Proyecto n.1

GeoFireGuard

(click en la imagen)

De la necesidad de proporcionar datos cada vez más actualizados sobre los riesgos naturales y antropogénicos provocados por la crisis climática nace el primer proyecto denominado GeoFireGuard, el servicio de datos abiertos para el seguimiento y protección de zonas con riesgo de incendio, gracias al tratamiento de datos geoespaciales puestos a disposición disponible de las constelaciones Sentinel del programa Copernicus de la Unión Europea y Landsat del USGS/NASA.

Para contribuir a la lucha contra los incendios, se proporcionan mapas y servicios para la zona Buitre - Alto Bradano (Basílica Norte Norte): servicio de bomberos NASA FIRMS en tiempo casi real y archivo de puntos focales (fire nrt), clasificación supervisada de intensidad y gravedad de los incendios. Incendios, áreas cubiertas por el fuego y grado de quemadura, humedad del suelo, aridez y temperatura de la superficie terrestre. Se han integrado servicios adicionales como la contaminación atmosférica por dióxido de azufre (SO2), el modelo GeoAI sobre la propagación de incendios en campos agrícolas y productos biogeofísicos.

Contaminación por dióxido de azufre o dióxido de azufre (SO2)

Calcularon los mapas de concentración atmosférica de dióxido de azufre (SO2) obtenidos a través del análisis de datos del satélite Sentinel-5P del programa Copernicus Datos procesados con Google Earth Engine (GEE) con el siguiente marco temporal: 4 de julio - 4 de agosto - 4. Septiembre - 4 de octubre de 2023. Densidad de la columna vertical de SO2 sobre el suelo calculada con la técnica DOAS Unidad de medida: mol/m^2 (número de moles de una sustancia por metro cuadrado de superficie) 1 mol de SO2 = 64. , 0638 g/molValor medio detectado en Basílicata: 0,004344449 g/molValor máximo detectado Buitre Alto-Bradano: 0,03559215 g/mol Valor mínimo detectado Buitre Alto-Bradano: -0,02603678 g/molLos valores máximo y mínimo de SO2 son valores estándar que reflejan el rango típico de concentraciones de SO2 en la troposfera y pueden mostrar cambios significativos en el dióxido de azufre a lo largo del tiempo.

Modelo GeoAI sobre propagación del fuego

Se ha calculado el Boschifire Risk Assessment Model (BRAM), un modelo predictivo experimental sobre el riesgo de propagación de incendios desde campos agrícolas hacia bosques y bosques. El uso combinado de los algoritmos SAM y Random Forest para identificar áreas forestales cercanas a incendios de campo -debido a la práctica obsoleta de quema de rastrojos- se basa en una clasificación supervisada de Random Forest del índice RBR (Relativized Burn Area), del satélite Sentinel-2. imágenes del programa Copernicus, e imagen RGB infrarroja de onda corta relacionada (bandas espectrales 12, 8 y 4) del 4 de octubre de 2024 especialmente segmentada gracias a GeoAI (Inteligencia Artificial). Imágenes Sentinel-2B /11Jul2023 y Sentinel-2A /4Oct2023. Cita: luisCartoGeo y luisChr. (2023). luisCartoGeo/GeoAI_Plugin: v1.0 GeoAi (GEOAI). Zenodo. https://doi.org/10.5281/zenodo.8313393

Peligro y riesgo de incendio (antes)

Cálculo de detección de cambios de NDWI (índice de diferencia normalizada de agua) en la humedad del suelo que devuelve valores de humedad aumentados, reducidos y sin cambios durante un intervalo de tiempo determinado. Cálculo del índice NDWI (Índice de Diferencia Normalizada del Agua) sobre la humedad del suelo que, en comparación con los índices LST y RBR, puede ser útil para predecir áreas con riesgo de incendio, así como para apoyar las investigaciones de los organismos pertinentes de Cálculo de la Humedad del Suelo (. Sigma0_VV Intensity_db) para la medición de la retrodispersión sobre los cambios en el contenido de humedad de los suelos y la vegetación. Cálculo del índice BSI (Bare Soil Index) sobre la aridez de los suelos que, comparado con las áreas quemadas y la humedad de los suelos, resulta útil. información sobre la degradación de superficies cultivadas y forestales afectadas por el fuego Cálculo de detección de cambios del NDVI (Índice de Vegetación de Diferencia Normalizada) sobre cambios en la biomasa agroforestal (áreas afectadas por el fuego, operaciones forestales, cálculo del índice NDVI sobre la cantidad y). Salud de la vegetación. Cálculo del índice TVI (Transformer Vegetation Index) sobre biomasa estresada por sequía. Cálculo de las zonas con riesgo de incendio con un método de representación visual de las zonas con mayor o menor riesgo, en función de los valores umbral. ​definido por los índices NDVI, EVI, NDWI y NBR.

