*LAI + 2.6528R2 = 0.6064

02468

1012141618

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5LAI (m2/m2)

SR

Figura 4.15 Correlazioni tra il parametro struttirale LAI e gli indici SR e NDVI

p<0.01


102

NDVI = 0.2354Ln(Fc) - 0.1239R2 = 0.79

NDVI= 0.0065*Fc + 0.4335R2 = 0.6683

0.000.100.200.300.400.500.600.700.800.901.00

0 10 20 30 40 50 60 70 80Fc (%)

NDVI

SR = 5.699Ln(Fc) - 11.193R2 = 0.677

SR = 0.1756*Fc + 1.4289R2 = 0.707

02468

1012141618

0 10 20 30 40 50 60 70 80Fc (%)

SR

Figura 4.16 Correlazioni tra il parametro struttirale Fc e gli indici SR e NDVI

NDWI = 0.049*LAI + 0.0479R2 = 0.7254

NDWI = 0.0701Ln(LAI) + 0.109R2 = 0.7939

0.00

0.05

0.10

0.15

0.20

0.25

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5LAI (m2/m2)

NDW

I

NDWI = 0.0022*Fc + 0.033R2 = 0.8352

NDWI = 0.0751Ln(Fc) - 0.1373R2 = 0.8581

0.00

0.05

0.10

0.15

0.20

0.25

0 10 20 30 40 50 60 70 80Fc (%)

NDW

I

Figura 4.17 Correlazioni tra i parametri LAI e Fc e l’indice spettrale NDWI

I grafici della Figura 4.17 evidenziano come i parametri strutturali, LAI e Fc, usati nei metodi di

scaling, siano molto correlati con un indice (NDWI) formulato di proposito per la stima del

contenuto d’acqua. LAI ed Fc sono più correlati con NDWI che con NDVI e questo

suggerisce l’utilizzo di NDWI come proxy dei parametri strutturali della vegetazione.

Rimane quindi da capire quanto un modello costruito con regressioni tra indici e il contenuto

d’acqua della vegetazione (calcolato con i metodi di scaling) sia sensibile alle variazioni del

contenuto d’acqua e non sia invece spiegato solo dai parametri strutturali della canopy.


103

In vista della futura applicazione dei differenti metodi di scaling sono state applicate delle

regressioni Step Wise tra una variabile dipendente (indici spettrali) e le variabili indipendenti

definite dai parametri strutturali (LAI, Fc, SLA) e biofisici (EWT, RWC, FMC): la significatività

delle regressioni è stata determinata in base a p (test t-student, § 2.2).

indice Equazione della regressione R2 p(LAI) p(EWT)

NDWI y=0.032864*LAI-0.004392*EWT+0.615579 0.83 <0.05 <0.1 NDWI1 y=0.632163-0.004465* EWT +0.031337* LAI 0.81 <0.05 <0.1 NDWI/NDVI y=0.573516-0.003594*EWT+0.025422*LAI 0.78 <0.05 0.105 NDWI1/NDVI y=0.599228-0.003901*EWT+0.028132*LAI 0.81 <0.05 <0.1 NDWIcor y=0.540194-0.003997*EWT+0.035321*LAI 0.83 <0.05 <0.1 WSI 0.61 n.s. <0.1 DATT 0.80 n.s. <0.05 SR 0.72 n.s. <0.1 NDVI 0.77 <0.05 n.s. MSI y=14.90345-0.10169*EWT+0.58742*LAI 0.80 <0.05 <0.1 AreaCR 0.82 <0.05 n.s. RDI 0.59 n.s. n.s.

Tabella 4.9 Significatività dei coefficienti delle regressioni relative ai parametri LAI (Leaf Area Index) e EWTfogliare (Equivalent Water Thickness). Il termine (n.s.) indica “non significativo” per valori di p>0.1.

indice R2 p(Fc) p(SLA) p(LAI) p(FMC)

NDWI 0.86 <0.0001 n.s. n.s. n.s. NDWI1 0.86 <0.0001 n.s. n.s. n.s. NDWI/NDVI 0.83 <0.0001 n.s. n.s. n.s. NDWI1/NDVI 0.86 <0.0001 n.s. n.s. n.s. NDWIcor 0.83 <0.0001 n.s. n.s. n.s. WSI 0.55 <0.01. n.s. n.s. n.s. DATT 0.68 <0.001 n.s. n.s. n.s. SR 0.70 <0.001 n.s. n.s. n.s. NDVI 0.66 <0.005 n.s. n.s. n.s. MSI 0.79 <0.0005 n.s. n.s. n.s. AreaCR 0.91 <0.0005 <0.05 n.s. n.s. RDI 0.91 <0.0005 n.s. n.s. <0.01

Tabella 4.10 Significatività dei coefficienti delle regressioni relative ai parametri Fc (Fractional cover), SLA (Specific Leaf Area), LAI (Leaf Area Index) e FMC (Fuel Moisture Content). Il termine (n.s.) indica “non significativo” per valori di p>0.1.


104

indice R2 p(Fc*h) p(RWC)

NDWI 0.86 <0.001 n.s. NDWI1 0.85 <0.001 n.s. NDWI/NDVI 0.85 <0.001 n.s. NDWI1/NDVI 0.86 <0.001 n.s. NDWIcor 0.85 <0.05 n.s. WSI 0.67 <0.05 n.s. DATT 0.74 <0.05 n.s. SR 0.81 <0.05 n.s. NDVI 0.73 <0.05 n.s. MSI 0.84 <0.05 n.s. AreaCR 0.89 <0.001 n.s. RDI 0.76 <0.05 n.s.

