Atti Progetto AQUATER, Bari, 31 ottobre 2007, 83-100

APPORTO DEL TELERILEVAMENTO PER IL MONITORAGGIO DEI PARAMETRI

AGRO-AMBIENTALI

Giuseppe Satalino, Francesco Mattia, Anna Balenzano, Guido Pasquariello

Consiglio Nazionale delle Ricerche. Istituto di Studi sui Sistemi Intelligenti per l’Automazione, Bari

Introduzione

In questo capitolo sarà illustrata l’attività di ricerca basata sull’utilizzo del telerilevamento

per il monitoraggio dei parametri agro-ambientali, in corso di svolgimento nell’ambito del

progetto AQUATER.

Nelle prossime pagine saranno presentati sia i dati telerilevati acquisiti nella zona del

Tavoliere, in coincidenza con la campagna di misura effettuata nel 2006 nei vari siti

sperimentali del progetto, sia le tecniche e le elaborazioni effettuate sui dati telerilevati.

Inoltre, saranno illustrati alcuni risultati ottenuti, in termini di mappe di parametri geofisici

estratti dai dati satellitari. In particolare, saranno presentate le seguenti mappe:

� una mappa di uso del suolo, con la stima della distribuzione delle colture di

interesse, derivata da una classificazione supervisionata di immagini telerilevate

acquisite nel range del visibile-vicino infrarosso (VIS-NIR);

� mappe multitemporali di Normalized Difference Vegetation Index (NDVI),

ottenute dalle immagini VIS-NIR;

� una mappa di copertura del grano, derivata dal processamento di immagini radar

ad apertura sintetica (SAR), cioè immagini radar acquisite nel range delle

microonde;

� mappe multitemporali di umidità del suolo, ottenute da dati SAR; � mappe multitemporali di contenuto d’acqua del grano, ricavate da dati SAR.

Siti sperimentali monitorati durante la campagna di misure - Foggia 2006

Le colture e le aziende che sono state monitorate nella campagna di misure in situ

realizzata nel 2006 nella zona del Tavoliere, in provincia di Foggia, sono riassunte come

segue:

� Tipo colture di interesse: 3, ovvero Grano, Barbabietola, Pomodoro;

� Nomi aziende agricole: 6, ovvero Forte, De Lucretis, D’Amico, Mazzilli, Carafa,

Segezia;

� Numero campi sperimentali selezionati: 12, di cui 4 di Grano (33 ha), 5 di

Barbabietola (32 ha), 3 di Pomodoro (27 ha).

La tipologia delle colture nei campi sperimentali è riportata in tabella 1.

84

Tabella 1. Tipologia delle colture nei campi sperimentali monitorati durante la campagna Foggia 2006.

COLTURE

AZIENDA Grano Barbabietola Pomodoro

Forte - Si -

De Lucretis Si Si Si

D’Amico - Si Si

Mazzilli Si Si Si

Carafa Si Si -

Segezia Si - -

La figura 1 mostra l’immagine SPOT-5 del 26/05/2006 con la localizzazione delle zone

di interesse ove si trovano i campi sperimentali. Le immagini SPOT-5 sono acquisite nel

range del visibile e vicino infrarosso. In figura è rappresentata la composizione in falso

colore che ne deriva. L’estensione del rettangolo è di circa 18 km x 41 km = 736 km2.

La figura 2 evidenzia invece alcuni dettagli della stessa immagine SPOT-5 intorno alle

aziende De Lucretis e D’Amico-Mazzilli.

Figura 1. Immagine SPOT-5 del 26/05/2006 con la localizzazione delle zone di interesse ove si trovano i

campi sperimentali. Estensione rettangolo: circa 18 km x 41 km = 736 km2.

85

Figura 2. Dettagli dell’immagine SPOT-5 del 26/05/2006 intorno alle aziende De Lucretis e D’Amico-

Mazzilli. Barbabietola in verde, grano in giallo, pomodoro in rosso.

