prodotti modis per lo studio della vegetazione
Transcript
prodotti modis per lo studio della vegetazione
PRODOTTI MODIS PER LO STUDIO DELLA VEGETAZIONE: TEORIA, APPLICAZIONE PRATICA E PROBLEMI DI SCALA A. Altobelli, R. Napolitano, E. Bressan, K. Mignozzi, T. Hubina e E. Feoli Dipartimento di Biologia – Università degli Studi di Trieste -Via Weiss, 2 – 34127, Trieste Tel. 040-5582072, Fax 040-5582011, e-mail: [email protected] KEY WORDS: MODIS, MISR, LSWI, FPAR, LAI, fotosintesi netta RIASSUNTO Il presente lavoro si pone l’obiettivo di illustrare in maniera sintetica i concetti teorici che stanno alla base dei prodotti MODIS (MODerate resolution Imaging Spectroradiometer) relativi alla vegetazione. I prodotti utilizzati in questo lavoro sono: Surface Reflectance (MOD09), Land Cover Type (MOD12), Vegetation Indices (MOD13), Leaf Area Index/Fraction of Photosynthetically Active Radiation (MOD15) e Net Photosynthesis (MOD17). Tra questi parametri riveste particolare importanza la stima della fotosintesi netta che influenza il ciclo globale del carbonio. Esempi di questi prodotti, acquisiti per il territorio della regione Friuli Venezia Giulia, sono stati confrontati con la “Carta delle Tipologie Forestali” e la “Carta dei Sistemi Ecologici”, alla scala 1:25.000 e 1:250.000 rispettivamente, per valutare l’utilità dei dati MODIS. ABSTRACT The aim of this study is to illustrate the theoretical concepts which form the base of MODIS (MODerate resolution Imaging Spectroradiometer) products as regards vegetation. The products used in this study are: Surface Reflectance (MOD09), Land Cover Type (MOD12), Vegetation Indices (MOD13), Leaf Area Index/Fraction of Photosynthetically Active Radiation (MOD15) and Net Photosynthesis (MOD17). Amongst these parameters the estimate of primary productivity which affects the global carbon cycle is of particulars importance. Examples of those products, obtained for the territory of the Friuli Venezia Giulia region, were computed with the “Forestry Type Map” and the “Ecological Systems Map”, at scale 1:25.000 and 1:250.000 respectively, to evaluate the MODIS data. INTRODUZIONE Per descrivere e predire i cambiamenti climatici è necessario effettuare un monitoraggio continuo della vegetazione che rappresenta la fonte maggiore di assorbimento di CO2 in grado di contrastare le emissioni di origine antropica. Il grado di copertura del terreno da parte della vegetazione e la struttura geometrica del manto vegetale (canopy), quindi, sono i principali fattori che regolano le interazioni tra vegetazione ed atmosfera come: gli scambi gassosi, il bilancio idrico, l’intercettazione della radiazione solare e la produttività primaria. La comunità scientifica sta dimostrando grande interesse per la stima di questi parametri attraverso immagini satellitari acquisite da sensori multispettrali e multiangolari, come ad esempio il MODIS (MODerate resolution Imaging Spectroradiometer). In questo contesto si inserisce il presente lavoro con lo scopo di verificare, utilizzando GIS-GRASS, la validità dei prodotti MODIS per lo studio della vegetazione nel territorio del Friuli Venezia Giulia. utilizzando la “Carta delle Tipologie Forestali” e la “Carta dei Sistemi Ecologici”, rispettivamente alla scala 1:25.000 e 1:250.000. IL SENSORE MODIS E I SUOI PRODOTTI Concepiti nell’ambito del programma EOS (Earth Observation System) e messi in orbita nel dicembre del 1999 e nel maggio del 2002, i satelliti Terra (EOS-AM 1) e Aqua (EOS-PM 1) eseguono entrambi due passaggi giornalieri: Aqua passa sull'Italia alle 1:30 a.m. e p.m., e