Tabella 4.11 Significatività dei coefficienti delle regressioni relative ai parametri Fc*h (Fractional cover e spessore della chioma e RWC (Relative Water Content). Il termine (n.s.) indica “non significativo” per valori di p>0.1.

indice Equazione della regressione R2 p(Fc) p(EWT)

NDWI y= 0.442296-0.003162*EWT+0.001737*Fc 0.94 <0.005 0.100198 NDWI1 y=0.459939-0.003243*EWT+0.001672*Fc 0.93 <0.005 0.114736 NDWI/NDVI 0.93 <0.005 n.s. NDWI1/NDVI 0.94 <0.005 n.s. NDWIcor 0.93 <0.005 n.s. WSI 0.81 n.s. n.s. DATT y= 2.732363-0.017997*EWT+0.003168*Fc 0.90 <0.1 <0.05 SR 0.87 <0.005 n.s. NDVI y=2.858338-0.018415*EWT+0.003342*Fc 0.89 <0.1 <0.05 MSI y=11.85480-0.08007*EWT+0.03094*Fc 0.92 <0.05 <0.1 AreaCR 0.92 <0.005 n.s. RDI 0.81 <0.01 n.s.

Tabella 4.12 Significatività dei coefficienti delle regressioni relative ai parametri Fc (Fractional cover) e EWT (Equivalent Water Thickness). Il termine (n.s.) indica “non significativo” per valori di p>0.1.


105

indice Equazione della regressione R2 p(Fc*h) p(EWT)

NDWI y=0.628994-0.004391*EWT+0.000067*(Fc*h) 0.80 <0.05 <0.1 NDWI1 y=0.656379-0.004550*EWT+0.000063*(Fc*h) 0.78 <0.1 <0.1 NDWI/NDVI 0.76 <0.1 n.s. NDWI1/NDVI 0.79 <0.05 n.s. NDWIcor 0.77 <0.1 n.s. WSI 0.61 n.s. <0.1 DATT 0.75 n.s. <0.05 SR 0.71 n.s. n.s. NDVI 0.73 n.s. <0.05 MSI y=14.87454-0.09969*EWT+0.00124*(Fc*h) 0.92 <0.05 <0.1 AreaCR 0.76 <0.05 n.s. RDI 0.55 n.s. n.s.

Tabella 4.13 Significatività dei coefficienti delle regressioni relative ai parametri Fc*h (Fractional cover moltiplicata per l’altezza dello spessore della chioma) e EWT (Equivalent Water Thickness). Il termine (n.s.) indica “non significativo” per valori di p>0.1.

Le variabili significative sono sostanzialmente definite dal LAI e pertanto le vie di scaling

preferibile è quella proposta da Ceccato et al. (2002).

Sulla base dei risultati illustrati nelle Tabelle 4.9, 4.10, 4.11, 4.12 e 4.13 sono stati costruiti

modelli semi-empirici per la stima del contenuto d’acqua a livello di canopy (Tabelle 4.14, 4.15 e

4.16).

EWTcanopy=EWT*LAI (g/m2) indice

OLS RMA

r p Q2 RMSEcv r Q2 RMSEcv NDWI 0.85 <0.001 0.30 90 0.85 0.51 75.8 NDWI1 0.86 <0.001 0.38 85 0.86 0.55 72.4 NDWI1/NDVI 0.85 <0.001 0.23 95 0.85 0.46 79.5 NDWIcor 0.87 <0.001 0.49 77 0.87 0.62 66.7

Tabella 4.14 Coefficienti di correlazione r ottenuti dalle correlazioni tra EWTcanopy e gli indici spettrali utilizzando regressioni OLS e RMA.


106

CWC=EWT*Fc indice

OLS RMA r p Q2 RMSEcv r Q2 RMSEcv NDWI 0.91 <0.0001 0.63 1557.2 0.91 0.72 1349.1 NDWI1 0.92 <0.0001 0.68 1434.5 0.92 0.75 1263.5 NDVI 0.81 <0.005 -0.73 3349 0.81 0.13 2376.9

Tabella 4.15 Coefficienti di correlazione r ottenuti dalle correlazioni tra CWC e gli indici spettrali utilizzando regressioni OLS e RMA.

CWC2=EWT*Fc*h indice

OLS RMA r p Q2 RMSEcv r Q2 RMSEcv NDWI 0.84 <0.001 0.23 44502.23 0.84 0.47 36918.26 NDWI1 0.86 <0.0005 0.34 41229.47 0.86 0.53 35025.88 MSI 0.83 <0.001 0.30 42597.14 0.83 0.52 35241.99

Tabella 4.16 Coefficienti di correlazione r ottenuti dalle correlazioni tra CWC2 e gli indici spettrali utilizzando regressioni OLS e RMA.

Le relazioni migliori si sono ottenute correlando gli indici che derivano dall’indice NDWI

(Figura 4.18), che operano nelle lunghezze d’onda del secondo picco di assorbimento dell’acqua

(attorno a 1250 nm).

NDWIcor = 0.0004*(EWT*LAI) + 0.015r = 0.87, Q2=0.49, RMSEcv=77

0.000.020.040.060.080.100.120.140.160.180.20

0 100 200 300 400EWTcanopy (g/m2)

ND

WI c

or

Figura 4.18 Regressione OLS e RMA tra EWTcanopy e l’indice NDWI.

