I progetti WebGIS

Progetto n.1

GeoFireGuard

(clicca sull'immagine)

Dall'esigenza di fornire dati sempre più aggiornati sui rischi naturali e antropici causati dalla crisi climatica, nasce il primo progetto dal nome GeoFireGuard, il servizio open data di monitoraggio e protezione delle aree a rischio incendio, grazie all'elaborazione di dati geospaziali messi a disposizione dalle costellazioni Sentinel del programma Copernicus dell'ESA/Unione Europea; costellazioni Landsat, GIBS, Aqua e Terra, TRMM, e GPM, IMERG, EMIT (ISS), il servizio FIRMS della NASA/USGS degli USA.

Al fine di contribuire nella lotta e al contrasto degli incendi, vengono fornite mappe e servizi per l'area del Vulture - Alto Bradano (Nord Basilicata): servizio NASA FIRMS degli incendi in tempo quasi reale e archivio hotspots (fire nrt), classificazione supervisionata intensità e gravità degli incendi, aree percorse dal fuoco e grado di ustione, umidità dei suoli, aridità e temperatura della superficie terrestre. Integrati ulteriori servizi come le medie stagionali su dati storici e probabilità di variazione delle precipitazioni normali multi-temporale, indici di siccità, il modello GeoAI sulla propagazione degli incendi dai campi agricoli, prodotti bio-geofisici e iperspettrali, modelli predittivi con l'ausilio dell'Intelligenza Artificiale Generativa, ed altri servizi consultabili dalla descrizione che segue.

Cartografia catastale

• Fornitura della cartografia del Catasto Italiano dell'Agenzia delle Entrate disponibile tramite download da specifico indirizzo. Il download in blocco fornisce un file .zip aggiornato con frequenza semestrale ed è stato successivamento filtrato per l'area di interersse. Data download 23 agosto 2025.

Modello GeoAI sulla propagazione degli incendi

• Calcolato il Boschifire Risk Assessment Model (BRAM), un modello sperimentale predittivo sul rischio di propagazione degli incendi dai campi agricoli verso boschi e foreste. L'utilizzo combinato degli algoritmi SAM e Random Forest per identificare le aree boschive prossime agli incendi dei campi - per via della obsoleta pratica della bruciatura delle stoppie - è basato su una classificazione supervisionata Random Forest dell'indice RBR (Relativized Burn Area), da immagini satellitari Sentinel-2 del programma Copernicus, e relativa immagine RGB a infrarosso ad onde corte (bande spettrali 12, 8 e 4) del 4 ottobre 2024 appositamente segmentate grazie alla GeoAI (Intelligenza Artificiale). Immagini Sentinel-2B /11lug2023 e Sentinel-2A / 4ott2023. Citazione: luisCartoGeo, & luisChr. (2023). luisCartoGeo/GeoAI_Plugin: v1.0 GeoAi (GEOAI). Zenodo. https://doi.org/10.5281/zenodo.8313393

Location intelligence (località intelligenti)

• Un servizio che utilizza uno specifico plug in chiamato Location Lab, che grazie alle chiavi API di terze parti, nel caso di specie il servizio HERE https://www.here.com/ genera layers contenenti informazioni alfanumeriche, in primis il tempo di percorrenza per raggiungere un determinato luogo prestabilito. I layers prodotti hanno restituito tempi di percorrenza valutati a 5, 10 e 15 minuti dai punti di partenza (Lavello, Melfi, Palazzo San Gervasio, Rionero in Vulture e Venosa). A supporto di questo servizio di emergenza, ma anche di prevenzione, sono stati scaricati dal geoportale RSDI della Regione Basilicata, gli elementi puntuali che indicano le località significative del territorio in esame.
  