Monitoreo de incendios (durante)

Servicio de Bomberos “Casi en Tiempo Real” de FIRMS de la NASA El Sistema de Información sobre Incendios para la Gestión de Recursos (FIRMS) distribuye datos de incendios activos en tiempo casi real (NRT) desde el Espectrorradiómetro de Resolución Moderada (MODIS) a bordo de los satélites Aqua y la Tierra y por el Infrarrojo Visible Imaging Radiometer Suite (VIIRS) a bordo de Suomi-NPP, NOAA-20 y NOAA-21 (formalmente conocido como JPSS-1). A nivel mundial, estos datos están disponibles dentro de las 3 horas posteriores a la observación satelital, pero para los Estados Unidos y Canadá, las detecciones de incendios activos están disponibles en tiempo real.

Mapeo de áreas quemadas (después)

Archivo de puntos focales (fire nrt) del 18 de julio al 4 de octubre de 2023 a partir del cual se pueden analizar posibles puntos de ignición y/o propagación de incendios. Mapa de densidad térmica FRP (Fire Radiative Power) a partir del cual es posible identificar las fuentes numéricas. de potencia radiactiva del incendio (expresada en vatios). Clasificación supervisada (aprendizaje automático) Índice NBR (Normalized Burn Ratio). Los datos representan los resultados de un clasificador Random Forest capacitado para clasificar el índice NBR al 4 de octubre de 2023 en cuatro diferentes. categorías, vinculadas a los incendios en función de su intensidad. Las clases identificadas incluyen incendios de alta intensidad, incendios de intensidad media, incendios de baja intensidad y áreas no quemadas. La precisión general del modelo en los datos de prueba es del 63,98% del índice relativizado RBR (Relativized Burn Ratio) de clasificación supervisada (aprendizaje automático). Los datos representan los resultados de un clasificador de Random Forest capacitado para clasificar el índice RBR al 4 de octubre de 2023 en cuatro categorías diferentes, relacionadas con los incendios forestales en función de la gravedad de las quemaduras. Las clases identificadas incluyen incendios de alta gravedad, incendios de gravedad media, incendios de baja gravedad y áreas no quemadas. La precisión general del modelo en los datos de prueba es del 93,14%.

nota: (los mapas compuestos del índice NBR y la clasificación supervisada relacionada se han eliminado después de una cuidadosa verificación de la idoneidad de algunos resultados).

Cálculo del índice NBR (Normalized Burn Ratio) post-incendio sobre las áreas quemadas Cálculo del índice RBR (Relativized Burn Ratio) para 2023 y 2022, versión relativizada del índice dNBR (diferencia Normalized Burn Ratio). El índice devuelve el grado de quemadura periódica de las zonas quemadas y se obtiene de la siguiente fórmula:

RBR = (NBR(pre_incendio)–NBR(post_incendio))/( NBR(pre_incendio) 1.001).

El valor de 1,001 en el denominador garantiza que la ecuación nunca produzca valores infinitos cuando los valores de NBR previos al incendio tienden a cero en áreas con baja cobertura vegetal o áreas afectadas por el fuego.

La escala de colores utilizada es la propuesta por el USGS para clasificar el nivel de intensidad de las zonas afectadas por el fuego.

Datos atmosféricos útiles para actividades de previsión/prevención para la temporada 2024

Cálculo del promedio estacional para el período del 11 de julio al 1 de octubre de 2023 del índice estandarizado de precipitación (SPI) capaz de medir la anomalía en la cantidad de precipitación durante un período específico. Los valores negativos pueden indicar sequía.