NDWIcor=0.000497*(EWT*LAI) - 0.000802 r=0.87, Q2=0.62, RMSEcv=66.7

n=12

RMA:

OLS:


107

È stato inoltre introdotto un nuovo metodo per cercare di stimare il contenuto d’acqua della

canopy senza l’utilizzo del parametro LAI. Il concetto è quello di sostituire il parametro strutturale

da un suo proxy, calcolato direttamente con tecniche di telerilevamento dalle immagini MIVIS,

come per esempio l’indice Reduced Simple Ratio (RSR) definito come:

min,max,

max,*SWIRSWIR

SWIRSWIRSRRSRρρρρ

−

−=

indice r2 p(RSR) p(EWT)

NDWI 0.91 <0.001 n.s. NDWI1 0.91 <0.001 n.s. NDWI/NDVI 0.84 <0.01 n.s. NDWI1/NDVI 0.85 <0.01 n.s. NDWIcor 0.85 <0.05 n.s. WSI 0.76 <0.05 n.s. DATT 0.74 <0.05 <0.01 NDVI 0.83 <0.05 n.s. MSI 0.97 <0.0001 n.s. AreaCR 0.65 n.s. n.s. RDI 0.63 <0.1 n.s.

Tabella 4.17 Significatività dei coefficienti delle regressioni relative ai parametri RSR (Reduced Simple Ratio) e EWT (Equivalent Water Thickness). Il termine (n.s.) indica “non significativo” per valori di p>0.1.

Infine è stato sviluppato un ulteriore metodo che permette la stima del contenuto d’acqua

fogliare direttamente dai dati telerilevati. Sono stati calcolati nuovi indici ottici ottenuti

normalizzando gli indici rispetto all’indice NDVI. NDVI riflette maggiormente la struttura

fogliare, il colore, la perdita di pigmenti e quindi indirettamente è relazionato al contenuto

d’acqua: il rapporto tra un indice e NDVI spiega meglio le variazioni del contenuto d’acqua

(Peñuelas et al., 1997) . I nuovi indici vengono correlati direttamente con il contenuto d’acqua

fogliare. Le analisi della significatività delle regressioni sono riassunte in Tabella 4.18.


108

indice

OLS RMA

r p Q2 RMSEcv r Q2 RMSEcv NDWI/NDVI -0.80 <0.005 0.15 4.59 -0.80 0.50 3.52 NDWI1/NDVI -0.82 <0.005 0.23 4.38 -0.82 0.54 3.38 NDWIcor/NDVI -0.82 <0.005 0.28 4.23 -0.82 0.50 3.52 WSI/NDVI -0.83 <0.001 -7.25 14.31 -0.83 -0.45 6.01 DATT/NDVI -0.87 <0.0005 -1.67 8.15 -0.87 0.17 4.53 MSI/NDVI -0.52 <0.1 -2.89 9.83 -0.52 -0.30 5.69 AreaCR/NDVI 0.81 <0.005 -22.68 24.25 0.81 -2.00 8.62 RDI/NDVI 0.65 <0.05 -22.18 23.99 0.65 0.08 4.78

Tabella 4.18 Significatività dei coefficienti delle regressioni tra EWT fogliare (g/m2) e i nuovi indicici normalizzati rispetto a NDVI.

La relazione più significativa dal punto di vista statistico è quella ottenuta con una regressione

ortogonale tra l’indice (NDWI1/NDVI) e EWT fogliare (Figura 4.19)

0.00

0.05

0.10

0.15

0.20

0.25

115 120 125 130 135 140EWTfogliare (g/m2)

NDW

I1/N

DVI

Figura 4.19 Regressione ortogonale tra l’indice NDWI1/NDVI e EWTfogliare

NDWI1/NDVI=-0.00937*EWT+1.3277357r=-0.82, Q2=0.54, RMSEcv=3.38

n=12


109

Di seguito sono infine riportati i grafici ottenuti relativamente al coefficiente di correlazione di

Pearson rispetto a EWTcanopy, (Figura 4.20).

-1.0

-0.8

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

0.8

1.0

400 700 1000 1300 1600 1900 2200 2500


Coe

ffici

ente

di c

orre

lazi

one

(r)

Figura 4.20 Andamento del coefficiente di correlazione tra EWTcanopy e le lunghezze d’onda delle bande MIVIS


110

4.3.1. Mappa del contenuto d’acqua

La mappa del contenuto d’acqua della canopy (Figura 4.21) è stata costruita con l’inversione della

regressione ortogonale tra l’indice NDWIcor e EWTcanopy:

0161.0*2011.0)/( 2 += corcanopy NDWImgEWT

Figura 4.21 Mappa del contenuto d’acqua della canopy relativa all’area

di studio

Mappa di EWTcanopy 31-100 [g/m2] 100 - 175 [g/m2] 175 - 250 [g/m2] 250 - 320 [g/m2] 320 - 391 [g/m2] > 392 [g/m2]


111

È stata inoltre costruita una mappa di EWTfogliare (Figura 4.22) utilizzando la seguente relazione:

NDVINDWImgEWTfogliare

1*7302.1066692.141)/( 2 −=

Mappa di EWTfogliare

116-120 [g/m2]

120 - 125 [g/m2]

125 - 130 [g/m2]

130 - 135 [g/m2]

> 135 [g/m2]

N

EW

S

N

EW

S


116-120 [g/m2]

120 - 125 [g/m2]

125 - 130 [g/m2]

130 - 135 [g/m2]

> 135 [g/m2]


116-120 [g/m2]

120 - 125 [g/m2]

125 - 130 [g/m2]

130 - 135 [g/m2]

> 135 [g/m2]

N

EW

S

N

EW

S

Figura 4.22 Mappa del contenuto d’acqua fogliare relativa all’area di

studio


112

4.4. STIMA DEL CONTENUTO DI CLOROFILLA A LIVELLO DI

CANOPY

In questo paragrafo vengono presentati e discussi i risultati ottenuti per la messa a punto del

modello semi-empirico per la stima del contenuto di clorofilla a livello di canopy.