Pericolo e rischio incendio (prima)

• Aree dove la velocità e direzione media del vento degli ultimi 10 giorni, ma con un ritardo di 5, ha superato la soglia di 3 m/s, condizioni favorevoli alla propagazione del fuoco. Elaborazione dati dal prodotto ERA5-Land Hourly - ECMWF Climate Reanalysis del Copernicus Climate Data Store, un set di dati di rianalisi climatiche che fornisce l'evoluzione di 50 variabili terrestri nel corso di diversi decenni. Da uno specifico script in GEE, (caricamento dataset ERA5, calcolo velocità e direzione dei venti, la media giornaliera e allerta), ed il supporto della GenAI, si sono generati gli output di interesse successivamente validati in QGIS. Si è lavorando su vettoriali e centroidi per giungere ad un prodotto visivamente soddisfacente (le frecce blu indicano la direzione dei venti all'interno dell'arera di allerta). Gli aggiornamenti si basano sulla presenza di venti con velocità superiore a 3 m/s e riportano la direzione verso cui il vento soffia, convertita rispetto alla convenzione meteorologica ERA, che indica la direzione di provenienza.
• Analisi e mappatura del rischio incendi da uno specifico script con GEE (Google Earth Engine) con l'ausilio dell'intelligenza artificiale generativa nella fase di automazione (combinazione automatica di dati multivariati e apprendimento supervisionato), successivamente validato in QGIS. Lo script integra prodotti di telerilevamento e specifici indici biofisici e algoritmi di calcolo. Prodotti utilizzati: Sentinel-2 (COPERNICUS/S2_SR_HARMONIZED) per il calcolo degli indici NDVI, NDMI, NBR e dNBR; MODIS (NASA) per indice LST (temperatura della superficie terrestre) con dataset MOD11A2 da Kelvin a Celsius; CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) per analizzare le precipitazioni giornaliere nel periodo di interesse; SMAP (Soil Moisture Active Passive) della NASA utilizzato per ottenere dati sull'umidità del suolo; ed infine una stima di LAI e FAPAR ottenuta a partire dall'NDVI, utilizzando una funzione logaritmica inversa e una formulazione del modello di Beer-Lambert, con parametri empirici adattabili. L’analisi del rischio finale è calcolata con logica booleana confrontando soglie predefinite per ciascun indice e variabile (es. temperature superficie terrestre > 32° C, NDVI < 0.55, umidità del suolo < 0,20, precipitazioni mensile < 30 mm). Il calcolo del rischio è stato migliorato suddividendolo in quattro classi: basso, di attenzione, pre-allerta e alto.
• Calcolo da uno specifico script con GEE del dNBR come differenza tra l'indice NBR (Normalized Burn Ratio) mensile per gli anni 2024 e 2025,con utilizzo del prodotto HS2 (Harmonized Sentinel-2) con copertura nuvolosa < 1%. L’NBR si basa sulle bande NIR (B8) e SWIR2 (B12) per rilevare variazioni di vegetazione ed evidenzia la perdita (valori positivi) o la rigenerazione (valori negativi). Successivamente, il risultato è stato filtrato con il Land Cover ESA WorldCover2020, con la classe 10 (foresta) per concentrare l’analisi sulle zone forestali. Metodo e script per gentile concessione di Guido Ceccherini, Commissione Europea, Joint Research Centre, Ispra - nell'ambito dell'evento Estate Gis 2025 durante il workshop "Monitorare foreste ed incendi in Europa: Google Earth Engine per analisi spazio-temporali".
• Prodotti biogeofisici della superficie terrestre (foreste e boschi)
  

1. Calcolo LAI (Leaf Area Index)
   L'indice dell'area fogliare è definito come la metà dell'area totale degli elementi verdi della chioma per unità di superficie orizzontale del terreno. Il valore derivato dal satellite corrisponde al LAI verde totale di tutti gli strati della chioma, compreso il sottobosco che può rappresentare un contributo molto significativo, in particolare per le foreste. In pratica il LAI quantifica lo spessore della copertura vegetale.
   Il LAI è riconosciuto come variabile climatica essenziale (ECV) dal Global Climate Observing System (GCOS).
2. Calcolo FAPAR (Fraction of Absorbed Photosynthetically Active Radiation)
   Il FAPAR quantifica la frazione della radiazione solare assorbita dalle foglie vive per l'attività di fotosintesi. Quindi si riferisce solo agli elementi verdi e vivi della chioma. Il FAPAR dipende dalla struttura della chioma, dalle proprietà ottiche degli elementi vegetali, dalle condizioni atmosferiche e dalla configurazione angolare. Per superare quest'ultima dipendenza viene valutato un valore FAPAR integrato giornaliero. FAPAR è riconosciuta come variabile climatica essenziale (ECV) dal Global Climate Observing System (GCOS).
3. Calcolo FCover (Fraction of green Vegetation Cover)
   La Frazione di Copertura Vegetale (FCover) corrisponde alla frazione di terreno coperta da vegetazione verde. In pratica quantifica l'estensione spaziale della vegetazione. Poiché è indipendente dalla direzione dell'illuminazione ed è sensibile alla quantità di vegetazione, Fcover è un ottimo candidato per la sostituzione dei classici indici di vegetazione per il monitoraggio degli ecosistemi.
   Sentinel-2A / 15-GIU-2025 / MSI_Level-2A