Mappa di uso del suolo

La mappa di uso del suolo è stata prodotta tramite una classificazione supervisionata di

immagini multibanda e multitemporali acquisite dal sensore a bordo di SPOT-5 e -4:

Risoluzione spaziale

Banda SPOT–5 SPOT-4

B1 verde (0.50-0.59 µm) 10 m 20 m

B2 rosso (0.61-0.68 µm) 10 m 20 m

B3 NIR (0.78-0.89 µm) 10 m 20 m

B4 SWIR (1.58-1.75 µm) 20 m 20 m

L’utilizzo di dati multitemporali permette di migliorare l’accuratezza della

classificazione, poiché sfrutta le differenze dei dati acquisiti nel VIS-NIR dovute ai diversi

stati fenologici in cui si trovano le varie colture al suolo. In particolare, le immagini SPOT

utilizzate in questo studio sono state acquisite nelle date: 26/05/2006 (SPOT-5),

01/07/2006 (SPOT-4), 31/07/2006 (SPOT-5), periodo in cui le colture di interesse, cioè

grano, pomodoro e barbabietola, si presentano in fasi fenologiche differenti. Prima di

essere impiegate nella classificazione, le immagini sono state coregistrate e georefenziate.

Il lavoro di classificazione è stato svolto in due fasi: 1) individuazione delle Regioni

di Interesse (ROI) sulle immagini corrispondenti alle classi principali di suolo;

2) classificazione supervisionata dei dati SPOT sulla base delle ROI selezionate.

A riguardo del primo punto, l’individuazione delle ROI sulle immagini è stata

effettuata con una procedura supervisionata sia sulla base di informazioni raccolte durante

la campagna di misure sperimentali, mediante rilievi fotografici sul campo ed acquisizioni

GPS, sia tramite l’ausilio di dati cartografici relativi alla distribuzione delle colture del

2006, compilati dal Consorzio per la Bonifica della Capitanata. Le estensioni delle ROI

selezionate per il training ed il test della classificazione sono le seguenti:

Dati di Training: Grano (340 ha), Barbabietola (96 ha), Pomodoro (120 ha).

Dati di Test: Grano (290 ha), Barbabietola (34 ha), Pomodoro ( 78 ha).

86

Per ottenere una classificazione più accurata, sono state selezionate anche delle ROI

relative ad altre colture e/o classi di suolo maggiormente presenti nella zona. In totale, le

classi principali selezionate ed individuate sulle immagini sono 6, ovvero: Grano,

Barbabietola, Pomodoro, Vigneto, Olivo, Suolo nudo o scarsamente vegetato. Inoltre, sono

state identificate anche altre colture e/o classi di suolo presenti nella zona in misura

minoritaria, con l’intento di classificarle e mascherarle. Esse sono: urbano e/o

infrastrutture, bosco, ortivo (asparago, broccoletto, cipolle), nuvole e/o ombre, vegetazione

spontanea e/o incolto.

Con l’utilizzo delle ROI sopra definite, è stata conseguentemente effettuata la

classificazione multitemporale delle immagini SPOT mediante l’algoritmo di

classificazione supervisionato Maximum Likelihood.

I risultati della classificazione ottenuti per le classi di interesse sono i seguenti:

Training: Grano, Barbabietola, Pomodoro: circa 98% di accuratezza.

Test: Grano, Barbabietola, Pomodoro: circa 97% di accuratezza.

La figura 3 mostra alcuni dettagli della classificazione intorno alle aziende De

Lucretis e D’Amico-Mazzilli. La figura 4 mostra invece l’immagine classificata della zona

di interesse ottenuta dai dati SPOT multitemporali, con la relativa legenda delle classi. La

risoluzione spaziale di questa mappa è di 10 m, tuttavia essa è stata ottenuta classificando

pixel provenienti da bande a diversa risoluzione spaziale, cioè pixel con risoluzione di 10

m e 20 m, per cui la risoluzione effettiva è di 20 m.