Gli indici di vegetazione calcolati sulle immagini MIVIS (§ 3.5.) sono stati correlati con il

contenuto di clorofilla

Le correlazioni più significative sono riassunte in Tabella 4.19.

indice r Q2 RMSEcv b17/b6 0.84 0.49 1.36

(b13*b14)/(b13)^2=b14/b13 0.86 0.60 1.20 b14/b12 0.87 0.61 1.19 b16/b7 0.85 0.52 1.32

Tabella 4.19 Coefficienti di correlazione delle regressioni ortogonali tra il contenuto di clorofilla e gli indici spettrali

La regressione più significativa, dal punto di vista statistico, è quella costruita con l’indice

)/( 1214 bb , rappresentata in Figura 4.23.

0.0

1.0

2.0

3.0

4.0

5.0

6.0

13 15 17 19 21 23Contenuto di clorofilla (µg/cm2)

b 14/b

12

Figura 4.23 Regressione ortogonale tra il contenuto di clorofilla e l’indice b14/b12.

b14/b12 = 6.820 * Contenuto di clorofilla + 0.541 r=0.87, Q2=0.61, RMSEcv=1.19

n=12


113

4.1.1. Mappa del contenuto di clorofilla

L’inversione della regressione ortogonale, rappresentata in Figura 4.24, ha permesso la stima del

contenuto di clorofilla e la costruzione di una mappa tematica.

12

142

bb

*1.84817312.60455)g/cm( clorofilla di Contenuto +=µ

Mappa delle Clorofille

16-17 [µg/cm2]

17 - 18 [µg/cm2]

18 - 20 [µg/cm2]

20 - 22 [µg/cm2]

N

EW

S

N

EW

S


16-17 [µg/cm2]

17 - 18 [µg/cm2]

18 - 20 [µg/cm2]

20 - 22 [µg/cm2]


16-17 [µg/cm2]

17 - 18 [µg/cm2]

18 - 20 [µg/cm2]

20 - 22 [µg/cm2]

N

EW

S

N

EW

S

Figura 4.24 Mappa del contenuto di clorofilla totale (a+b) relativa all’area di studio.

Capitolo5 Conclusioni

114

Capitolo5

CONCLUSIONI


115

Il presente lavoro di studio ha avuto come obiettivo la stima del contenuto d’acqua a livello

fogliare a partire da misure di riflettanza di laboratorio, e a livello di canopy a partire da immagini

iperspettrali MIVIS. Le osservazioni remote, di laboratorio, da aereo o da satellite, consentono

infatti di stimare alcune variabili ecologiche relative allo stato della vegetazione che aiutano a

descrivere lo stato degli ecosistemi forestali e consentono la parametrizzazione dei modelli

ecosistemici rivolti alla simulazione dei cicli biogeochimici e dei processi di trasferimento

energetico e radiativo tra suolo, pianta ed atmosfera. Tra i parametri derivabili a partire da

informazioni iperspettrali, il contenuto idrico è di importanza pratica per analisi sullo stato di

salute delle piante, per la gestione delle pratiche di irrigazione, per quantificare la resa delle

colture, per studi della dinamica degli incendi e per studi sui flussi di carbonio.

Per la realizzazione di questo studio sono stati utilizzati sia dati misurati a terra sia dati acquisiti

dal sensore MIVIS.

I dati telerilevati sono stati acquisiti il giorno 2 luglio 2003 mediante il sensore Multispectral

Infrared and Visible Imaging Spectrometer (MIVIS). Il volo è stato effettuato ad una quota di 2000

metri circa, a cui ha corrisposto una risoluzione dell’immagine al suolo di 4m x 4m. In

concomitanza al sorvolo aereo sono state acquisite misure di campo (campionamento delle

foglie, caratterizzazione dei siti dal punto di vista forestale, misure di umidità relativa del suolo) e

misure radiometriche di laboratorio necessarie alla messa a punto e alla validazione delle

metodologie per la stima dei parametri investigati.

Tramite le analisi di laboratorio (peso fresco, secco, turgido, area fogliare, Spad) si è calcolato per

ogni foglia il contenuto idrico, espresso come Equivalent Water Thickness (g/cm2), Fuel

Moisture Content (%), Relative Water Content (%), e il contenuto di clorofilla (µg/cm2).

Il contenuto d’acqua è stato inizialmente ricercato tramite modelli semi-empirici a livello di

singole foglie, mentre in un secondo tempo si sono utilizzate le immagini telerilevate per la stima

al livello di canopy: si è seguito un approccio tradizionale che impiega modelli semi-empirici.

Le tecniche utilizzate sono state: misure di riflettanza, indici spettrali, Continuum Removal e

approccio basato sulla legge di Lambert-Beer.

All’interno di questo lavoro si sono messi a confronto due tipi di regressioni: Ordinary Least

Squares (OLS) e Reduced Major Axis (RMA). Per entrambi i metodi si è valutata la capacità

predittiva del modello.


116

A livello di foglia il modello semi-empirico che meglio stima il contenuto d’acqua si basa su

indici spettrali, ed è stato sviluppato utilizzando la tecnica regressiva ortogonale RMA. In questo

studio è stato confermato che le regressioni ortogonali hanno più potere predittivo delle

regressioni OLS in quanto non si fanno assunzioni sugli errori di X e Y ed è quindi possibile

conservare la varianza delle osservazioni nelle predizioni.