• Prodotti iperspettrali (foreste e boschi)

1. L'indice CIredEdge (Chlorophyll Index - Red Edge), calcolato a partire dai dati iperspettrali del sensore EMIT acquisiti il 15 giugno 2025, rappresenta un indicatore sensibile al contenuto di clorofilla e allo stato fisiologico della vegetazione. Nello spettro elettromagnetico, il red-edge corrisponde alla regione tra circa 680–750 nm, dove si osserva una rapida transizione tra assorbimento della luce da parte della clorofilla e riflessione della luce da parte dei tessuti vegetali. Nel contesto del rischio incendi, valori bassi di CIredEdge (es. < 2.0) indicano vegetazione stressata, con attività fotosintetica ridotta, spesso dovuta a stress idrico, senescenza, malattie o copertura rada. Queste condizioni favoriscono l'accumulo di biomassa secca, aumentando la suscettibilità all’innesco e alla propagazione del fuoco. L’analisi del 15 giugno 2025 ha mostrato valori di CIredEdge compresi tra circa 0.19 e 8.90. Applicando una classificazione tematica, l'area è stata suddivisa in quattro classi di rischio incendi: vegetazione molto sana, attiva, moderatamente attiva e vegetazione molto stressata.
2. L'indice NDLI (Normalized Difference Lignin Index), calcolato a partire dai dati imperspettrali del sensore EMIT acquisiti il 15 giugno 2025, stima il contenuto di lignina nella vegetazione. La lignina è un polimero strutturale presente nelle pareti cellulari delle piante, tipico di tessuti legnosi, secchi o senescenti. Un contenuto elevato di lignina è generalmente associato a materiale combustibile più secco e meno fotosinteticamente attivo.L’analisi del 15 giugno 2025 ha mostrato valori di NDLI compresi tra circa - 0.09 e 0.24. Applicando una classificazione tematica, l'area è stata suddivisa in quattro classi: vegetazione vigorosa, attiva, in transizione e secca o senescente.

• Citazione per prodotto EMIT: Green, R. (2022). EMIT L2A Estimated Surface Reflectance and Uncertainty and Masks 60 m V001 [Data set]. NASA Land Processes Distributed Active Archive Center. https://doi.org/10.5067/EMIT/EMITL2ARFL.001 Date Accessed: 2025-07-29 