i suoi passaggi sono complementari a quelli del satellite Terra che passa alle 10:30 a.m. e p.m. Questo permette, alle nostre latitudini, di avere a disposizione per la stessa zona delle immagini giornaliere. Le immagini sono gratuite e scaricabili direttamente dalla rete assieme ad una serie di prodotti specifici (http://modis.gsfc.nasa.gov), suddivisi in Atmosphere, Land e Ocean, ottenuti dai dati grezzi originali. In questo lavoro sono stati utilizzati unicamente i prodotti Land e precisamente il MOD09 (Surface Reflectance), MOD12 (Land Cover Type), MOD13 (Vegetation Indices), MOD15 (Leaf Area Index/Fraction of Photosinthetically Active Radiation) e MOD17 (Daily Net Photosynthesis/Gross Primary Productivity). Il sensore MODIS rappresenta lo strumento chiave a bordo dei due sistemi satellitari ma in realtà Aqua trasporta altri sei strumenti complementari e Terra cinque, tra i quali ricordiamo l'ASTER (Advanced Spaceborne Thermal Emission and Reflectiion Radiometer) e il MISR (Multiangle Imaging SpectroRadiometer). Il sensore MODIS è costituito da 36 bande spettrali di cui le prime 7 sono designate in particolare per lo studio della vegetazione e della superficie terrestre. Le prime due bande (rosso a 620-670 nm e NIR a 841-876 nm) sono acquisite a 250 m, mentre le successive 5, blu (459-479 nm), verde (545-565 nm), NIR (1230-1250 nm) e SWIR (1628-1652 nm, 2105-2155 nm) sono acquisite a 500 m. Tutte le altre bande hanno una risoluzione di 1000 m (Lillesand & Kiefer, 2000). Indici di vegetazione che utilizzano le bande del rosso e dell’infrarosso vicino (MOD11) L’indice di vegetazione NDVI (Normalised Difference Vegetation index) (Rouse et al., 1974; Tucker, 1979) è l’indice di verde più comunemente usato nel remote sensing. Esso utilizza la radianza (o la riflettanza) del canale del rosso e del canale del NIR attorno ai 860 nm. Il primo è localizzato nella zona di massimo assorbimento della clorofilla, mentre il secondo è localizzato nel plateau di alta riflettanza, dovuto alle componenti della parete cellulare. L’indice, quindi, è correlato con la presenza (densità) di biomassa verde. L’NDVI ha alcune limitazioni: risente delle condizioni atmosferiche (Holben, 1986), della saturazione dei suoi valori (Lillesaeter, 1982) ed è sensibile all’effetto background del suolo (Huete, 1987). NDVI = NIRrosso NIRrosso [1] Indici di vegetazione che utilizzano le bande del blu, del rosso e dell’infrarosso vicino (MOD13) La banda del blu viene principalmente utilizzata per la correzione atmosferica delle immagini e può quindi essere impiegata per migliorare la risposta degli indici di vegetazione, basati sulle bande del rosso e del NIR (Xiao et al., 2004). Un indice sviluppato per ottimizzare il segnale della vegetazione e contemporaneamente ridurre gli effetti atmosferici e del suolo è: l’Enhanced Vegetation Index (EVI) (Heute et al., 1997, 2002; Justice et al., 1998). EVI = G⋅NIRrosso NIRC1⋅rossoC2⋅bluL [2] dove: C1 e C2 = coefficienti per la correzione degli aerosol in funzione della riflettanza nel blu L = correzione del suolo G = gain factor I coefficienti utilizzati nell’algoritmo sono: L=1, C1=6, C2=7.5, G=2.5 Indici di vegetazione che utilizzano le bande del’infrarosso riflesso (MOD09) È possibile utilizzare le bande del NIR (infrarosso vicino) e dello SWIR (infrarosso a lunghezza d’onda breve) per ottenere un indice sensibile al contenuto d’acqua delle foglie e all’umidità del suolo denominato Land Surface Water Index (LSWI). LSWI = NIRSWIR NIRSWIR [3] Per le immagini MODIS vengono utilizzate le bande del NIR (841-876 