Le relazioni tra gli indici di vegetazione e i valori di EWTfogliare sono risultate di tipo lineare, con

percentuale di varianza spiegata dal modello in predizione (Q2) variabile tra 0.32 e 0.50. Tra gli

indici di vegetazione testati, quello più rappresentativo è l’indice NDWI che opera nelle

lunghezze d’onda del secondo picco di assorbimento dell’acqua (attorno a 1150 nm).

La tecnica del Continuum Removal ha fornito buoni risultati nella zona di assorbimento

compresa tra 1280 e 1600 nm: è stata formulata una regressione lineare multivariata per la stima

del contenuto d’acqua (R2=0.60).

Le relazioni ottenute con l’approccio basato sulla legge di Lambert-Beer non sono significative e

non possono essere utilizzate per la costruzione di un modello per la stima del contenuto

d’acqua a livello fogliare.

Utilizzando un approccio semi-empirico basato sulle correlazioni con gli indici spettrali è stato

inoltre costruito un modello per la stima del contenuto di clorofilla a livello fogliare (Q2=0.54).

In un secondo tempo la stima del contenuto d’acqua è stata effettuata al livello di canopy

mediante l’elaborazione di immagini MIVIS.

Il contenuto idrico a livello di canopy è stato invece calcolato a partire dalle misure di Leaf Area

Index (LAI) e di Fractional Cover (Fc) e dai valori di EWT medi di ciascun sito. Per verificare la

possibilità di stimare il contenuto idrico a livello di canopy a partire dai valori di riflettanza

calcolati dalle immagini MIVIS sono stati inoltre sviluppati dei modelli regressivi ortogonali tra i

valori di EWTcanopy calcolati per i diversi siti e alcuni indici di vegetazione calcolati a partire dalle

immagini iperspettrali. Gli indici che hanno mostrato una migliore correlazione con i valori di

EWTcanopy sono risultati quelli derivati a partire dall’indice NDWI. La maggior correlazione tra gli

indici di vegetazione e EWTcanopy si ha con l’indice NDWIcor (Q2=0.62, RMSEcv=66.7). A partire

da questa relazione è stata prodotta una mappa relativa al contenuto idrico a livello di canopy per

l’area di studio considerata.

Inoltre è stato sviluppato un metodo che permette la stima del contenuto d’acqua fogliare

direttamente dai dati telerilevati. Sono stati calcolati nuovi indici ottici ottenuti normalizzando gli

indici rispetto all’indice NDVI: il rapporto tra un indice e NDVI spiega meglio le variazioni del


117

contenuto d’acqua. Invertendo il modello costruito con una regressione ortogonale tra l’indice

NDWI/NDVI e EWTfogliare (Q2=0.54) è stata creta un mappa relativa al contenuto d’acqua

fogliare per l’area di studio considerata.

Infine è stata creata anche una mappa di clorofilla invertendo un modello semi-empirico

ottenuto con una regressione ortogonale tra il contenuto di clorofilla e l’indice spettrale calcolato

come rapporto tra le bande 14 e 12 del sensore MIVIS (Q2=0.61).

In conclusione, si può affermare che le tecniche di telerilevamento sono un utile strumento per

la stima del contenuto idrico e del contenuto di clorofilla sia da misure spettrali di laboratorio sia

da misure telerilevate da aereo: inoltre presentano molteplici vantaggi soprattutto legati alla

spazializzazione del parametro biofisico indagato.

Bisogna però tener presente che, a livello di canopy, le forti variazioni osservabili del contenuto

idrico tra le diverse aree sono legate anche alle variazioni nell’indice di area fogliare, in quanto il

segnale misurato dal MIVIS è influenzato non solo dal contenuto idrico a livello fogliare ma

anche dalla quantità di foglie presenti all’interno della canopy, definita dal parametro LAI. Le due

componenti sono difficilmente separabili utilizzando tecniche basate su indici spettrali e risulta

quindi difficile la stima diretta del contenuto d’acqua fogliare direttamente da dati telerilevati da

sensore MIVIS, se non utilizzando modelli di trasferimento radiativo.

Il modello per la stima del contenuto d’acqua della canopy è stato validato per piantagioni di

pioppi ibridi: i valori di contenuto d’acqua misurati presentano una bassa varianza

probabilmente dovuta a condizioni di disponibilità idrica e a condizioni climatiche abbastanza

omogenee e a poca variabilità genetica. Risulta quindi difficile applicare i modelli sviluppati, a

livello fogliare o di canopy, a differenti tipi di vegetazione.

Bibliografia

118

BIBLIOGRAFIA

- Baret, F., & Fourty, T. (1997). Estimation of leaf water content and specific leaf weight

from reflectance and transmittance measurement. Agronomie, 17, 455-464.

- Barr, H.D., & Weatherley, P.E. (1962). A re-examination of the relative turgidity

technique for estimating water deficit in leaves. Aust. J. Biol. Sci, 15, 413-428.

- Berk, A., Bernstein, L.S., & Robertson, D.C. (1989). MODTRAN: A Moderate

Resolution Model for LOWTRAN 7. U.S. Air Force Geophysics Laboratory Tech. Rep. GL-

TR-89-0122, Hanscom AFB, MA.

- Bowman, 1990). Bowman, W.D (1989). The relationship between leaf water status, gas

exchange and spectral reflectance in cotton leaves. Remote Sensing of Environment, 30, 249-

255.

- Brown, L., Chen, J.M., Leblanc, S.G, & Cihlar, J. (2000). A Shortwave Infrared

Modification to the Simple Ratio for LAI Retrieval in Boreal Forests: An Image and

Model Analysis. Remote Sensing of Environment, 71, 16-25.

