La deforestazione vista con i dati satellitari
Con il disboscamento industriale, gli incendi e l’agricoltura alimentata dai mercati delle materie prime che continuano a crescere e a minacciare la resilienza delle foreste, c’è un urgenza crescente di trovare modi efficaci per monitorare la perdita di foreste. Anche se la deforestazione su vasta scala e il taglio raso delle foreste possano spesso essere rilevati con immagini satellitari a risoluzione moderata (30–250 metri), le modifiche su piccola scala, come quelle causate dal taglio selettivo – che comporta la raccolta mirata di alberi specifici, spesso di alto valore economico – sono spesso difficili da rilevare, specialmente nelle fitte chiome delle foreste.
Il nuovo studio “Detecting selective logging in tropical forests with optical satellite data: an experiment in Peru shows texture at 3 m gives the best results”, pubblicato su Remote Sensing Ecology and Conservation da un team internazionale di ricercatori guidato da Chiara Aquino della Fondazione Centro Euro-Mediterraneo sui Cambiamenti Climatici (Fondazione Cmcc) combina dati satellitari e misurazioni sul campo per identificare il metodo migliore per tracciare la perdita di biomassa nelle foreste tropicali e contribuisce a migliorare il modo in cui mappiamo i danni alle foreste tropicali su piccola scala. La ricerca.
La Aquino spiega che «Migliorando la nostra capacità di monitorare questi cambiamenti, possiamo comprendere e gestire meglio la salute di questi ecosistemi vitali. Questa ricerca sottolinea la necessità di dati accurati e affidabili per calibrare le misurazioni da telerilevamento. Senza una conoscenza diretta delle condizioni delle foreste, non possiamo interpretare in maniera efficace i dati satellitari né identificare i metodi più appropriati per rilevare i cambiamenti sul terreno».”
Lo studio utilizza dataset unici frutto di misurazioni dirette del taglio selettivo, utilizzando la scansione laser terrestre per creare immagini 3D dettagliate degli alberi, e metodi standard di inventario forestale. Successivamente applica un’analisi di 6 diversi sensori satellitari per determinare il modo migliore di mappare piccoli cambiamenti nella perdita di biomassa e utilizza un nuovo approccio per creare una mappa diretta della perdita di biomassa, invece del metodo tradizionale che sottrae due mappe di biomassa separate, il che spesso introduce errori.
Al Cmcc sottolineano che «La ricerca combina dati provenienti da parcelle forestali nella parte meridionale dell’Amazzonia peruviana, dove il numero di alberi rimossi durante il taglio selettivo e la conseguente perdita di biomassa sono stati conteggiati e misurati. Questi dati sono stati poi confrontati con quelli ottenuti utilizzando sei diversi sensori satellitari ottici per vedere quale fosse il migliore nel rilevare questi cambiamenti nella struttura della foresta».
La Aquino aggiunge: «Abbiamo dimostrato che il PlanetScope con una risoluzione di 3 metri ha fornito i risultati migliori e ha avuto una forte correlazione con la perdita di biomassa. Abbiamo anche scoperto che l’uso della misura di texture della banda del Near-InfraRed (NIR) è più efficace per tracciare la perdita di biomassa rispetto all’analisi spettrale tradizionale. In generale, questo studio suggerisce che, per rilevare disturbi da bassa a media intensità nelle pianure del Perù, l’uso delle misure di texture dei dati PlanetScope è l’approccio più efficace».
Nonostante gli sforzi globali, tra cui l’impegno di numerosi paesi durante la COP26 Unfcc per portare il livello di deforestazione a zero entro il 2030, i tassi di deforestazione nel 2023 sono ancora superiori del 45% rispetto all’obiettivo necessario per raggiungere questo traguardo.
La Aquino conclude: «Chiaramente la mappatura del carbonio forestale non fermerà la deforestazione. Dobbiamo approfondire la comprensione dei processi in atto sul terreno e dei fattori economici che alimentano i cambiamenti delle foreste in tutto il mondo. Allo stesso tempo, dobbiamo sviluppare metodi affidabili e replicabili per rilevare questi cambiamenti, raccogliendo dati di campo di alta qualità e affidabili per addestrare i nostri algoritmi».