EC-LUE: una app nata da Google Earth Engine

aerospace

Simulazioni accurate dei cambiamenti spaziali e temporali della vegetazione svolgono un ruolo importante negli studi ecologici. Ci sono grandi incertezze nei dataset basati su dati satellitari con risoluzioni spaziali grossolane (>500 m); sono quindi necessari set di dati ad alta risoluzione spaziale. Tuttavia, questi richiedono tempo e un'enorme quantità di spazio di calcolo. Alcuni scienziati hanno quindi utilizzato Google Earth Engine per sviluppare un'applicazione web  per generare stime di GPP con risoluzione spaziale di 30 m all'interno di una regione di interesse. Con questa app, gli utenti possono facilmente ottenere stime dei cambiamenti ambientali a risoluzione spaziale 30-m in qualsiasi località e per qualsiasi anno dal 1984. Vediamo insieme come è stato possibile realizzarla.

La produzione primaria lorda della vegetazione (GPP) svolge un ruolo importante nel sostenere i cicli globali di sostentamento ed energia, nel regolare il bilancio del carbonio e nell'attenuare l'aumento delle concentrazioni atmosferiche di CO2 e il cambiamento climatico globale. Tuttavia, la sua modellizzazione è una delle maggiori fonti di incertezza nel ciclo globale del carbonio. Le attuali simulazioni si basano su dati a risoluzione spaziale grossolana (500 m~8 km), che non sono in grado di riprodurre l'eterogeneità spaziale e portano a incertezze nelle stime fino al 30%. Una migliore cattura dell'eterogeneità spaziale dei paesaggi può ridurre l'incertezza della simulazione della produzione primaria lorda di vegetazione. Con dati di telerilevamento a risoluzione spaziale fine come input, i modelli basati sull'efficienza d'uso della luce (LUE), che tengono conto sia dei processi fisiologici sia dei cambiamenti della struttura della vegetazione, possono caratterizzare con precisione la GPP in regioni eterogenee. Utilizzare dati satellitari a risoluzione spaziale fine porta a prestazioni migliori rispetto al modello LUE basato su dati di telerilevamento a risoluzione spaziale fine e può ridurre le incertezze della simulazione fino al 20%. Tuttavia, la raccolta di dati telerilevati a scala fine richiede una quantità significativa di spazio di archiviazione e il calcolo delle simulazioni a risoluzione spaziale fine richiede molto tempo. Ad esempio, il progetto Landsat 8 ha acquisito circa 500.000 immagini con una risoluzione spaziale di 30 metri all'anno, richiedendo un'enorme capacità di archiviazione dei dati (~600 TB). Inoltre, i periodi di rivisitazione dei dati di telerilevamento satellitare a risoluzione spaziale fine (ad esempio, ~16 giorni per Landsat, ~5 giorni per Sentinel-2) sono molto più lunghi di quelli a risoluzione spaziale grossolana, che possono fornire quasi due osservazioni al giorno nel caso delle serie di spettro-radiometri a risoluzione moderata e radiometri avanzati ad altissima risoluzione. Prima che gli utenti possano eseguire uno studio, è necessario spendere una grande quantità di tempo per accedere ai dati e completare le necessarie fasi di pre-elaborazione. Pertanto, è difficile scaricare una quantità così significativa di dati per molti siti. L'utilizzo della piattaforma Google Earth Engine, una piattaforma di analisi geospaziale basata su cloud, che consente agli utenti di visualizzare e analizzare immagini satellitari del nostro pianeta, può far risparmiare molto tempo e spazio di storage. I ricercatori hanno quindi realizzato un'applicazione web su Google Earth Engine (GEE) per generare dati GPP utilizzando dati Landsat a risoluzione spaziale di 30 metri ed hanno quindi confrontato la risoluzione spaziale fine del GPP con la risoluzione spaziale grossolana esistente.