Una stima delle estensioni delle varie colture/classi di suolo ottenute dall’immagine

classificata, è la seguente:

- Grano (48%)

- Barbabietola (3%)

- Pomodoro (7%)

- Vigneto (8%)

- Olivo (5%)

- Suolo nudo o scarsam. veget. (4%)

- Aree classi mascherate (urbano ed altri classi minori): circa 25%

Figura 3. Dettagli dell’immagine classificata intorno alle aziende De Lucretis e D’Amico-Mazzilli.

87

Figura 4. Immagine classificata ottenuta dai dati SPOT multitemporali, campagna 2006. Le due aree urbane

rappresentano le città di Foggia (in basso a destra) e San Severo (in altro a sinistra).

88

Mappe di Normalized Difference Vegetation Index (NDVI)

Le mappe di NDVI sono state derivate dai dati SPOT utilizzando le riflettanze delle bande

nel vicino infrarosso (NIR) e del Rosso (R), che sono rappresentate dalle bande 3 e 2 (B3

nel range 0.78-0.89 µm e B2 nel range 0.61-0.68 µm). Il valore di NDVI, ottenuto

dall’equazione:

NDVI = (NIR – R) / (NIR + R)

è compreso tra -1 and +1. In particolare, NDVI assume valori inferiori a 0 per l’acqua,

poco superiori a 0 per i suoli e valori positivi per la vegetazione, in genere fino a 0.8 per

vegetazioni molto dense. Questo indice è correlato alla vegetazione, poiché la presenza di

clorofilla nelle foglie provoca un’alta riflessione della radiazione incidente nella regione

del NIR ed un assorbimento in quella del Rosso. Di conseguenza, maggiore è il volume

della vegetazione, più alto è il valore NDVI.

In figura 5 sono mostrate alcune mappe di NDVI, in scala di colore verde, relative

alla coltura grano (in data 26/05/2006), alla coltura barbabietola (in data 26/05/2006) e alla

coltura pomodoro (in data 31/07/2006). La risoluzione spaziale di queste mappe è di 10 m,

poiché esse sono state ottenute dalle bande SPOT B2 e B3, entrambe a risoluzione di 10 m.

Figura 5. Mappe di NDVI relative alla coltura grano (in data 26/05/2006), alla coltura barbabietola (in data

26/05/2006) ed alla coltura pomodoro (in data 31/07/2006).

NDVI scale 0 0.7

89

Mappa di copertura del grano derivata da immagini SAR

La mappa di copertura del grano che sarà mostrata in questa sezione, è stata derivata dalle

immagini SAR mediante un opportuno processamento dei dati (Satalino et al., 2007).

Infatti, i dati SAR possono discriminare il grano dalle altre colture/classi di suolo presenti

in una zona e per questo scopo essi rappresentano una valida alternativa ai dati satellitari

acquisiti nel VIS-NIR, avendo anche la caratteristica di non essere affetti da inconvenienti

di acquisizione dovuti alla copertura nuvolosa.

Il metodo si basa su studi precedenti, ove è già stata attestata la correlazione tra i dati

SAR multipolarizzati (HH,VV), in particolare tra il rapporto delle polarizzazioni HH/VV

acquisiti in banda C ed ad un alto angolo di incidenza (di circa 40°), e la biomassa fresca

del grano (Mattia et al., 2003). La figura 6 riporta l’andamento temporale del rapporto

(misurato con uno scatterometro) insieme a quello della biomassa fresca del grano,

ottenuto su un campo sperimentale sul sito di Matera nel 2001. Si può notare come

l’andamento del rapporto è fortemente correlato a quello della biomassa del grano durante i

vari stati fenologici fino alla maturazione, oltre la quale le curve decrescono rapidamente

poiché il grano diventa secco. E’ importante notare che tale relazione sussiste nel caso di

colture cerealicole, le quali presentano una marcata struttura verticale che determina

un’attenuazione della polarizzazione VV molto maggiore di quella HH. Altre colture

caratterizzate da uno sviluppo più ramificato, come il pomodoro, o da foglie larghe, come

la barbabietola, non presentano lo stesso comportamento.

