In questo piccolo studio, sull’esempio del lago di Fimon, viene presentato un efficiente metodo per quantificare la presenza di vegetazione galleggiante nell’ultimo quinquennio. È basato sugli archivi pubblici di dati satellitari europei, sui metodi aperti e sugli strumenti per la loro analisi.
Indice
- Introduzione
1.1. Problema dell’eutrofizzazione
1.2. Telerilevamento della Terra
1.3. Area di studio - Materiali e metodi
2.1. Dati satellitari
2.2. Indici spettrali di vegetazione
2.3. Elaborazione dei dati nel cloud - Risultati e discussione
- Conclusioni
- Riconoscimenti
- Riferimenti bibliografici
1. Introduzione
1.1. Problema dell’eutrofizzazione
L’eutrofizzazione è un fenomeno di arricchimento trofico di laghi, stagni e in genere di corpi idrici a debole ricambio. Un’eutrofizzazione lenta è un processo naturale che accade in tutti i corpi idrici. Una rapida eutrofizzazione è, invece, un problema ambientale causato da alcuni fattori come il dilavamento dei fertilizzanti utilizzati nell’agricoltura, l’inquinamento organico prodotto dalle attività umane oppure a prodotti di rifiuto industriali.¹ L’eccesso di nutrienti causa la proliferazione di alghe e macrofite che nei processi di decomposizione provoca la conseguente riduzione di ossigeno nell’acqua, alterando in maniera significativa gli habitat essenziali per pesci e altre organismi acquatici.
L’uomo conosce questo fenomeno da molto tempo, fin dall’antichità. Gli effetti dell’eutrofizzazione delle proliferazioni algali potrebbero risalire fino al seguente passaggio della Bibbia: “E i pesci che erano nel fiume morirono; e il fiume divenne puzzolente, si che gli Egiziani non potevano più bere l’acqua del fiume. Così vi fu sangue per tutto il paese d’Egitto” (Esodo 7:21).
Il cambiamento climatico assieme alla pressione antropica, incrementa l’eutrofizzazione delle acque di tutto il mondo, aumentando la temperatura media e modificando i pattern di precipitazione.² Nonostante l’estrema rilevanza di questo problema per il benessere umano, nel 2018 la Commissione europea ha riportato che non è fosse possibile desumere la tendenza a livello dell’UE dello stato trofico delle acque superficiali dolci a causa della mancanza di dati e delle differenze nelle metodologie impiegate dagli Stati membri per definire lo stato trofico.³
1.2. Telerilevamento della Terra
Il telerilevamento della Terra si riferisce alle tecniche basate su strumenti che misurano le proprietà degli oggetti a distanza, piuttosto che in situ, utilizzando la radiazione elettromagnetica, i campi di forza o l’energia acustica.⁴
In questo articolo, il significato del termine telerilevamento viene usato solo per osservare la superficie terrestre utilizzando i segnali elettromagnetici dalle piattaforme posizionate nelle basse orbite. Il telerilevamento permette acquisire immagini della Terra a basso costo, non dispendiose in termini di tempo e spesso più obiettive degli approcci in situ. Un ampio archivio storico di immagini con diverse caratteristiche fornisce la capacità di evidenziare cambiamenti spazio-temporali nei terreni e acque a partire dagli anni settanta.
I primi approcci di telerilevamento per misurare la qualità dell’acqua interna risalgono all’inizio dell’epoca satellitare, quasi 50 anni fa. Centinaia di pubblicazioni peer-reviewed hanno dimostrato come il telerilevamento permette stimare le proprietà biologiche, chimiche e fisiche degli corpi idrici interni.⁵
1.3. Area di studio
Il lago di Fimon si trova in Italia settentrionale nel comune di Arcugnano, provincia di Vicenza (Figura 1). Si tratta di un bacino di scarsa profondità (in media 2 m), con una superficie di circa 60 ettari. Inserito in un contesto collinare, il lago è un punto di attrazione per i turisti della provincia e della regione. Vi si praticano la pesca sportiva e le attività di vela e canottaggio.
La proliferazione nei periodi estivi di piante e alghe preoccupa da tempo sia le pubbliche amministrazioni sia i cittadini ed il problema della tutela dell’ecosistema lacustre è tutt’oggi ancora irrisolto.⁶
Sfruttando l’esempio del lago di Fimon, in questo studio viene presentato un metodo robusto per quantificare le dinamiche di alghe e piante nell’ultimo quinquennio. È basato sugli archivi pubblici di dati satellitari europei, sui metodi aperti e sugli strumenti per la loro analisi.
