Le montagne sono ambienti eterogenei, vulnerabili, esposti agli effetti che cambiamento nell’uso del suolo, interessi socio-economici in competizione e altri pericoli possono causare. Le specie endemiche della flora alpina sono in particolare minacciate dalla migrazione in altezza di specie sub-alpine più competitive, fenomeno che ha portato alla scomparsa di molte specie endemiche e a una considerevole perdita del valore economico dei boschi europei.
Un’adeguata gestione delle foreste dovrebbe come minimo prevedere un attento monitoraggio della flora naturale, per identificare in maniera tempestiva qualsiasi alterazione della vegetazione spontanea.
In uno studio pubblicato di recente su International Journal of Remote Sensing, un team di scienziati (tra cui figurano i ricercatori del CMCC Gaia Vaglio Laurin e Riccardo Valentini della Divisione IAFENT) prende in considerazione diversi sensori per valutare il loro possibile impiego come strumenti di monitoraggio delle aree forestali, e per la raccolta di informazioni ambientali.

Lo studio ha in particolare analizzato l’azione combinata di alcuni sensori (ALOS PALSAR e RADARSAT-2 SAR) nel distinguere i diversi tipi di vegetazione e fornire una mappa dettagliata di un ambiente frammentato ed eterogeneo come quello alpino. Un’altra caratteristica innovativa del lavoro è l’integrazione dei dati LiDAR e CHM con i dati provenienti da sensori SAR.

L’abstract dell’articolo:
Natural vegetation monitoring in the alpine mountain range is a priority in the European Union in view of climate change effects. Many potential monitoring tools, based on advanced remote sensing sensors, are still not fully integrated in operational activities, such as those exploiting very high-resolution synthetic aperture radar (SAR) or light detection and ranging (lidar) data. Their testing is important for possible incorporation in routine monitoring and to increase the quantity and quality of environmental information. In this study the potential of ALOS PALSAR and RADARSAT-2 SAR scenes’ synergic use for discrimination of different vegetation types was tested in an alpine heterogeneous and fragmented landscape. The integration of a lidar-based canopy height model (CHM) with SAR data was also tested. A SPOT image was used as a benchmark to evaluate the results obtained with different input data. Discrimination of vegetation types was performed with maximum likelihood classification and neural networks. Six tested data combinations obtained more than 85% overall accuracy, and the most complex input which integrates the two SARs with lidar CHM outperformed the result based on SPOT. Neural network algorithms provided the best results. This study highlights the advantages of integrating SAR sensors with lidar CHM for vegetation monitoring in a changing environment.

Leggi la versione integrale del paper:
Vaglio Laurin, G., Del Frate, F., Pasolli, L., Notarnicola, C., Guerriero, L., Valentini, R.:
Discrimination of vegetation types in alpine sites with ALOS PALSAR-, RADARSAT-2-, and lidar-derived information,
International Journal of Remote Sensing, Vol. 34, Iss. 19, 2013
doi: 10.1080/01431161.2013.810823