• Ulteriori indici già applicati alla stagione 2024
  Rappresentazione del rischio incendi nelle aree agricole, con particolare riferimerimento alle pratiche di bruciatura delle stoppie di colture a seminativo. Utilizzando l'algoritmo ClassificationMapRegulation, il prodotto ha restituito tre categorie di rischio: alto, medio e basso.
  Il rischio è calcolato al 5 giugno 2024.
  - SPI (Standardized Precipitation Index) è l'indice di precipitazione standardizzato, sviluppato da McKee et al. (1993), utile nel calcolo delle medie stagionali su dati storici e descrive la probabilità di variazione rispetto alle precipitazioni normali su più anni di dati, su base mensile (o più mesi) e/o fase temporali. Nel caso di specie il calcolo è su base mensile e si riferisce al 30 luglio 2024. Una bassa probabilità di funzione cumulativa è indicativa all'evento di siccità. SPI può essere calcolato su diversi archi temporali e si avvale di uno specifico algoritmo di calcolo. E' possibile analizzare la variazione di pioggia rispetto ai dati storici di un arco temporale basato sui dati CHIRPS dal 1981).
  I satelliti della NASA utilizzati per il monitoraggio delle precipitazioni sono: TRMM (The Tropical Rainfall Measuring Mission) & GPM (The Global Precipitation Measurement Mission) combinati, costellazione IMERG (Integrated Multi-satellitE Retrievals for GPM).
  Reference: Guttman, N. B., 1999: Accepting the Standardized Precipitation Index: A calculation algorithm. J. Amer. Water Resour. Assoc.., 35(2), 311-322.
  - Gli indici di siccità (Drought Index - VCI) sono rappresentazione del deficit (e dell’eccesso) idrico rispetto ai dati storici. Elaborazione con GEE, da uno specifico script fornito dalla NASA, che ha restituito la mappa indicante la conseguente siccità per il mese di luglio 2024. All'interno di questo script i dati MODIS (satelliti Terra e Aqua) vengono utilizzati per calcolare l'indice delle condizioni della vegetazione (VCI) per un orario e un'area specifica ed è espresso in %. E' un indicatore dello stato della copertura vegetale in funzione dell'NDVI minimi e massimi riscontrati per un dato ecosistema nel corso di molti anni. Il VCI è un indice migliore rispetto all'NDVI, in quanto è un indicatore sul contenuto d'acqua in condizione di stress. I satelitti della NASA utilizzati per il monitoraggio della siccità: Landsat4-5-7-8-9, Terra e Aqua, Suomi National Polar Partnership (SNPP) e Joint Polar Satellite System (JPSS).
  - Calcolo indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2B / 15-LUG-2024 / MSI_Level-2A
  - Calcolo indice NDVI sulla quantità e la salute della vegetazione: Sentinel-2B / 15-LUG-2024 / MSI_Level-2A
  - Calcolo indice TVI (Transformer Vegetation Index) sulla biomassa stressata dalla siccità: Sentinel-2B / 15-LUG-2024 / MSI_Level-2A

Immagini satellitari Copernicus considerate: Sentinel-2B / 15-LUG-2024 / MSI_Level-2A 

Monitoraggio degli incendi (durante)

• L’Aerosol Index (AI) a 380 nm è un indice satellitare fornito in tempo quasi reale (Near Real Time, aggiornato quotidianamente latenza di circa 3 ore), dallo strumento OMPS (Ozone Mapping and Profiler Suite) a bordo del satellite polarorbitante NOAA-20, parte della costellazione JPSS (Joint Polar Satellite System) della NOAA e NASA. Ha una risoluzione spaziale è di circa 0.25° (circa 25 km al suolo) ed è utilizzato per misurare la presenza e la distribuzione degli aerosol assorbenti nell’atmosfera, come fumo prodotto da incendi boschivi, polveri desertiche trasportate da forti venti (es. Sahariane), cenere a seguito di eruzioni vulcaniche. La scala colori va dal bianco al giallo, sino al rosso scuro ed indica: cielo limpido, ottima visibilità; presenza moderata di aerosol, comune in aree urbane o umide; aerosol da attività umane, riduzione della visibilità; Inquinamento, fumo da incendi, eventi di trasporto di polveri; Aerosol denso da forti incendi, tempeste di sabbia ed eruzioni vulcaniche.

• Sentinel-5P Aerosol (AAI). Questo set di dati del satellite Sentinel-5P (Precursor) fornisce immagini ad alta risoluzione (1 km/px) quasi in tempo reale (nrt) dell'indice UV degli aerosol (UVAI), chiamato anche indice di assorbimento degli aerosol (AAI). Quando l'AAI è positivo, indica la presenza di aerosol che assorbono i raggi UV, come polvere e fumo. È utile per monitorare l'evoluzione delle pennacchi di aerosol episodici provenienti da tempeste di polvere, ceneri vulcaniche e combustione di biomassa anche in presenza di copertura nuvolosa. Le lunghezze d'onda utilizzate hanno un assorbimento di ozono molto basso, quindi, a differenza delle misurazioni dello spessore ottico degli aerosol, l'indice AAI può essere calcolato in presenza di nuvole. Il dataset è aggiornato periodicamente ed è utilizzato per il monitoraggio degli incendi (durante).