2. Materiali e metodi
2.1. Dati satellitari
Questo studio si basa sui dati satellitari del programma europeo di osservazione della Terra Copernicus. Più specificamente, la missione Sentinel-2, che consiste in due veicoli spaziali identici dedicati al monitoraggio dell’uso del suolo, della vegetazione, della silvicoltura e delle risorse idriche.⁷ Le frequenti rivisitazioni della missione Sentinel-2 sulla stessa area e l’elevata risoluzione spaziale consentono di monitorare da vicino i cambiamenti nei corpi idrici interni e nell’ambiente costiero. Con le sue 13 bande spettrali può monitorare diversi parametri di qualità dell’acqua, come la concentrazione superficiale di clorofilla, rilevare proliferazioni algali dannose e misurare la torbidità (o trasparenza dell’acqua), fornendo una chiara indicazione dei livelli di salute e inquinamento.
I dati sono accessibili attraverso il portale ufficiale dell’Agenzia Spaziale Europea Copernicus Open Access Hub e disponibili dal 2017. Esistono anche altri programmi spaziali, come l’americano Landsat, che consentono di avere immagini satellitari prima del 2017. Tuttavia, non sono così dettagliati come del Sentinel-2, quindi non li ho usati nell’analisi.
2.2. Indici spettrali di vegetazione
Le immagini di Sentinel-2 contengono diverse bande spettrali che si trovano oltre la sensibilità dell’occhio umano, ad es. nel vicino infrarosso. Per estrarre dati utili da queste informazioni spettrali, vengono utilizzate varie tecniche di elaborazione delle immagini. Una di queste tecniche è il calcolo delle cosiddette mappe dell’indice spettrale. Gli indici spettrali sono combinazioni di riflettanza spettrale da due o più lunghezze d’onda che indicano la relativa abbondanza di caratteristiche di interesse. In particolare, ci sono gli indici di vegetazione, come NDVI (Normalized Difference Vegetation Index). L’NDVI combina la regione spettrale rossa (600–700 nm), assorbente dalla clorofilla, con il segnale di riflettanza non assorbente nel vicino infrarosso (700–1300 nm), proveniente dalle foglie. Questo indice permette otticamente misurare il “verde” e viene utilizzato per quantificare la vegetazione e il suo vigore.⁸
![Immagini satellitari di Copernicus Sentinel modificati [2017], acquisiti attraverso Google Earth Engine](https://www.wwf-vicenza-padova.it/wp-content/uploads/2022/03/Monitorare-le-piante-acquatiche-figura-3.png)
Ci sono molti studi che utilizzano l’NDVI (e altri indici) per valutare la qualità delle acque interne.⁹ ¹⁰ ¹¹ Quindi, NDVI fornisce una misura coerente e robusta della capacità fotosintetica di un territorio dove è presente il verde.
Va notato che una parte significativa delle immagini della collezione Sentinel-2, così come degli altri satelliti, non è idonea all’analisi, poiché sono interferite dalle nuvole (Figura 4). Per ovviare a questo problema si utilizzano più immagini per elaborare un unico fotogramma “pulito”, ovvero esente da nuvole.¹² In questo documento vengono dunque create immagini composite mensili. Ognuna di queste consiste in circa cinque acquisizioni diverse di Sentinel-2.
2.3. Elaborazione dei dati nel cloud
Nonostante la disponibilità dei dati di Copernicus, scaricare ed elaborare centinaia di immagini su un personal computer è impegnativo. Per fortuna c’è Google Earth Engine – una piattaforma basata su cloud per l’analisi dei dati geospaziali su scala planetaria. Sfrutta l’enorme potenza di calcolo di Google per studiare un’ampia varietà di problemi: perdita di foreste, siccità, disastri naturali, epidemie, sicurezza alimentare, gestione dell’acqua, cambiamento climatico e protezione dell’ambiente.¹³
Per evitare confusione, va notato che Google Earth e Google Earth Engine sono due prodotti diversi. Il primo, che non richiede particolari competenze informatiche da parte degli utenti, è progettato per visualizzare immagini satellitari e permette di viaggiare ed esplorare il mondo interagendo con un globo virtuale. Il secondo, utilizzato in questo studio, è principalmente uno strumento per l’analisi dei dati. L’uso di Earth Engine richiede la conoscenza dell’area applicativa e la capacità di scrivere in linguaggio codice.
Pertanto, Earth Engine consente di analizzare retrospettivamente l’intero archivio di Sentinel-2 in pochi minuti senza la necessità di scaricare dati.¹⁴ Per questo si utilizza lo strumento Code Editor, in cui si può creare i propri algoritmi e visualizzare istantaneamente i risultati del lavoro sulla mappa geografica.
L’algoritmo sviluppato nel quadro di questo studio, così come i dati tabulari risultanti, sono pubblicati apertamente.¹⁵
La struttura dell’algoritmo è la seguente:
- Importazione dei confini del Lago di Fimon da un dataset del Geoportale Veneto.¹⁶
- Importazione della collezione di immagini Sentinel-2 disponibili dal 2017.