nm, banda 2) e dello SWIR (1628-1652 nm, banda 6) (Xiao et al., 2004). L’indice LSWI è simile nella formula matematica al Normalized Difference Water Index (NDWI) che però usa i valori di riflettanza delle lunghezze d’onda 860 e 1240 nm (Gao, 1996). Indice di area fogliare e frazione della radiazione solare utile alla vegetazione (MOD15) La messa in orbita del satellite Terra con a bordo i sensori MODIS e MISR (Multiangle Imaging SpectroRadiometer) ha dato inizio ad una nuova era nello studio della vegetazione terrestre. Il sensore MISR registra l’informazione spettrale in quattro bande, nelle lunghezze d’onda del visibile e dell’infrarosso vicino, e l’informazione angolare in nove angoli di ripresa diversi. Numerose tecniche vengono utilizzate per correlare parametri vegetazionali con le informazioni satellitari (Casa, 2003). Un primo metodo utilizza le tecniche di regressione per correlare i parametri strutturali della copertura vegetale con gli indici di verde (NDVI, EVI, ecc.). Tra questi parametri notevole importanza assumono l’indice di area fogliare 1 (LAI), la frazione della radiazione solare utile alla vegetazione (FPAR; Knyazikhin et al., 1999) e la FPAR assorbita dalla vegetazione (FAPAR) (Myneni et al., 1997). Un’altro approccio utilizza invece la modellistica. In questo caso ci sono due tecniche diverse: il modello può simulare la riflettanza della “canopy” per un dato set di parametri (si parla in questo caso di “metodo diretto”), oppure si possono ricavare i parametri partendo da un determinato modello di “canopy” (“metodo inverso”). L’algoritmo utilizzato nel MOD15 (Knyazikhin et al., 1999) utilizza l’approccio della look-up-table (LUT) (Knyazikhin et al., 1998; Weiss et al., 2000): tra i numerosi modelli di output prodotti vengono selezionati i valori di LAI ed FPAR che meglio fittano i parametri satellitari spettrale ed angolare. In questo processo l’algoritmo utilizza una mappa di copertura del suolo (MOD12, type 3) basata su sei tipi strutturali di copertura vegetale, validi per tutto il globo (Tab. 1). In alternativa a questa procedura, o per verificare la validità dei risultati ottenuti, l’algoritmo è in grado di calcolare le relazioni specifiche tra NDVI-LAI e NDVI-FPAR (Fig. 1) sulla base delle tipologie proposte in Tabella 1. Biomi Bioma 1 Praterie e cereali Bioma 2 Arbusti Bioma 3 Seminativi a foglia larga Bioma 4 Prateria arborata Bioma 5 Foreste di latifoglie Bioma 6 Foreste di aghifoglie Tabella 1. Tipi strutturali di copertura vegetale (biomi) utilizzati nel MOD15 (Knyazikhin et al., 1999. Mod.) Figura 1: Relazioni tra LAI ed NDVI (a sinistra) e tra FPAR ed NDVI (a destra) (Knyazikhin et al., 1999. Mod.) Fotosintesi netta e produzione primaria lorda (MOD17) La produttività primaria lorda (GPP) è definita come la velocità alla quale l’energia radiante è trasformata dall’attività fotosintetica in sostanze organiche (Odum & Barret, 2007), mentre la fotosintesi netta (PSNet) viene calcolata come differenza tra il carbonio assorbito in seguito al processo di fotosintesi e quello emesso in seguito alla respirazione di crescita e di mantenimento. Le variabili più importanti utilizzate nell’algoritmo del MOD17 (Heinsch et al., 2003) nel calcolo della produzione primaria sono: il LAI, l’FPAR, una serie di dati meteorologici proveniente da una banca dati (Data Assimilation Office) della NASA e una serie di dati allometrici (BPLUT). Il modello utilizzato si basa sul lavoro di Monteith (1972; 1977) che mette in relazione la radiazione solare attiva 1 L’indice di area fogliare (Leaf Area Index) misura il