Avere informazioni dettagliate sulla copertura del suolo è importante per una migliore comprensione dell'ambiente, ad esempio, stimare i servizi ecosistemici come l'impollinazione o quantificare gli apporti di nitrati e nutrienti nei corpi idrici. Queste informazioni sono sempre più ottenute da immagini satellitari ad alta risoluzione temporale e spaziale. Però, le nuvole spesso impediscono la vista dallo spazio alla superficie terrestre. L'uso dinamico dei modelli di apprendimento automatico può tenere conto di questa copertura cloud locale senza ricorrere a metodi di interpolazione comunemente usati. Lo dimostrano gli scienziati dell'UFZ in uno studio pubblicato sulla rivista Remote Sensing of Environment. Il loro algoritmo riconosce 19 diversi tipi di colture, preciso all'88 per cento.

"Se possiamo determinare il raccolto coltivato per ogni campo agricolo, possiamo trarre conclusioni non solo sul fabbisogno di nutrienti ma anche sul carico di nitrati delle acque circostanti, " spiega Sebastian Preidl, scienziato nel dipartimento di ecologia del paesaggio dell'UFZ. Le informazioni potrebbero essere utilizzate anche, Per esempio, avviare al meglio le azioni per proteggere le popolazioni di api selvatiche. "Possiamo proteggere efficacemente la diversità biologica di una regione solo se abbiamo un quadro chiaro della distribuzione spaziale della copertura del suolo, " spiega Preidl.

I satelliti di osservazione della Terra del programma Copernicus fondato dall'Agenzia spaziale europea (ESA) forniscono dati ad alta risoluzione nel tempo e nello spazio e consentono il monitoraggio continuo della superficie terrestre su una scala ecologicamente rilevante. Le immagini satellitari Sentinel-2 catturate a intervalli di tempo regolari in nove bande spettrali hanno costituito la base del lavoro di Preidl. Da queste serie temporali spettrali, i ricercatori possono ricavare informazioni sulla copertura del suolo per la loro area di studio.

Il verificarsi del cloud è una sfida importante quando si tratta di serie temporali di dati satellitari ottici. Nonostante le numerose immagini satellitari, la copertura nuvolosa frequente può portare a lacune di dati più grandi nelle serie temporali spettrali. Allo stesso tempo, è richiesto un numero sufficiente di pixel (osservazioni) per molte fasi di crescita delle piante per assegnare le firme spettrali registrate alle specie vegetali corrispondenti.

Queste lacune vengono solitamente colmate da dati generati artificialmente che vengono interpolati da pixel dell'immagine privi di nuvole. "Invece di farlo, optiamo per un'applicazione dinamica di modelli di machine learning. Ciò significa che stiamo generando algoritmi personalizzati per ogni pixel, " afferma Preidl. "Il nostro algoritmo seleziona automaticamente i pixel privi di nuvole dall'intero set di dati di immagini satellitari e non dipende da scene senza nuvole su larga scala. Per assegnare un tipo di ritaglio specifico a ciascun pixel dell'immagine, la sequenza temporale delle osservazioni senza nuvole a livello di pixel è presa in considerazione da un gran numero di modelli."

Sulla base delle informazioni fornite dagli stati federali, il tipo di coltura coltivato è noto solo per i campi agricoli selezionati. Questa conoscenza viene utilizzata per addestrare i modelli UFZ a distinguere tra mais e frumento, Per esempio. Per determinare la copertura del suolo della superficie agricola totale, gli scienziati hanno diviso la Germania in sei regioni paesaggistiche. "Nel 'Magdeburger Börde' si coltivano colture diverse rispetto al 'Rheingau', " spiega Preidl. "Inoltre, una stessa specie coltivata cresce in modo diverso nel "Breisgau" rispetto all'"Uckermark". Il clima e l'altitudine fanno una grande differenza." Il risultato:l'algoritmo dei ricercatori raggiunge una precisione dell'88% nell'identificare 19 diversi tipi di colture. Per le colture principali, la percentuale di successo è superiore al 90%. In un primo momento per l'anno 2016, hanno creato una mappa della copertura del suolo dell'area agricola tedesca utilizzando circa 7000 immagini satellitari. Oltre a questa mappa, Il ricercatore UFZ può anche fornire informazioni sulle prestazioni del modello, cioè., l'accuratezza con cui l'algoritmo rileva la specie vegetale per un dato pixel.

Ma l'approccio UFZ può essere sfruttato in molti altri modi. In un progetto con l'Agenzia federale tedesca per la conservazione della natura (BfN), al posto del grano e del mais, Gli algoritmi di Preidl distinguono anche l'abete rosso, faggio e altre specie arboree. In questo modo sta studiando come determinare il valore di conservazione della natura delle foreste utilizzando i dati satellitari. "Se sappiamo quali specie arboree predominano in un'area forestale nel tempo, gli effetti di eventi temporaleschi, i danni da siccità o l'infestazione da parassiti possono essere valutati meglio. Una foresta resiliente è economicamente ed ecologicamente molto rilevante in termini di obiettivi di sviluppo sostenibile, "dice Preidl.

"La nostra metodologia può essere applicata ad altre regioni all'interno e all'esterno dell'Europa, e ad altri anni, tenendo conto della rispettiva sequenza temporale pertinente delle osservazioni senza nuvole e dell'uso del suolo, "dice il dottor Daniel Doktor, capo del gruppo di lavoro Telerilevamento del Dipartimento Ecologia computazionale del paesaggio presso l'UFZ, delineando i prossimi passi. "Se questa metodologia è combinata con altri modelli, ad esempio sulla fenologia o sull'ecologia, si possono fare affermazioni non solo sulla vulnerabilità specifica della specie a eventi estremi come la siccità, ma anche sul comportamento futuro degli ecosistemi come fonti o pozzi di carbonio, " spiega Dottore.