Los niveles de gravedad de los eventos húmedos y secos se definen según la siguiente tabla (McKee et al., 1993; OMM, 2012): SPI ≥ 2,0 = Humedad extrema 1,5 ≤ SPI < 2,0 Humedad severa 1,0 ≤ SPI < 1,5 Humedad moderada –1,0 < SPI < 1,0 Normal–1,5 < SPI ≤ –1,0 Sequía moderada–2,0 < SPI ≤ –1,5 Sequía severaSPI ≤ –2,0 Sequía extrema

El índice se basa en datos interpolados de 25 km del proyecto MARS de seguimiento de cultivos y clima del JRC. Los datos se actualizan cada 10 días, proporcionando así una visión más actual del indicador en comparación con el cálculo clásico de fin de mes. Sin embargo, los períodos de acumulación siguen siendo mensuales, con ventanas mensuales (períodos de 28, 29, 30 o 31 días) que comienzan los días 1, 11 y 21 del mes. El método de cálculo del SPI aún es provisional y podría actualizarse. Créditos: Servicio de Gestión de Emergencias de Copernicus GDO (Global Drought Observatory).

Cálculo de la temperatura atmosférica media estacional durante 77 días (del 18 de julio al 4 de octubre de 2023). Temperatura máxima interpolada diariamente utilizando aproximadamente 4000 estaciones meteorológicas en toda Europa y sus alrededores. Los datos se interpolan utilizando un algoritmo de distancia inversa que busca estaciones dentro de un radio de 200 km de distancia. Se consideran hasta un máximo de 20 estaciones. Se realiza una corrección por elevación utilizando un factor de 0,65 grados Celsius por 100 metros. La interpolación se realiza en una cuadrícula de 0,25 grados decimales. Lavaysse, C., C. Cammalleri, A. Dosio, G. van der Schrier, A. Toreti y J. Vogt. 2018. Hacia un sistema de seguimiento de temperaturas extremas en Europa. Peligros naturales y ciencia del sistema terrestre, 18, 91-104. https://nhess.copernicus.org/articles/18/91/2018/

Imágenes satelitales de Copernicus consideradas: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2B / 09-sett-2023 / MSI_Level-2A Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2B / 16-LUG-2022 / MSI_Level-2A - Sentinel-2B / 31-LUG-2023 / MSI_Level-2A - Sentinel-2B / 10-AGO-2023 / MSI_Level-2A - Sentinel-2A / 25-AGO-2023 / MSI_Level- 2A - Sentinel-2B / 09-SET-2023 / MSI_Level-2A - Sentinel-2A / 04-OTT-2024 / MSI_Level-2A - Sentinel-2A / 16-FEB-2024 / MSI_Level-2A - Sentinel-2B / 15- AGO-2022 / MSI_Level-2A - Producto SLC Sentinel-1A IW Nivel 1 / 30giu-12lug2023

Análisis de riesgo de olas de calor

Cálculo de la temperatura media de la superficie terrestre (LST sobre datos Landsat) destinado a analizar el riesgo de olas de calor para las poblaciones y cálculo de la densidad de población por km2 sobre datos ISTAT 2023 para 12 imágenes (del 18 de julio al 4 de octubre). 2023) y media estacional de la temperatura de la superficie terrestre durante el día con una resolución de 1 km (en leyenda °C - metadatos Kelvin). Las imágenes LST-MODIS del Buitre Alto Bradano (Basilicata) de 2023 se descargaron el 3 de febrero de 2023. 2024 de https://appears.earthdatacloud.nasa.gov, operado por el Centro de Archivo Activo Distribuido de Procesos Terrestres (LP DAAC) EOSDIS de la NASA en el Centro de Ciencia y Observación de Recursos Terrestres (EROS) del USGS, Sioux Cascades, Dakota del Sur, 2018. https://lpdaac.usgs.gov

Cálculo del índice LST (Land Surface Temperature) de la temperatura radiante de la superficie terrestre en la región de Basílicata.

Imagen de satélite considerada para 2022: Landsat-9 (USGS-NASA) OLI_TIRS_L1TP del 23-07-2022 con 1% de nubosidad.

Imagen satelital considerada para 2023: Landsat-8 (USGS-NASA) OLI_TIRS_L1TP del 18-07-2023 con 1,5% de nubosidad.