Figura 6. Andamento temporale di HH/VV (acquisito da uno scatterometro) e di biomassa fresca misurati su

un campo sperimentale di grano, campagna Matera 2001 (Mattia et al., 2003).

90

I dati SAR utilizzati in questo studio sono stati estratti dalla serie temporale di

immagini ASAR AP Single look complex (APS), in banda C e ad alti angoli di incidenza,

riportata in tabella 2.

Tabella 2. Sequenza temporale dati ASAR AP (swath I5-I7) acquisiti durante la campagna Foggia 2006.

DoY* Data Swath Pol Tipo

63 04/03/2006 I7 HH/VV AP

82 23/03/2006 I6 HH/VV AP

117 27/04/2006 I6 HH/VV AP

133 13/05/2006 I7 HH/VV AP

136 16/05/2006 I5 HH/VV AP

152 01/06/2006 I6 HH/VV AP

168 17/06/2006 I7 HH/VV AP *DoY (Day of Year).

Il metodo seguito per ottenere la mappa di grano consiste:

a) nell’uso della serie temporale del rapporto tra backscattering ASAR HH/VV

acquisiti ad alti angoli di incidenza (swath I5/I7);

b) in operazioni di media dei backscattering a scala di campo e stima della soglia

ottimale che separi le classi di grano - non grano; nell’utilizzo della mappa di uso

del suolo derivata da SPOT per verificare l’accuratezza del metodo. Dalla

sequenza riportata in tabella 2 ed in corrispondenza dei campi relativi alle diverse

colture/classi di suolo presenti nella zona di Foggia, sono stati estratti gli andamenti

caratteristici di <HH>/<VV> ad n look, cioè una stima del rapporto del coefficiente di

backscattering tra la polarizzazione HH e VV mediato su un numero n di celle di

risoluzione. Un esempio dell’andamento temporale del rapporto su un campo sperimentale

coltivato a grano e della biomassa corrispondente è mostrata in figura 7.

Figura 7. Andamento temporale di <HH>/<VV> e di biomassa fresca misurati sul campo sperimentale

coltivato a grano di Segezia, campagna Foggia 2006.

91

La variabile R = <HH>/<VV> egue una distribuzione di probabilità nota (vedi

Oliver e Quegan, 2000), caratterizzata da un parametro γ (stimato tramite una media

spaziale su zone a terra omogenee, γ = <HH>/<VV>), da una media ed una deviazione

standard.

La figura 8 illustra l’andamento multitemporale di γ per le diverse colture di interesse

sui campi di Foggia, campagna 2006. Dalla figura si può notare come questa variabile

mostra un andamento differente per il grano in verde rispetto alle altre colture in rosso.

Esiste pertanto un valore di soglia che può essere utilizzato per effettuare la separazione tra

le classi.

La capacità che la variabile R ha nel discriminare il grano dalle altre classi di

interesse dipende sia dalla distanza tra le medie di R, che dalle deviazioni standard

corrispondenti. La capacità di separazione aumenta con l’aumentare della distanza tra le

medie (o anche tra la distanza tra i parametri γ), oppure aumenta con il diminuire delle

deviazioni standard corrispondenti. Dalla figura si evince come le distanze relative tra il

grano e le altre colture aumentano lungo l’asse del tempo, fino al DoY 136, quando per il

grano si ha un picco dell’andamento di R, che coincide con la fase di spigatura (heading).

Da notare che nel DoY 152 c’è un evento piovoso.

Figura 8. Andamento multitemporale di γ = <HH>/<VV> per le diverse colture di interesse sui campi di

Foggia, campagna 2006.