• Servizio FIRMS della NASA degli incendi in tempo "quasi reale".
  Il Fire Information for Resource Management System (FIRMS) distribuisce i dati sugli incendi attivi in ​​tempo quasi reale (NRT) dallo spettroradiometro a risoluzione moderata (MODIS) a bordo dei satelliti Aqua e Terra e dalla Visible Infrared Imaging Radiometer Suite (VIIRS) a bordo di Suomi-NPP, NOAA-20 e NOAA-21 (formalmente noto come JPSS-1). A livello globale questi dati sono disponibili entro 3 ore dall’osservazione satellitare, ma per gli Stati Uniti e il Canada i rilevamenti di incendi attivi sono disponibili in tempo reale. Per evitare dati artefatti, sono state create delle maschera per le anomalie termiche industriali rilevate dal sistema FIRMS, da non considerare nel monitoraggio degli incendi attivi.

• Servizio EUMETSAT sugli incendi in tempo quasi reale e sulla potenza radiativa del fuoco (FRP)

       (sperimentale ed al momento non attivo)

1. Prodotto di rilevamento attivo degli incendi che sfrutta il  canale SEVIRI IR3.9 del satellite Meteosat-12, molto sensibile ai punti caldi causati dagli incendi. L'algoritmo distingue tra incendio potenziale e incendio attivo. Il prodotto in formato CAP viene diffuso solo quando viene rilevato un incendio/potenziale incendio in un dato ciclo ripetuto. Lo strumento MSG SEVIRI presenta alcune limitazioni quando viene utilizzato per il rilevamento incendi, e questo potrebbe portare a una sottostima del pixel in caso di incendio effettivo. La gamma dinamica limitata del canale da 3,9 µm (335 K per SEVIRI), che non lo rende ideale per gli incendi ad alta temperatura.
2. Prodotto FRP (Fire Radiative Power) di NRT (Near Real Time) Sentinel-3A e 3B, che identifica la posizione e quantifica la potenza radiattiva di qualsiasi hotspot presente sulla superficie terrestre e marina che irradia un segnale di riscaldamento entro una dimensione di pixel di 1 km² nel punto sub-satellite. Tutti gli hotspot pericolosi vengono identificati e caratterizzati entro tre ore dal momento di rilevamento dell'osservazione SLSTR, sia di giorno che di notte.

Mappatura delle aree incendiate (dopo)

• Archivio hotspots (fire nrt) dal 30 giugno all'8 settembre 2024 da cui è possibile analizzare i dati sulla potenza radiativa del fuoco (FRP) sui possibili punti di innesco e/o propagazione degli incendi.
• Classificazione supervisionata (machine learning) indice relativizzato RBR (Relativized Burn Ratio). I dati rappresentano i risultati di un classificatore Random Forest addestrato per classificare l'indice RBR all'8 settembre 2024 in quattro categorie diverse, legate agli incendi in base alla loro gravità di ustione. Le classi identificate includono incendi ad alta gravità, incendi a media gravità, incendi a bassa gravità e aree non incendiate. La precisione complessiva del modello sui dati di test è del 95.88%.
• Calcolo dell'indice RBR (Relativized Burn Ratio), versione relativizzata dell'indice dNBR (difference Normalized Burn Ratio). L'indice restituisce il grado di ustione periodico delle aree incendiate e si ottiene dalla seguente formula:
  RBR = (NBR(pre_incendio)–NBR(post_incendio))/( NBR(pre_incendio)+1.001)
  Il valore di 1.001 al denominatore assicura che l’equazione non produca mai valori infiniti quando i valori di NBR pre-incendio tendono a zero nelle aree con bassa copertura vegetale o percorse da incendi.
  La scala cromatica utilizzata è quella proposta dall'USGS per la classificazione del livello di intensità delle aree percorse dal fuoco.
  