- Eliminazione di immagini troppo nuvolose.
- Combinazione delle immagini rimanenti in immagini composite per ogni mese.
- Calcolo dell’indice NDVI per i compositi mensili.
- Evidenziamento delle aree ad alto contenuto del verde utilizzando una soglia dell’NDVI, per ogni mese.
- Calcolo dell’area del lago occupata dalla vegetazione, per ogni mese.
- Output di grafici, mappe e animazioni.
Alla fine sono state utilizzate 145 immagini Sentinel-2. Sulla base di esse, è stato calcolato l’indice NDVI ed è stata presa una soglia di 0,4 per separare l’acqua pulita dall’acqua ricoperta di vegetazione. Inoltre, per ogni immagine composita, è stata calcolata l’area totale di tutti i pixel coperti da vegetazione.
3. Risultati e discussione
La dinamica mensile di crescita della vegetazione e delle alghe sulla superficie del Lago di Fimon da aprile 2017 ad agosto 2021 è presentata sotto le seguenti forme: animazione (Figura 7), grafico (Figura 8), storyboard (Figura 9) e dati tabulari (Tabella 1).
È importante rilevare i limiti del metodo proposto:
- Solo la parte superficiale della vegetazione e delle alghe può essere riconosciuta dalle immagini satellitari.
- Il valore di soglia dell’indice NDVI, in base al quale il “verde” viene estratto, viene scelto empiricamente. Diversi valori di soglia risultano in diverse aree misurate.
- Mancanza di dati a terra per verificare la correttezza delle misurazioni ottenute.
- Un scarsa qualità dei rilievi nei mesi invernali, quando la nuvolosità è elevata, come si può vedere per ottobre 2017, febbraio e marzo 2018.
Tabella 1. La serie mensile dell’area (in ettari) coperta dalla vegetazione e dalle alghe.
| Mese/anno | Area,ha |
|---|---|
| mar-17 | 0 |
| apr-17 | 0 |
| mag-17 | 17,7 |
| giu-17 | 23,3 |
| lug-17 | 23,9 |
| ago-17 | 26,3 |
| set-17 | 33 |
| ott-17 | 7,4 |
| nov-17 | 26,1 |
| dic-17 | 0,7 |
| gen-18 | 6 |
| feb-18 | – |
| mar-18 | – |
| apr-18 | 19,3 |
| mag-18 | 31 |
| giu-18 | 30,6 |
| lug-18 | 28,9 |
| ago-18 | 30,6 |
| set-18 | 30,2 |
| ott-18 | 10,5 |
| nov-18 | 1,1 |
| dic-18 | 12,1 |
| gen-19 | 1,3 |
| feb-19 | 0,1 |
| mar-19 | 1,1 |
| apr-19 | 25,9 |
| mag-19 | 36,9 |
| giu-19 | 23,6 |
| lug-19 | 23,9 |
| ago-19 | 24,2 |
| set-19 | 23,5 |
| ott-19 | 22 |
| nov-19 | 7,9 |
| dic-19 | 1,2 |
| gen-20 | 0,6 |
| feb-20 | 1,3 |
| mar-20 | 3,5 |
| apr-20 | 20,7 |
| mag-20 | 21,6 |
| giu-20 | 22,2 |
| lug-20 | 23,4 |
| ago-20 | 22,1 |
| set-20 | 16,5 |
| ott-20 | 15,1 |
| nov-20 | 15,4 |
| dic-20 | 1,8 |
| gen-21 | 0,3 |
| feb-21 | 0,6 |
| mar-21 | 16 |
| apr-21 | 35,4 |
| mag-21 | 24,5 |
| giu-21 | 22,9 |
| lug-21 | 24,4 |
| ago-21 | 27 |
4. Conclusioni
- Il grafico risultante dei cambiamenti nell’area del lago ricoperta dal verde non fornisce alcuna comprensione univoca. Non è possibile tracciare né una tendenza all’aumento né una diminuzione, almeno per il periodo selezionato nello studio.
- Il metodo si è rivelato sufficientemente affidabile per una rapida valutazione dello stato delle acque superficiali di bacini come il Lago di Fimon, ma può essere applicato a qualsiasi lago.
- Questo studio, però, necessita di ulteriore elaborazione. Per migliorare il metodo, si propone di utilizzare la fusione dei dati di Sentinel-2 con i dati di altri programmi satellitari, come Landsat, che aiuterà sia a ridurre l’influenza delle nuvole che ad aumentare la copertura temporale.