La figura 9 riporta gli andamenti che si ottengono dopo una operazione di fusione

delle varie colture/tipi di suolo in 2 classi, ovvero classe grano e classe non-grano. In

figura sono anche riportate le distanze tra i parametri γ relative alle 2 classi ed è stato

evidenziato il periodo temporale per il quale è stato valutato l’errore di classificazione.

L’errore di classificazione è stato valutato sulla base della soglia ottimale stimata.

Per soglia ottimale si intende quella che si ricava applicando la regola Bayesiana di

decisione, la quale stabilisce, utilizzando le distribuzioni di probabilità dei dati (che devono

essere note), che la soglia migliore è quella che minimizza l’errore di classificazione.

Rain at doy 152

92

Figura 9. Andamento multitemporale di γ per le classi grano (verde) e non-grano (rosso) sui campi di

Foggia, campagna 2006.

Poiché l’errore dipende dalla deviazione standard dei dati SAR, ci si può attendere

che questo errore venga ridotto da operazioni di media spaziale. In figura 10 si può

osservare il risultato ottenuto da un’operazione di media spaziale effettuata con una

finestra di ampiezza 13x13 pixel, per i dati acquisiti nel giorno DoY 136. Nella medesima

figura è anche riportata la soglia ottimale identificata mediante le corrispondenti

distribuzioni di probabilità condizionate, pesate per le probabilità a priori delle classi.

Nella figura è anche riportato il numero di look equivalente (ENL=Estimated Number of

Look) stimato dopo le operazioni di media. Il numero ENL aumenta all’aumentare delle

dimensioni della finestra usata per la media spaziale.

Figura 10. Istogramma di R (in tratteggio) relative alle classi grano (verde) e non-grano (rosso) e

corrispondenti distribuzioni di probabilità condizionate, pesate per la probabilità a priori;

media spaziale dei dati su finestra 13x13 pixel; dati campagna Foggia 2006.

Rain at doy 152

Evaluation of classification errorEvaluation of classification error

93

Le curve delle probabilità di errore che si ottengono nel separare la classe grano dalla

classe non-grano, per ogni DoY ed al variare del numero di ENL (cioè al variare del

numero dei pixel usato per mediare), sono mostrate in figura 11. Si può notare come nel

giorno DoY 136, vicino al picco di maturazione del grano, gli errori sono più bassi. Un

numero ENL di 28 permette di ottenere un errore minore del 15%, per i dati acquisiti dal

DoY 117 al DoY 152. Nel giorno 136 l’errore si riduce al 10%.

Figura 11. Probabilità di errore nel separare la classe grano da quella non-grano al variare del numero

stimato di look (ENL).

Tuttavia, le operazioni di media spaziale effettuate con finestre ad ampiezze

crescente introducono dei problemi, che sono la diminuzione della risoluzione spaziale da

una parte e l’introduzione di pixel misti, appartenenti cioè a diversi tipi di suolo, dall’altra.

Per ovviare a questi inconvenienti, il modo migliore è quello di mediare per campo.

Questa metodologia può essere attuata grazie all’uso sinergico dei dati SPOT. Infatti, in

questo caso l’informazione sui limiti spaziali dei campi è stato derivato dal classificato

ottenuto nel 2006. Tuttavia, potrebbe essere derivato anche da classificazioni non

necessariamente coincidenti in termini di date temporali, poiché si può supporre che le

estensioni dei campi rimangano costanti nel tempo, sebbene le colture di ogni campo a

rotazione possano cambiare di anno in anno, salvo casi di terreni che possono essere

frazionati con coltivazioni differenti. Applicando questa metodologia, si ottiene un

miglioramento complessivo nel classificare il grano rispetto alla classe non-grano con i dati

SAR.

L’andamento della percentuale di corretta classificazione al variare di ENL, valutato

su un insieme di campi rappresentativi delle classi grano e non-grano è mostrato in figura

12. La percentuale va dal 85% al 90% circa, usando i dati SAR acquisiti nei vari giorni di

crescita del grano (DoY da 177 a 152) e mediati con finestre ad ampiezza variabile (ENL

fino a 28), ma si può arrivare fino al 96% se si media a scala di campo (ENL > 60).

