Troviamo la Posidonia Oceanica con il satellite

E’ ormai noto che i dati di osservazione della Terra possono fornire un enorme contributo al monitoraggio delle aree costiere, grazie ai tipici vantaggi offerti dal satellite per questo genere di applicazioni: visione sinottica di grandi aree marine, frequenza dei passaggi e tempi di rivisitazione, rapidità nell’acquisizione e pronta disponibilità di dati aggiornati.
Fino a poco tempo fa, tuttavia, le caratteristiche dei dati disponibili limitavano l’utilizzo del telerilevamento satellitare al monitoraggio di vaste aree marine. Oggi invece la tecnologia mette invece a disposizione nuove risorse, come i sensori multispettrali di ultima generazione, estremamente importanti dal punto di vista sia scientifico che applicativo perché consentono di monitorare specifiche aree costiere e tenere sotto controllo fenomeni rilevanti dal punto di vista sia ambientale che paesistico.

Confronto tra immagine satellitare e mappatura della vegetazione sommersa

Vediamo oggi come siamo riusciti a sfruttare queste risorse per studiare la presenza in mare di un tipo di vegetazione così importante per la difesa delle coste mediterranee come la Posidonia Oceanica.

Ho scritto questo articolo per pubblicarlo sul prossimo numero del nostro magazine GeoXperience, che uscirà nei prossimi giorni, e per farlo ho utilizzato un report interno realizzato dai colleghi Giulio Ceriola e Claudio La Mantia, che ringrazio per avermi messo a disposizione questo materiale.

La Posidonia oceanica è una pianta acquatica, tipica del Mar Mediterraneo, fondamentale per il suo ruolo di difesa delle coste. In comune con le piante terrestri, infatti, la Posidonia ha radici, fusto e foglie a forma di nastro che possono arrivare fino ad un metro di lunghezza, tipicamente in ciuffi di sei o sette. Questa pianta forma delle vere e proprie “praterie” sottomarine che costituiscono un forte freno alle onde ed alle correnti. Inoltre le stesse foglie morte, quando si stratificano sulla battigia, formano normalmente grossi cumuli che offrono di per sé una valida difesa contro le onde.
All’interno delle praterie di Posidonia oceanica vivono inoltre molti organismi animali e vegetali che nella prateria trovano nutrimento e protezione, rendendola quindi un’essenziale risorsa non solo per la lotta all’erosione costiera, ma per la protezione di tutto l’ecosistema marino.

I satelliti ad altissima risoluzione disponibili oggi rendono disponibili a livello commerciale immagini multispettrali che permettono di studiare la distribuzione delle praterie di Posidonia nei nostri mari.
In particolare il satellite WorldView-2 della DigitalGlobe, di cui ho già parlato su questo blog, monta un sensore multispettrale che associa ai 50 centimetri di risoluzione spaziale ben 8 bande multispettrali, risultando così essere il primo satellite commerciale ad alta risoluzione in grado di acquisire, accanto alle classiche bande del Blu, Verde, Rosso ed Infrarosso Vicino, quattro bande mulispettrali finora mai viste su un satellite ad altissima risoluzione: la Costiera, la Gialla, la Red Edge e la Vicino Infrarosso 2.
In particolare la banda Costiera, che corrisponde ad una lunghezza d'onda prossima all’ultravioletto, consente di effettuare analisi specifiche sui primi strati superficiali dell’acqua, in prossimità ad esempio della linea di costa, ed è particolarmente indicata per analisi batimetriche. Analizzata in combinazione con le altre bande multispettrali permette inoltre di distinguere diversi tipologie di vegetazione sommersa.

La mappatura della vegetazione sommersa
Quando si vuole mappare un habitat subacqueo, la profondità dell'acqua ha degli effetti molto significativi sulle misure telerilevate, tanto da indurre a confondere la risposta spettrale della sabbia pura con quella di un substrato ricoperto di alghe, o dei vari substrati in genere.
Con un’opportuna procedura di correzione atmosferica è tuttavia possibile sottrarre la frazione di segnale derivante dall’interazione della luce con l’atmosfera nelle varie bande. In questo modo è quindi possibile conoscere le proprietà e le caratteristiche intrinseche dell’acqua di mare.

Successivamente si può procedere alla costruzione della mappa della vegetazione sommersa, mediante un’elaborazione del dato satellitare multispettrale ortorettificato basata sul metodo di Lyzenga per la rimozione della risposta spettrale della colonna d’acqua. Quest’algoritmo è basato sul presupposto che la radianza alla superficie dell’acqua sia approssimativamente una funzione lineare della riflettanza del fondo e una funzione esponenziale della profondità dell'acqua. Tale elaborazione ha lo scopo di far risaltare le caratteristiche spettrali del fondale marino in tutte le bande del sensore WorldView-2. Se disponibili, si possono utilizzare informazioni reali sulla batimetria per aumentare l’efficienza di tale processo.

La successiva elaborazione consiste nella classificazione supervisionata del fondale marino, basata su aree di training per ciascuna delle classi da individuare. Questo processo si basa infatti sull’uso di aree note di pixel dell’immagine, definite appunto aree di training, per allenare l’algoritmo di classificazione a identificare altre aree dell’immagine (pixel) con caratteristiche simili. La tipologia di classificazione presa in considerazione in quest’attività è basata sulle firme spettrali delle varie tipologie di fondale marino osservato, sfruttando le otto bande del sensore WorldView-2: proprio questo tipo di dato offre un considerevole contributo a questa analisi grazie alla sua elevata risoluzione spaziale (2 metri per il dato multispettrale) e radiometrica (11 bit). Le aree di training, nel caso della mappatura della Posidonia Oceanica, possono essere identificate da un operatore esperto mediante l’interpretazione dell’immagine WorldView-2 e l’analisi della firma spettrale degli elementi vegetazionali. Poiché la bontà di questo metodo è tanto migliore quanto più affidabili sono i dati di training, eventuali rilievi in situ possono contribuire ad individuare con maggiore accuratezza le aree di training, aumentando di conseguenza l’accuratezza della classificazione.