5. Riconoscimenti
L’autore desidera ringraziare il dott. Vasily Lobanov (Centro per il telerilevamento della Terra, RUDN University) per consigli sull’elaborazione dei dati satellitari e Riccardo Muraro per la revisione del testo.
6. Riferimenti bibliografici
- Enciclopedia Treccani. (07/09/2021). Eutrofizzazione. Istituto della Enciclopedia Italiana fondata da Giovanni Treccani S.p.A. https://www.treccani.it/enciclopedia/eutrofizzazione/.
- X. Lu et al., “Climate change induced eutrophication of cold-water lake in an ecologically fragile nature reserve,” Journal of Environmental Sciences, vol. 75, pp. 359–369, 2019, doi: 10.1016/j.jes.2018.05.018.
- Commisione europea, “Relazione della Commissione al Consiglio e al Parlamento europeo sull’applicazione della direttiva 91/676/CEE del Consiglio relativa alla protezione delle acque dall’inquinamento provocato dai nitrati provenienti da fonti agricole, elaborata in base alle relazioni presentate dagli Stati membri per il periodo 2012–2015.” 2018 [Online]. Disponibile da: https://eur-lex.europa.eu/legal-content/IT/TXT/PDF/?uri=CELEX:52018DC0257.
- V. V. Salomonson, “Remote Sensing, Historical Perspective,” in Encyclopedia of Remote Sensing, Ed.E. G. Njoku New York, NY: Springer New York, 2014, pp. 684–691 [Online]. Available: https://doi.org/10.1007/978-0-387-36699-9_158
- S. N. Topp, T. M. Pavelsky, D. Jensen, M. Simard, and M. R. V. Ross, “Research Trends in the Use of Remote Sensing for Inland Water Quality Science: Moving Towards Multidisciplinary Applications,” Water, vol. 12, no. 1, Art. no. 1, 2020, doi: https://doi.org/10.3390/w12010169.
- A. Iuliano, “Una distesa di alghe. «Il lago muore»,” Il Giornale di Vicenza, 27/08/2019. https://www.ilgiornaledivicenza.it/territori/grande-vicenza/una-distesa-di-alghe-il-lago-muore-1.7581400.
- European Space Agency, “Sentinel-2,” 07/09/2021. [Online]. Disponibile da: https://sentinels.copernicus.eu/web/sentinel/missions/sentinel-2.
- A. Huete, “Vegetation Indices,” in Encyclopedia of Remote Sensing, Ed.E. G. Njoku New York, NY: Springer New York, 2014, pp. 883–886, doi: 10.1007/978–0–387–36699–9_187.
- K. Dörnhöfer and N. Oppelt, “Remote sensing for lake research and monitoring — Recent advances,” Ecological Indicators, vol. 64, pp. 105–122, 2016, doi: 10.1016/j.ecolind.2015.12.009.
- Y. Xu, L. Feng, X. Hou, J. Wang, and J. Tang, “Four-decade dynamics of the water color in 61 large lakes on the Yangtze Plain and the impacts of reclaimed aquaculture zones,” Science of The Total Environment, vol. 781, p. 146688, 2021, doi: 10.1016/j.scitotenv.2021.146688.
- M. Viso-Vázquez, C. Acuña-Alonso, J. L. Rodríguez, and X. Álvarez, “Remote Detection of Cyanobacterial Blooms and Chlorophyll-a Analysis in a Eutrophic Reservoir Using Sentinel-2,” Sustainability, vol. 13, no. 15, Art. no. 15, 2021, doi: 10.3390/su13158570.
- N. Colaninno, A. Marambio, and J. Roca, “Exploring a combined multispectral multitemporal approach as an effective method to retrieve cloudless multispectral imagery,” Journal of Applied Remote Sensing, vol. 13, no. 2, Art. no. 2, 2019, doi: https://doi.org/10.1117/1.JRS.13.024505.
- N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, and R. Moore, “Google Earth Engine: Planetary-scale geospatial analysis for everyone,” Remote Sensing of Environment, vol. 202, pp. 18–27, 2017, doi: 10.1016/j.rse.2017.06.031.
- European Union/ESA/Copernicus, “Sentinel-2 MSI: MultiSpectral Instrument, Level-2A.” [Online]. Disponibile da: https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR.
- Yaroslav Vasyunin. (2022). Monitor aquatic plants from space: the case of Lake Fimon (Earth Engine code) (v0.3). Zenodo. https://doi.org/10.5281/zenodo.6406684
- ARPAV – Servizio Informatica e Reti, “Laghi regionali.” Regione Veneto – Sezione Pianificazione Territoriale Strategica e Cartografia, 2020/01/29 [Online]. Available: https://idt2.regione.veneto.it/geoportal/catalog/search/resource/details.page?uuid=arpa_ve:c0401031_Laghi