L’andamento della percentuale di corretta classificazione al variare di ENL, valutato

rispetto alla classificata SPOT 2006, è invece illustrato in figura 13. Le percentuali sono

più basse rispetto al caso precedente, poiché sono state calcolate su una zona molto vasta e

dove ci sono differenti contributi di errore, dovuti ad esempio a fasi di maturazione del

grano leggermente differenti, casi di campi coltivati ad avena (che sono simili al grano ma

che hanno un fase di maturazione più precoce), ecc.. In questo caso, mediare per campo i

Prob(err)=0.15Prob(err)=0.15

94

dati SAR acquisiti nel periodo di osservazione dal DoY 117 al DoY 152, assicura

comunque una percentuale di corretta classificazione che arriva fino all’85%.

Figura 12. Percentuale di corretta classificazione al variare di ENL, valutato su un insieme di campi

rappresentativi delle classi grano e non-grano.

Figura 13. Percentuale di corretta classificazione al variare di ENL, valutato rispetto alla classificata SPOT

2006.

La mappa di classificazione del grano ottenuta dai dati SAR (al DoY 136) mediati

per campo e la corrispondente mappa ottenuta dai dati SPOT 2006, sono mostrate in figura

14. Un dettaglio della mappa di grano corrispondente all’azienda Forte è illustrato in figura

15. Si può notare come l’operazione di media dei dati SAR a scala di campo produce una

mappa molto simile rispetto a quella ottenuta da dati VIS-NIR, poiché grazie ai contorni

dei campi ottenuti dal classificato SPOT, è possibile conservare i dettagli e le estensioni

dei campi sull’immagine SAR classificata, nonostante essa abbia una risoluzione spaziale

inferiore a quella della SPOT.

OA%=85OA%=85

OA%=85OA%=85

95

Figura 14. Mappa di classificazione del grano ottenuta dai dati SAR (al DoY 136) mediati per campo

(a sinistra) e corrispondente mappa ottenuta dai dati SPOT 2006 (a destra).

Figura 15. Dettagli della mappa di classificazione del grano ottenuta dai dati SAR (DoY 136) mediati per

campo (a sinistra) e corrispondente mappa ottenuta dai dati SPOT 2006 (al centro) sull’azienda

Forte e dettaglio del classificato da SPOT 2006 (a destra).

96

Mappe di umidità del suolo e di contenuto d’acqua del grano da dati SAR

Le mappe di umidità del suolo (mv) e del contenuto d’acqua del grano (VWC) sono state

ricavate da serie temporali di dati ASAR, polarizzazione VV, acquisiti a bassi angoli di

incidenza.

La sensibilità del dato radar all’umidità dei suoli e del contenuto d’acqua della

vegetazione è stata dimostrata in diversi studi di letteratura (Ulaby et al., 1986). Infatti il

segnale SAR dipende dalle proprietà dielettriche e geometriche delle superfici, oltre che

dai parametri del sistema di acquisizione (frequenza, angolo d’incidenza, polarizzazione,

risoluzione spaziale e radiometrica, ecc.). D’altra parte, le proprietà dielettriche dei suoli o

della vegetazione dipendono principalmente dal contenuto in acqua.