- Carter, G.A. (1994). Ratios of leaf reflectances in narrow wavebands as indicators of

plant stress. International Journal of Remote Sensing, 15(3), 697-703.

- Ceccato, P. (2001). Estimation of vegetation water content using remote sensing for the

assessment of fire risk occurrence and burning efficiency. Tesi di dottorato di Ricerca,

Università di Greenwich.

Bibliografia

119

- Ceccato, P., Gobron, N., Flasse, F., Pinty, B., & Tarantola, S. (2002). Designing a

spectral index to estimate vegetation water content from remote sensing data: Part 1

Theoretical approach. Remote Sensing of Environment, 82, 188-197.

- Ceccato, P., Flasse, S., Tarantola, S., Jacquemoud, S., & Grègoire, J-M. (2001). Detecting

vegetation leaf water content using reflectance in the optical domain. Remote Sensing of

Environment, 77, 22-33.

- Cibula, W. G., Zetka, E. F., & D. L, R. (1992). Response of Thematic Mapper bands to

plant water stress. International Journal of Remote Sensing, 13, 1869-80.

- Cohen, W.B., Maiersperger, T.K., Gower, S.T., & Turner, D.P. (2003). An improved

strategy for regression of biophysical variables and Landsat ETM+ data. Remote Sensing of


- Colombo, R., Bellingeri, D., Fasolini, D., Marino, C.M. (2003). Retrieval of leaf area

index in different vegetation types using high resolution satellite data. Remote Sensing of


- Curran, P.J. (1989). Remote sensing of foliar chemistry. Remote Sensing of Environment, 29,

271-278.

- Curran, P.J., & Hay, A.M. (1986). The importance of measurement error foe centain

procedures in remote sensing at optical wavelengths. Photogrammetric Engineering and

Remote Sensing, 52(2), 229-241.

- Curran, P.J., Dungan, J.L., & Peterson, D.L. (2001). Estimating the foliar biochemical

concentration of leaves with reflectance spectrometry Testing the Kokaly and Clark

methodologies. Remote Sensing of Environment, 76, 349-359.

- Danson, F.M., & Bowyer, P. (2004). Estimating live fule moisture content from

remotely sensed reflectance. Remote Sensing of Environment, 92, 309-321.

Bibliografia

120

- Danson, F.M., Steven, M. D., Malthus, T. J., & Clark, J. A. (1992). Highspectral

resolution data for determining leaf water content. International Journal of Remote Sensing,

13(3), 461– 470.

- Datt, B. (1998). Remote sensing of chlorophyll a, chlorophyll b, chlorophyll a + b and

total carotenoid content in eucalyptus leaves. Remote Sensing of Environment, 66(2), 111-

121.

- Datt, B. (1999). Visible/near infrared reflectance and chlorophyll content in Eucalyptus

leaves. International Journal of Remote Sensing, 20(14), 2741-2759.

- Dawson, T.P., Curran, P.J., North, P.R., & Plummer, S.E. (1999). The propagation of

foliar biochemical absorption features in forest canopy reflectance: a theoretical analysis.

Remote Sensing of Environment, 67, 147-159.

- ERSAF (1996). I suoli del Parco Ticino settore meridionale. SRR19.

- Feind, R. E., & Welch, R.M. (1995). Cloud fraction and cloud shadow property retrievals

from coregistered TIMS and AVIRIS imagery: The use of cloud morphology for

registration. IEEE Transactions on Geoscience and Remote Sensing, 33, 172-184.

- Filella, I., & Peñuelas, J. (1994). The red edge position and shape as indicators of plant

chlorophyll content, biomass and hydric status. International Journal of Remote Sensing, 15-7,

1459– 1470.

- Gao, B.-C. (1996). NDWI—a normalized difference water index for remote sensing of

vegetation liquid water from space. Remote Sensing of Environment, 58, 257– 266.

- Ganapol, B., Johnson, L., Hammer, P., Hlavka, C., & Peterson, D. (1998).

LEAFMODE: a new within-leaf radiative transfer model. Remote Sensing of Environment, 6,

182– 193.

Bibliografia

121

- Gitelson, A.A., & Merzlyak, M.N. (1994b). Quantitative estimation of chlorophyll-a

using reflectance spectra: experiments with autumn chestnut and maple leaves. Journal of

Photochemistry and Photobioliology, B: Biology, 22:247-252.

- Hardinsky, M. A., Lemas, V. et al. (1983). The influence of soil salinity, growth form,

and leaf moisture on the spectral reflectance of Spartina alternifolia canopies.

Photogrammetric Engineering and Remote Sensing, 49, 77-83.

- Huang, Z., Turner, B.J., Dury, S.J., Wallis, I.R., & Foley, W.J. (2004). Estimating foliage

nitrogen concentration from HYMAP data using continuum removal analysis. Remote

Sensing of Environment, 93, 18– 29.

- Hunt, E. R. JR (1991). Airbone remote sensing of canopy water thickness scaled from

leaf spectrometer data. International Journal of Remote Sensing, 12 (3), 643– 649.

- Hunt, E. R., Rock, B. N., & Nobel, P. S. (1987). Measurement of leaf relative water

content by infrared reflectance. Remote Sensing of Environment, 22, 429– 435.

- Hunt, E. R., Jr. & Rock, B.N. (1989). Detection of changes in leaf water content using

near- and middle-infrared reflectances. Remote Sensing of Environment 30, 43-54.