rapporto tra la superficie totale delle foglie della vegetazione (considerando solo la superficie di una delle due pagine fogliari) presenti in una unità di campionamento e la superficie di tale unità (m2/m2). assorbita dalla vegetazione (APAR [MJ m-2 day-1]) con la produzione primaria lorda (GPP [KgC m-2 day-1]) secondo le seguenti formule: GPP = ε · APAR [4] APAR = FPAR · PAR [5] dove ε rappresenta l’efficienza d’uso della luce da parte della vegetazione [kgC MJ -1], FPAR rappresenta la frazione percentuale di radiazione fotosinteticamente attiva (PAR [MJ m-2 day-1]) compresa tra i 400 e i 700 nm; quest’ultima viene assunta pari al 45% della radiazione a lunghezza d’onda corta incidente (300-3000 nm) (Heinsch et al., 2003). La fotosintesi netta (PSNnet [KgC day-1 m-2]) rappresenta il processo fotosintetico depurato dal processo della respirazione per il mantenimento del metabolismo del comparto radici e foglie. Il modello si basa su un elevato numero variabili memorizzate in una look-up table (BPLUT, The Biome Properties Look-Up Table) relativa a undici tipi strutturali di copertura vegetale (MOD12, type 2), validi per tutto il globo (Tab. 2). UMD Land Cover (biome classification) Foreste di conifere sempreverdi (evergreen needleleaf forest) Foreste di conifere caducifoglie (evergreen broadleaf forest) Foreste di latifoglie sempreverdi (deciduous needleleaf forest) Foreste di latifoglie caducifoglie (deciduous broadleaf forest) Foreste miste (mixed forest) Bosco con strato erbaceo (grassy woodland) Prateria arborata (wooded grassland) Aree a vegetazione arbustiva densa (closed shrubland) Aree a vegetazione arbustiva rada (open shrubland) Praterie (grassland) Seminativi (cropland) Tabella 1. Tipi strutturali di copertura vegetale del MOD12 type 2 La produzione primaria netta annuale (NPP [KgC m -2]) viene calcolata come valore cumulativo della fotosintesi netta (PSNnet) depurato dal processo della respirazione dovuto al mantenimento del fusto e alla crescita della pianta. Questo prodotto non risulta attualmente disponibile in rete. VALIDAZIONE DEI DATI MODIS E CONCLUSIONI Per verificare la validità dei dati MODIS utilizzati sono stati estratti a random 50 pixel per ognuna delle categorie boschive più rappresentative nella mappa dei “Sistemi Ecologici” (Tab. 2) e nella “Carta delle Tipologie Forestali”(Tab. 3). Alla matrice, così ottenuta, è stata applicata l’analisi varianza. Poichè alcune delle assunzioni a cui deve sottostare l’ANOVA non erano rispettate (per es. omogeneità della varianza), sono stati applicati i test “post hoc” a confronti multipli (che non ipotizzano varianze uguali) T2 di Tamhane e C di Dunnett che sono risultati statisticamente significativi (in tutti i casi p<0.05). Nonostante la risoluzione dei dati MODIS vari da 250 m per gli indici di verde (NDVI ed EVI), a 500 m per l’indice di umidità (LSWI) e fino a 1 km per LAI, FPAR, GPP e PSNnet l’incrocio con le mappe dei Sistemi Ecologici (1:250.000) e le Tipologie Forestali (1:25.000) ha dimostrato che tali prodotti risultano essere sensibili alle variazioni territoriali presenti nel paesaggio. Per valutare l’accuratezza di questi prodotti, successivamente, è stato eseguito un confronto tra i valori del LAI e della PSNnet telerilevati, relativi ad una faggeta campione, con quelli prodotti da un modello per il calcolo della produttività primaria netta sviluppato da Vitale et al.