Il metodo di processamento seguito per stimare i parametri mv e VWC consiste

nell’inversione di un modello semi-empirico di backscattering, che approssima la risposta

radar di una superficie vegetata a grano come il backscattering del suolo attenuato di un

certo fattore (Mattia et al., 2007). Il modello che simula il backscatting di superfici nude è

l’Integral Equation Method (IEM) (Fung et al., 1994), che richiede come parametri di

input, la rugosità del suolo (in termini di standard deviation delle altezze di un profilo e

lunghezza di correlazione) e la costante dielettrica del suolo. Il metodo di inversione è

realizzato con una tecnica di minimizzazione vincolata che incorpora informazione a priori

sullo stato iniziale di alcuni parametri (Mattia et al., 2006). Per l’umidità del suolo,

l’informazione a priori può provenire da alcuni dati a terra disponibili. Per il contenuto

d’acqua del grano, esso può essere ricavato dal rapporto HH/VV dei dati di backscatter

ASAR ad alti angoli di incidenza (per valori di biomassa fresca inferiore a 2.0 Kg/m2) dato

che, come visto nella parte precedente, questo tipo di dati radar mostrano una sensibilità

alla biomassa fresca del grano.

In figura 16 è mostrata una simulazione della risposta radar sul campo di De

Lucretis, insieme ai dati ASAR VV. Nella stessa figura sono mostrati anche gli andamenti

temporali dei dati sperimentali di VWC ed i valori di precipitazione. Si può notare che

l’andamento dei dati simulati riflette quelli dei dati acquisiti da satellite, al variare delle

condizioni di umidità del suolo (dovute alle precipitazioni) e della VWC, dovuta alla

crescita del grano. Lo scarto tra i dati radar simulati e da satellite, con un valore di rms pari

a 1.1 dB, risulta essere accettabile poiché è un valore vicino all’incertezza della misura ed

all’errore di modello.

La stima dei parametri geofisici tramite lo schema di inversione dei dati radar è stato

applicato sui dati ASAR a bassi angoli di incidenza, elencati nella tabella 3.

*DoY (Day of Year).

Tabella 3. Sequenza temporale dati ASAR AP acquisiti durante la campagna Foggia 2006.

DoY* Data Swath Pol Tipo

72 13 03 06 I2 VV IM

107 17 04 06 I2 VV IM

120 30 04 06 I4 VV AP

126 06 05 06 I1 VV AP

142 22 05 06 I2 VV AP

177 26 06 06 I2 VV IM

97

Figura 16. Andamento dei dati VV simulati da modello sempi-empirico, dati ASAR VV, andamenti di VWC e

precipitazioni. Campo sperimentale di De Lucretis.

La figura 17 mostra la mappa di umidità del suolo e del contenuto d’acqua del grano

derivate dall’immagine ASAR VV del 22/05/2006 relative ai campi coltivati a grano, zona

di Foggia.

La risoluzione spaziale di queste mappe è di circa 150 m, mentre l’errore rms per

questi parametri, stimato rispetto ad alcuni valori di riferimento, è circa il 5% per l’umidità

del suolo e 0.25 kg/m2 per il contenuto d’acqua del suolo.

-15

-13

-11

-9

-7

-5

60 85 110 135 160 185

DoY

VV (dB)

0

1

2

3

4

5

Veg. water content (Kg/m2)

ASAR, VV - I2 & I1

semi-empirical model

precipitation

veg. water content

Pre

cipitation (mm/day)

0

25

50

-15

-13

-11

-9

-7

-5

60 85 110 135 160 185

DoY

VV (dB)

0

1

2

3

4

5

Veg. water content (Kg/m2)

ASAR, VV - I2 & I1

semi-empirical model

precipitation

veg. water content

Pre

cipitation (mm/day)

0

25

50

Pre

cipitation (mm/day)

0

25

50

Field De Lucretis

rms error=1.1 dB

98

Figura 17. Mappa di umidità del suolo (mv %, a sinistra) e del contenuto d’acqua del grano (VWC in kg/m

2,

a destra) derivate dall’immagine ASAR del 22/05/2006 e relative ai campi coltivati a grano, zona

di Foggia.