- Jacquemoud, S., Ustin, S.L. (2003). Application of radiative transfer models to moisture

content estimation and burned land mapping. Proc. 4th Int. Workshop on Remote Sensing and

GIS Applications to Forest Fire Management, Ghent (Belgium), 5-7 June 2003, pages 3-12.

- Jacquemoud, S., & Baret, F. (1990). PROSPECT: a model of leaf optical properties

spectra. Remote Sensing of Environment, 34, 75-91.

- Jacquemoud, S., Baret, F., Andrieu, B., Danson, F.M., & Jaccard, K. (1995). Extraction

of vegetation biophysical parameters by inversion of the PROSPECT+SAIL model on

Bibliografia

122

sugar beet canopy reflectance data. Application to TM and AVIRIS sensors. Remote

Sensing of Environment, 52, 163-172.

- Jackson, T.J., Chen, D., Cosh, M., Li, F., Anderson, M., Walthall, C., Doriaswamy, P., &

Hunt, E.R. (2004). Vegetation water content using Landsat data derived normalized

difference water index for corn and soybeans. Remote Sensing of Environment, 92, 475-482.

- Kokaly, R.F., & Clark, R.N. (1999). Spectroscopic determination of leaf biochemistry

using band-depth analysis of absorption features and stepwise multiple linear regression.

Remote Sensing of Environment, 67, 267– 287.

- Kooistra, L., Wehrens, R., Leuven, R.S.E.W., & Buydens, L.M.C. (2001). Possibilities of

visible-near-infrared spectroscopy for the assessment of soil contamination in river

floodplains. Analytica Chimica Acta, 446, 97-105.

- Larsson, H. (1993). Linear regression for canopy cover estimation in Acacia woodlands

using Landsat-TM, -MSS and SPOT HRV XS data. International Journal of Remote Sensing,

14(11), 2129– 2136.

- Le Maire G., Francois, C., & Dufrene, E. (2004). Towards universal broad leaf

chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance

measurements. Remote Sensing of the Environment, 89, 1-28.

- Lillesand, T.M., & Kiefer, R.W. Remote sensing and image interpretation, Fourth Edition

(pp.12-20).

- Maccioni, A., Agati, G., & Mazzinghi, P., (2001). New vegetation indices for remote

measurement of chlorophylls based on leaf directional reflectance spectra. Journal of

Photochemistry and Photobiology, B: Biology, 61(1-2), 52–61.

Bibliografia

123

- Maier, S.W., Lüdeker, W, & Günther, K.P. (1999). SLOP: A revised version of the

stochastic model for leaf optical properties. Remote Sensing of Environment, 68 (3), 273–

280.

- Maki, M., Ishiahra, M., & Tamura, M. (2004). Estimation of leaf water status to monitor

the risk of forest fires by using remotely sensed data. Remote Sensing of Environment, 90,

441– 450.

- Paci, M. (1997). Ecologia Forestale (EDAGRICOLE).

- Panigada, C. (2003). Airborne hyperspectral imagery in forest monitoring: advanced

studies in pigment data retrieval in natural deciduous forests and poplar plantations. Tesi

di dottorato di Ricerca in Scienze Ambientali, Università degli Studi di Milano-Bicocca.

- Peñuelas, J., Filella, I., Biel, C., Serrano, L., & Save´, R. (1993). The reflectance at the 950

– 970 nm region as an indicator of plant water status. International Journal of Remote Sensing,

14(10), 1887– 1905.

- Peñuelas, J., Gamon, J. A., Fredeen, A. L., Merino, J., & Field, C. B. (1994). Reflectance

indices associated with physiological changes in nitrogen- and water-limited sunflower

leaves. Remote Sensing of Environment, 48, 135– 146.

- Peñuelas, J., Piñol, J., Ogaya, R., & Filella, I. (1997). Estimation of plant water

concentration by the reflectance water index (R900/R970). International Journal of Remote

Sensing, 18, 2869–2875.

- Pierce, L.L., Running, S.W., & Riggs, G.A. (1990). Remote detection of canopy water

stress in coniferous forests using the NS001 thematic mapper simulator and the thermal

infrared multispectral scanner. Photogrammetric Engineering and Remote Sensing ,56, 579-586.

Bibliografia

124

- Porporato, A., Laio, F., Ridolfi, L., & Rodriguez-Iturbe, I. (2001). Plants in water-

controlled ecosystems: active role in hydrologic processes and response to water stress.

III. Vegetation water stress. Advances in Water Resources, 24, 725-744.

- Pu, R., Ge, S., Kelly, N.M. & Gong, P. (2003). Spectral absorption features as indicators

of water status in coast live oak (Quercus agrifolia) leaves. International Journal of Remote

Sensing, 24 (9), 1799–1810.

- Rahman, S.M.L., Mackay, W.A., Quebedeaux, B., Nawata, E. & Sakuratani, T. (2002).

Superoxide dismutase, leaf water potential, relative water content, growth and yield of a

drought-tolerant and a drought-sensitive tomato cultivar. Subtropical Plant Science Journal,

54, 12-22.

- Richter, R. (2000). ATCOR4: Atmospheric/Topographic Correction for Wide FOV

Airborne Imagery. DLR-German Aerospace Center, Wessling, Germany.

- Riggs D. S., Guarnieri J. A., & Addelman S., (1978). Fitting straight lines when both

variables are subject to error. Life Sciences, 22, 1305-1360.

- Roberts, D. A., Green, R. O., & Adams, J. B. (1997). Temporal and spatial patterns in

vegetation and atmospheric properties from AVIRIS. Remote Sensing of Environment, 62,

223– 240.