(2003; 2007). Dal confronto risulta che i valori di LAI satellitare durante l’anno, riportati in Figura 2, risultano sovrastimati di almeno 1 punto rispetto al modello. Ciò viene confermato anche dai dati di campagna ottenuti con il LAI 2000 Plant Canopy Analyzer e con la foto emisferica e presentati nel lavoro di Napolitano et al. (2006). Categorie Boschi collinari su colline terrigene Boschi carsici Ostrieti e ostrio faggete termofile su calcare Boschi misti Faggete Peccete Pinete a pino nero e silvestre Tabella 2. Categorie forestali utilizzate dalla mappa dei “Sistemi Ecologici” Categorie Rovereti e castagneti Orno-ostrieti e ostrio-querceti Aceri-tiglieti e aceri-frassineti Faggete Pinete di pino nero e silvestre Piceo-faggeti Peccete Piceo-abieteti Tabella 3. Categorie forestali utilizzate dalla “Carta delle Tipologie Forestali” Per quanto riguarda la PSNnet satellitare, sempre rispetto al modello (Fig. 3), risulta anche in questo caso una sovrastima dei valori; ad esempio, per il periodo 25 maggio – 1 giugno 2005, la stima della PSNnet satellitare risulta essere di 45 gC m-2 cumulati negli 8 giorni, contro i 15,22 gC m-2 . La conclusione alla quale possiamo arrivare è che il satellite MODIS, grazie ai sensori multispettrale e multiangolare, è in grado di discriminare con sufficiente sensibilità le tipologie forestali presenti su un’area territoriale eterogenea come il Friuli Venezia Giulia. L’errore riscontrato nella stima di alcuni parametri (LAI, PSNnet) è dovuto probabilmente ai dati tabellari, utilizzati nei diversi modelli, riferiti ad unità vegetazionali troppo ampie, estese su scala regionale o sub-continentale. LAI 8 7 6 5 4 3 2 1 0 0 50 100 150 200 250 300 350 JD Figura 2. Valori del LAI satellitare relativo alla faggeta campione 14 PSNet [gC/mq day] 12 10 8 6 4 2 0 0 50 100 150 200 250 300 350 JD Figura 3. Fotosintesi netta, relativa alla faggeta campione, ottenuta con il modello sviluppato da Vitale et al.(2003; 2007) RINGRAZIAMENTI Un ringraziamento particolare al Dott. Marcello Vitale, del Dipartimento di Biologia Vegetale dell’Università “La Sapienza” di Roma, per aver fornito il grafico della fotosintesi netta. BIBLIOGRAFIA Vitale, M, Capogna, F., Manes F. - “Resilience assessment on Phillyrea angustifolia L. maquis undergone to experimental fire through a big-leaf modelling approach”, Ecological Modelling 2007 (in press). Odum, E.P., Barret G.W. - “Fondamenti di Ecologia”, Piccin Nuova Libreria S.p.A. 2007. Napolitano, R., Altobelli, A., Feoli, E., Bressan E. -“Stima della biomassa verde di diverse tipologie forestali del Friuli Venezia Giulia attraverso il satellite MODIS e misure indirette in campo di LAI”, Ecologia. Atti del XV Congresso Nazionale della Società Italiana di Ecologia, Torino, 12-14 settembre 2005 a cura di Claudio Comoglio, Elena Comino e Francesca Bona 2006. http://www.xvcongresso.societaitaliana.org/articles Xiao, X., Zhang, Q., Braswell, B., Urbanski, S., Boles, S., Wofsy, S., Moore, B., Ojima D. - “Modelling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data”, Remote Sensing of Environment 2004, vol. 91, pp. 256-270. Casa, R. - “Multiangular remote sensing of crop canopy structure for plant stress monitoring”, Thesis submitted for degree of Doctor of Philosophy of University of Dundee 2003. Heinsch, F.A., Reeves, M., Votava, P., Kang, S., Milesi, C., Zhao, M., Glassy, J., Jolly, W.M., Loehman, R., Bowker, C.F., Kimball, J.S., Nemani R.R., Running S.W. - “User’s Guide. GPP and NPP (MOD17A2/A3) Products”, NASA MODIS Land Algorithm, Version 2.0 2003. Vitale, M., Scimone, M., Feoli, E., Manes F. - “Modelling leaf gas exchanges to predict functional trends in Mediterranean Quercus Ilex forest under climatic changes in temperature”, Ecological Modelling 