99

Conclusioni

Questa sezione è stata dedicata alla descrizione dei risultati preliminari ottenuti nella stima

di alcuni parametri bio-geofisici mediante l’uso di dati telerilevati, nell’ottico e nelle

microonde, acquisiti durante la campagna di Foggia 2006, nell’ambito dell’attività di

ricerca del progetto AQUATER. Con l’ausilio di immagini multibanda e multitemporali

del sensore ottico a bordo di SPOT-5 e -4, sono state prodotte la mappa di uso del suolo,

mediante l’algoritmo di classificazione supervisionato di Maximum Likelihood, e mappe di

NDVI per le diverse colture di interesse.

Utilizzando invece dati SAR, sono state prodotte mappe di copertura del grano,

mappe di contenuto d’acqua del grano e mappe di umidità del suolo.

Studi precedenti hanno mostrato una forte correlazione fra la biomassa fresca del

grano e i dati SAR multipolarizzati, i.e. HH/VV, ad alti angoli di incidenza. Questo

comportamento peculiare delle colture cerealicole fornisce un metodo alternativo all’ottico

per poter discriminare il grano da altre colture. Infatti, filtrando opportunamente i dati

SAR mediante operazioni di media spaziale, è possibile produrre mappe di classificazione

del grano con una percentuale di corretta classificazione che può arrivare fino all’85%,

qualora vengano effettuate medie spaziali a scala di campo. Quest’ultima è una condizione

ottimale, poiché permette di mediare il segnale acquisito su suoli omogenei. I limiti

spaziali dei campi in questo caso sono stati ottenuti dal classificato SPOT.

Infine, le mappe di umidità del suolo e del contenuto d’acqua del grano sono state

prodotte da serie temporali di immagini SAR a bassi angoli di incidenza. La stima delle

grandezze richiede una tecnica di minimizzazione vincolata che, per migliorarne

l’accuratezza, si avvale di informazioni a priori sullo stato iniziale di alcuni parametri. In

questo caso, per l’umidità del suolo, tali informazioni sono state ricavate dalle misure in

situ disponibili, mentre per il contenuto d’acqua del grano, esse sono state ottenute dal

rapporto HH/VV ad angoli di incidenza. I risultati ottenuti mostrano che l’umidità del

suolo e il contenuto d’acqua nella vegetazione possono essere stimati con un errore

rispettivamente di circa 5% e 0.25 Kg/m2.

Bibliografia

Fung, A. K., 1994. Microwave Scattering and Emission Models and Their Applications.

Norwood, MA: Artech House.

Mattia, F., Le Toan, T., Picard, G., Posa, F., D’Alessio, A., Notarnicola, C., Gatti, A.M.,

Rinaldi, M., Satalino, G., and Pasquariello, G., 2003. Multitemporal C-Band Radar

Measurements on Wheat Fields. IEEE Trans. on Geoscience and Remote Sensing, 41, 7,

1551-1560.

Mattia, F., G. Satalino, L. Dente, G. Pasquariello, 2006. Using a priori information to

improve soil moisture retrieval from ASAR APS data in semi-arid regions. IEEE Trans.

on Geoscience and Remote Sensing, 44, 4, 900-912.

Mattia, F., G. Satalino, A. Balenzano, 2007. On the use of multi-temporal SAR data to

retrieve surface and vegetation parameters. Proceedings of the Final Workshop on the

AGRISAR and EAGLE Campaigns, ESA/ESTEC, Noordwijk, The Netherlands,

October 15-16, 2007.

Oliver C., and S. Quegan, 1998. Understanding Synthetic Aperture Radar Images, Artech

House, London,1998.

100

Satalino, G., F. Mattia, T. Le Toan, and M. Rinaldi, 2007. Wheat crop mapping by using

ASAR AP data at high incidence angles: Foggia case study. Proceedings of the 5th Int.

Symposium on Retrieval of Bio- and Geophysical Parameters from SAR Data for Land

Applications, Bari, Italy, September 25-28, 2007.

Ulaby, F. T., R. K. Moore, and A. K. Fung, 1986. Microwave Remote Sensing: Active and

Passive. Dedham, MA: Artech House, vol. 3.

Coltura di pomodoro da industria in Capitanata.