- Roberts, D., Brown, K., Green, R., Ustin, S., & Hinckley, T. (1998). Investigating the

relationship between liquid water and leaf area in clonal populus. Summaries of the 7th

Annual JPL Earth Science Workshop, January 12-16, 1998, Pasadena, California, vol. 1 (pp.335-

344), JPL Publication 97-21.

- Rollin, E.M., & Milton, E.J. (1998). Processing of high spectral resolution reflectance

data for the retrieval of canopy water content information. Remote Sensing of Environment,

65, 86– 92.

Bibliografia

125

- Serrano, L., Ustin, S.L., Roberts, D.A., Gamon, J.A., & Peñuelas, J. (2000). Deriving

water content of chaparral vegetation from AVIRIS data. Remote Sensing of Environment,

74, 570– 581.

- Sims, D.A., & Gamon, J.A. (2003). Estimation of vegetation water content and

photosynthetic tissue area from spectral reflettance: a comparison of indices based on

liquid water and chlorophyll absorption features. Remote Sensing of Environment, 84, 526–

537.

- Sims, D.A., & Gamon, J.A. (2002). Relationships between leaf pigment content and

spectral reflectance across a wide range of species, leaf structures and developmental

stages. Remote Sensing of Environment, 81, 337-354.

- Tian, Q., Tong, Q., Pu, R., Guo, X. & Zhao, C. (2001). Spectroscopic determination of

wheat water status using 1650-1850 nm spectral absorption features. International Journal

of Remote Sensing, 22(12), 2329-2338.

- Todeschini, R. Introduzione alla chemiometria, EdiSES.

- Vogelman, J.E., Rock, B.N., & Moss, D.M. (1993). Red edge spectral measurements

from sugar maple leaves. International Journal of Remote Sensing, 14(8), 1563-1575.

- Webb T., Howe S. E., Bradshaw R. H. W., & Heide K. M., (1981). Estimating plant

abundance from pollen percentages: the use of regression analysis. Review of Palaeobotany

and Palynology, 34, 269-300.

- Whiting, M.L., Li, L., & Ustin, S.L. (2004). Predicting water content using Gaussian

model on soil spectra. Remote Sensing of Environment, 89, 535– 552.

- Zarco-Tejada, P.J., Rueda, C.A., & Ustin, S.L. (2003). Water content estimation in

vegetation with MODIS reflectance data and model inversion methods. Remote Sensing of

Environment, 85, 109–124.

Bibliografia

126

- Zhao, C.J., Zhou, Q., Wang, J., & Huang, W.J. (2004). Band selection for analysing

wheat water status under field conditions using relative depth indices (RDI). International

Journal of Remote Sensing, 25 (13), 2575–2584.

Ringraziamenti

Finalmente ho finito di scrivere la tesi e, per fortuna o forse purtroppo, anche l’esperienza

universitaria si è conclusa. Devo innanzi tutto ringraziare i miei genitori, e mio fratello, che mi

hanno dato l’opportunità di studiare e hanno sopportato tutte le difficoltà che mi sono

presentate durante questo cammino: grazie anche a tutti i parenti, a partire dal più anziano (ciao

Nonna) per arrivare al più giovane (non so chi sia, ormai ho perso il conto).

Un ringraziamento speciale è rivolto al mio correlatore Roberto (futuro papà) che mi ha dato

l’opportunità di svolgere questo studio e ha saputo darmi gli stimoli giusti (peccato per la fede

sportiva!). Non posso certo dimenticare di dire un grazie a tutto il gruppo di Telerilevamento

(Colombo et al., 2005): Michele per il supporto matematico e statistico, Lorenzo per quello

informatico e scrocconistico, Micol per la pazienza e la disponibilità (anche se alla fine non mi

ha scritto neanche un paragrafo!), Cinzia (per la disponibilità dell’ufficio durante la maternità),

Mirco per tutte quelle volte che mi è venuto a chiamare per bere il caffè, Dimitrij per

l’incoraggiamento (quando si è laureato ho detto: ce la posso fare anche io!!!), Roberto B. per gli

skleri condivisi insieme nell’ultimo mese, e infine quella teppa di Sergio per l’amicizia instauratasi

tra noi che spero non finisca al di fuori dell’università.

È arrivato finalmente il momento di ringraziare tutte le persone che mi hanno accompagnato in

questa avventura. Andrea che ha saputo dare un “sapore” diverso a questi cinque anni trascorsi

con la testa tra i libri (non è solo riferito al suo odore naturale di naftalina!) e Simone per le

nottate di full immersion a tu per tu con quella bestia pelosa e puzzolente del Lucky: stati sicuri

che fine dell’università non vuol dire anche fine dell’amicizicia. Grazie a Tiziana per i 10 anni (e

da troppo che ci conosciamo!!!) e alle compagne secchie Sara, Roberta e Irene per tutti gli

appunti scroccati.

Non posso certo dimenticare di ringraziare gli amici di SESTO e dintorni: siete in fondo ma non

per questione di importanza. Grazie al pilota sportivone Ale nonché mago della polizza e grande

appassionato di orologi, grazie a Simon (detto Parola) grande “Collezionista” buongustaio e al

cugino Matteo amante del verde, grazie a Daniele (il Talebano) per le ansie che lo circondano e

per tutte le ragazze che ci ha fatto conoscere, grazie a Luca (Sgamo) per le serate d’essai

trascorse a casa sua. Vedrete che da oggi avrò più tempo da dedicare a voi!!!!!!

Ho sicuramente dimenticato di citare qualcuno, ma state tranquilli che penso anche a voi.

stima del contenuto d’acqua fogliare tramite...

Documents