Procedimiento de cálculo del índice LST a partir de imágenes Landsat con resolución de 30 m/px:

1) cálculo de la reflectancia TOA (Top of Atmosphere) con las bandas roja e infrarroja cercana;

2) Cálculo de temperatura de brillo TOA para la banda térmica;

3) cálculo del índice NDVI (Índice de Vegetación de Diferencia Normalizada);

4) estimación de la proporción vegetativa y emisividad de la superficie terrestre;

5) Cálculo del índice LST (Temperatura de la superficie terrestre);

6) clasificación semiautomática supervisada (Machine Learning)

¿Cómo puede ser útil este índice?

a) Microclima urbano: cálculo de islas de calor para contrarrestar las olas de calor del verano.

b) Agricultura: estudio de la evapotranspiración en el sector del riego, seguimiento de las condiciones del suelo.

c) Contaminación o accidentes industriales: vigilancia de la calidad del agua y del suelo.

d) Incendios forestales: zonas de mayor riesgo y evaluación/estimación de puntos gatillo, comparación con los índices de las zonas afectadas por el incendio.

e) Geología: seguimiento geomorfológico, estimación de deslizamientos y terremotos.

f) Ingeniería hidrológica: estudio sobre caudales de agua.

El proyecto para calcular el índice LST de la Región de Basílicata fue posible gracias a la participación en el seminario "GIScience for maping the urban microclimate: heat islands in Padua" el 6 de julio de 2022 organizado por la Universidad de Padua en colaboración con el Centro de Justicia Climática de Excelencia Jean Monnet y la asociación GIShub.

Productos biogeofísicos de la superficie terrestre (bosques y zonas arboladas)

Cálculo del NDVI (índice de vegetación de diferencia normalizada) El índice de vegetación de diferencia normalizada (NDVI) es un indicador del verdor de los biomas. Aunque no es una propiedad física de la cubierta vegetal, su formulación muy simple NDVI = (REF_nir – REF_red)/(REF_nir REF_red) donde REF_nir y REF_red son las reflectancias espectrales medidas en las bandas del infrarrojo cercano y roja respectivamente, la hace ampliamente utilizado para el seguimiento del ecosistema Cálculo del LAI (índice de área foliar)El índice de área foliar se define como la mitad del área total de elementos verdes del dosel por unidad de superficie terrestre horizontal. El valor obtenido por satélite corresponde al LAI verde total de todas las capas del dosel, incluido el sotobosque, que puede representar una contribución muy significativa, particularmente para los bosques. En la práctica, el LAI cuantifica el espesor de la cubierta vegetal. El LAI es reconocido como una variable climática esencial (ECV) por el cálculo del Sistema Mundial de Observación del Clima (GCOS) El FAPAR cuantifica la fracción. de la radiación solar absorbida por las hojas vivas para la actividad de la fotosíntesis. Por lo tanto se refiere únicamente a los elementos verdes y vivos del follaje. FAPAR depende de la estructura de la cubierta, de las propiedades ópticas de los elementos vegetales, de las condiciones atmosféricas y de la configuración angular. Para superar esta última dependencia se evalúa un valor FAPAR integrado diario. FAPAR es reconocida como una variable climática esencial (ECV) por el Sistema Global de Observación del Clima (GCOS). Cálculo de la FCover (Fracción de Cobertura Vegetal verde). La Fracción de Cobertura Vegetal (FCover) corresponde a la fracción de tierra cubierta por vegetación verde. En la práctica, cuantifica la extensión espacial de la vegetación. Dado que es independiente de la dirección de la iluminación y es sensible a la cantidad de vegetación, Fcover es un excelente candidato para reemplazar los índices de vegetación clásicos para el monitoreo de ecosistemas.

Imágenes de satélite Copernicus consideradas: Sentinel-2B / 16-FEB-2024 / MSI_Level-2A

Tanques de carbón

Altura del dosel vegetativo [por Lang, N., Jetz, W., Schindler, K. y Wegner, J.D. (2023). Un modelo de alta resolución de la altura del dosel de la Tierra. Nature Ecology & Evolution, 1-12]: Desarrolló un modelo probabilístico de aprendizaje profundo para recuperar la altura superior del dosel a partir de imágenes de Sentinel-2. Este modelo, un conjunto de redes neuronales convolucionales (CNN), se entrenó con escasa supervisión utilizando datos de altura de la parte superior del dosel derivados del LIDAR de forma de onda completa GEDI de la NASA (es decir, RH98 estimado por Lang et al., 2022). La incertidumbre predictiva de estas densas estimaciones se cuantifica modelando tanto la incertidumbre de los datos (incertidumbre aleatoria) como la incertidumbre del modelo (incertidumbre epistémica). El producto ETH Global Canopy Height 2020 se proporciona de forma gratuita y tiene la licencia internacional Creative Commons Attribution 4.0.