2003, vol. 166, pp. 123-134. Huete, A., Didan, K., Miura, T., Rodriguez, E.P., Gao, X., Ferreira L.G. - “Overview of the radiometric and biophysical performance of the MODIS vegetation indices”, Remote Sensing of Environment 2002, vol. 83, pp. 195213. Weiss, M., Baret, F., Myneni, R.B., Pragnere, A., Knyazikhin Y. - “Investigation of a model inversion technique to estimate canopy biophysical variables from spectral and directional reflectance data”, Agronomie 2000, vol. 20, pp. 322. Knyazikhin, Y., Glassy, J., Privette, J.L., Tian, Y., Lotsch, A., Zhang, Y., Wang, Y., Morisette, J.T., Votava, P., Myneni, R.B., Nemani, R.R., Running S.W. - “MODIS Leaf Area Index (LAI) And Fraction Of Photosynthetically Active Radiation Absorbed By Vegetation (FPAR) Product (MOD15)”, Algorithm Theoretical Basis Document. Version 4.0 1999, NASA Goddard Space Flight Center (GSFC). Knyazikhin, Y., Martonchik, J.V., Myneni, R.B., Diner, D.J., Running S.W. - “Synergistics algorithm for estimating vegetation canopy leaf area index and fraction of absorbed photosynthetically active radiation from MODIS and MISR data”, Journal of Geophysical Research 1998, vol. 103, no. D24, pp. 32257-32276. Huete, A.R., Liu, H.Q., Batchily, K., van Leeuwen W. - “A comparison of vegetation indices global set of TM images for EOS MODIS”, Remote Sensing of Environment 1997, vol. 59, pp. 440-451. Myneni, R.B., Nemani, R.R., Running S.W. - “Estimation of global leaf area index and absorbed PAR using radiative transfer models”, IEEE Transaction Geosciences and Remote Sensing 1997, vol. 35, pp. 1380-1393. Gao, B.C. - “NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space”, Remote Sensing of Environment 1996, vol. 58, pp. 257-266. Lillesand, T.M., Kiefer R.W. - “Remote Sensing and Image Interpretation”, John Wilet & Sons Inc. 1994. Justice, C.O., Vermote, E., Townshend, J.R.G., Defries, R., Roy, D.P., Hall, D.K., Salomonson, V.V., Privette, J.L., Riggs, G., Strahler, A., Lucht, W., Myneni, R.B., Knyazikhin, Y., Running, S.W., Nemani, R.R., Wan, Z.M., Huete, A.R., van Leeuwen, W., Wolfe, R.E., Giglio, L., Muller, J.P., Lewis, P., Barnsley M.J. - “The Moderate Resolution Imaging Spectroradiometer (MODIS): land remote sensing for global change research”, IEEE Transactions on Geoscience and Remote Sensing 1988, vol. 36, pp. 1228-1249. Huete, A.R. - “Soil influence in remote sensed vegetation-canopy spectra”. In: Elachi C. (Ed.) - “Introduction to the the physics and techniques of remote sensing”, Wiley-Interscience 1987, New York, pp. 107-141. Holben, B.N. - “Characteristics of maximun-value composite images for temporal AVHRR data”, International Journal of Remote Sensing 1986 vol. 7, pp 1383-1622. Lillesaeter, O. - “Spectral reflectance of partly transmitting leaves: laboratory measurements and mathematical modelling”, Remote Sensing of Environment 1982, vol. 12, pp. 247-254. Montheith, J.L. - “Climate and the efficency of crop production in Britain”, Philosophical Transactions of the Royal Society of London, Series B, Biological Sciences 1977, vol. 281, no. 980, pp. 277-294. Rouse, J.W., Haas, R.H., Schell, J.A., Deering, D.W., Harlan J.C. - “Monitoring the vernal advancements and retrogradation (green-wave effect) of nature vegetation”, NASA/GSFC Final Report 1974, Geeenbelt MD. Tucker, C.J. - “Red and photographic infrared linear combinations for monitoring vegetation”, Remote Sensing of Environment 1974, vol. 8, pp. 127-150. Montheith, J.L. - “Solar radiation and productivity in tropical ecosystems”, The Journal of Applied Ecology 1972, vol. 9, pp. 747-766.