Generare GPP su GEE

Google Earth Engine

Figura 1: Schermata d'uso di Google Earth Engine

I ricercatori hanno generato il GPP a risoluzione spaziale di 30 metri ad intervalli di 16 giorni sulla piattaforma GEE, di cui vediamo una schermata d'uso in Figura 1. GEE è una piattaforma ad accesso libero e fornisce accesso ai dati Landsat 5, 7 e 8 dal 1984 a oggi. Prima di generare il GPP, è stato necessario preparare i dati climatici e di classificazione della vegetazione, ricostruiti in serie temporale; sono stati riassunti in intervalli di 16 giorni. Successivamente, è stato necessario ottimizzare i coefficienti del modello per il modello ECLUE rivisto a risoluzione spaziale fine. Nella fase di ottimizzazione dei coefficienti del modello, la GPP è stata generata per intervalli di 16 giorni da 95 siti selezionati. Successivamente, per ogni sito, sono stati scelti gli anni dispari come set di dati di calibrazione e la restante metà come set di dati di convalida. Si è quindi proceduto ad ottimizzare i coefficienti con tutti i dati del set di dati di calibrazione in tutti i siti di nove tipi di vegetazione, tra cui foreste di latifoglie decidue, foreste di sempreverdi, foreste di alberi da frutto, foresta di latifoglie sempreverdi, foresta di aghifoglie sempreverdi, foresta mista, prateria, savana, arbusto, zona umida e terreno coltivato. Infine, è stata verificata l'accuratezza della stima della GPP.

Risultati

La GPP a risoluzione spaziale fine (GPPL) è risultata ben correlata con la GPP misurata dalle torri di covarianza. Per il singolo tipo di vegetazione, il GPPL ha avuto un alto livello di accordo (R2 > 0,5) con il GPPFLUX per otto tipi di vegetazione; inoltre, ha catturato i profili stagionali nei siti tipici di ogni tipo di vegetazione. Per i popolamenti forestali, il GPPL ha tracciato bene il cambiamento stagionale della GPP nei siti selezionati. Per ricavare i risultati dell'intercomparazione dai prodotti GPP a tre risoluzioni, si è confrontato il GPPFLUX di 193 siti con tre risoluzioni di prodotti GPP a date costanti. Rispetto agli altri prodotti GPP a risoluzione grossolana, il GPPL ha presentato un più elevato R2 e un RMSE inferiore, oltre ad un minore bias. Le GPP a risoluzione grossolana hanno mostrato una minore varianza spaziale rispetto al GPP a risoluzione fine. Il GPPL ha catturato il cambiamento spaziale e temporale della GPP meglio della GPP a risoluzione grossolana negli agroecosistemi. La GPP a risoluzione grossolana ha mostrato una minore varianza spaziale rispetto alla GPP a risoluzione fine. Il GPP a risoluzione spaziale fine ha caratterizzato anche l'eterogeneità spaziale della variazione stagionale della GPP. Gli ecosistemi di terraferma comprendono savane, arbusteti aperti e deserti. Negli ecosistemi di savana, il paesaggio comprende aree casuali di erba e alberi, che portano a un'elevata eterogeneità spaziale della GPP. Sebbene i valori medi della GPP fossero simili, la varianza spaziale era molto diversa. Le variazioni stagionali hanno mostrato modelli diversi di pixel che rappresentano alberi, e pixel che rappresentano prevalentemente erba. Per il deserto, il GPPL ha catturato la variazione stagionale della GPP in un'oasi. Tuttavia, poiché la GPP guidata dai dati MODIS (MODerate resolution Imaging Spectro-radiometer) ha sbagliato a classificare il tipo di vegetazione in questa regione, la GPP in questa regione è vicina a zero. Pertanto, la disponibilità di dati di telerilevamento a spazi fini può non rappresentare le condizioni di crescita della vegetazione e portare a elevate incertezze nella modellizzazione della GPP.

[...]

ATTENZIONE: quello che hai appena letto è solo un estratto, l'Articolo Tecnico completo è composto da ben 1974 parole ed è riservato agli ABBONATI. Con l'Abbonamento avrai anche accesso a tutti gli altri Articoli Tecnici che potrai leggere in formato PDF per un anno. ABBONATI ORA, è semplice e sicuro.

Scarica subito una copia gratis

Scrivi un commento

Seguici anche sul tuo Social Network preferito!

Send this to a friend