• Immagini satellitari Copernicus considerate:  Sentinel-2A / 30-GIU-2024 / MSI_Level-2A - Sentinel-2B / 20-LUG-2024 / MSI_Level-2A - Sentinel-2B / 20-LUG-2024 / MSI_Level-2A - Sentinel-2A / 08-SET-2024 / MSI_Level-2A - Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2B / 10-AGO-2023 / MSI_Level-2A - Sentinel-2B / 09-SET-2023 / MSI_Level-2A - Sentinel-2A / 04-OTT-2023 / MSI_Level-2A - Sentinel-2B / 15-AGO-2022 / MSI_Level-2A  -Sentinel-2B / 16-LUG-2022 / MSI_Level-2A  - Sentinel-1A IW Level-1 SLC Product / 30giu-12lug2023

Analisi rischio ondate di calore

• Calcolo della media della temperatura della superficie terrestre (LST su dati Landsat) finalizzata all'analisi del rischio di ondate di calore per le popolazioni.
• Centroidi comunali e calcolo della densità della popolazione per Kmq su dati ISTAT 2023.
• LST MODIS per 9 immagini (dal 18 luglio - 4 ottobre 2023) della temperatura superficiale terrestre durante il giorno con risoluzione di 1 km (in legenda °C - metadato Kelvin).
  Le immagini LST-MODIS del Vulture Alto Bradano (Basilicata) del 2023 sono state scaricate il giorno 3 febbraio 2024 da https://appeears.earthdatacloud.nasa.gov , gestita dal NASA EOSDIS Land Processes Distributed Active Archive Center (LP DAAC) presso l'USGS Earth Resources Observation and Science (EROS) Center, Sioux Cascate, Dakota del Sud. 2018, https://lpdaac.usgs.gov

• Calcolo dell'indice LST (Land Surface Temperature) della temperatura radiante della superficie terrestre per l'area del Vulture - Alto Bradano (Basilicata).

Immagine satellitare considerata per il 2022: Landsat-9 (USGS-NASA) OLI_TIRS_L1TP del 23-07-2022 con 1% di copertura nuvolosa.

 Immagine satellitare considerata per il 2023: Landsat-8 (USGS-NASA) OLI_TIRS_L1TP del 18-07-2023 con 1,5 % di copertura nuvolosa.

Procedimento calcolo indice LST da immagini Landsat con risoluzione 30 m/px:

1) calcolo della riflettanza TOA (Top of Atmosphere) con le bande rosso e vicino all'infrarosso;

2) calcolo TOA Brightness Temperature per la banda termica;

3) calcolo dell'indice NDVI (Normalized Difference Vegetation Index);

4) stima della proporzione vegetativa ed emissività della superficie terrestre;

5) calcolo indice LST (Land Surface Temperature);

6) classificazione semi-automatica supervisionata (Machine Learning)

Come può essere utile questo indice?

a) Microclima urbano: calcolo isole di calore per contrastare le ondate di caldo estive.

b) Agricoltura: studio dell'evapotraspirazione in ambito irriguo, monitoraggio delle condizioni del suolo.

c) Inquinamento o incidenti industriali: monitoraggio qualità delle acque e del suolo.

d) Incendi boschivi: aree a maggior rischio e valutazione/stima dei punti di innesco, comparazione con gli indici sulle aree percorse dal fuoco.

e) Geologia: monitoraggio geomorfologico, stima eventi franosi e terremoti.

f) Ingegneria idrologica: studio sul flusso delle acque.

Il progetto del calcolo dell'indice LST della Regione Basilicata è stato possibile grazie alla partecipazione al seminario "La GIScience per la mappatura del microclima urbano: le isole di calore a Padova" del 6 luglio 2022 organizzato dall'Università degli Studi di Padova in collaborazione con il Climate Justice Centre of Excellence Jean Monnet e l'associazione GIShub.

Serbatoi di carbonio

• Altezza della chioma vegetativa [di Lang, N., Jetz, W., Schindler, K., & Wegner, J. D. (2023). A high-resolution canopy height model of the Earth. Nature Ecology & Evolution, 1-12]: sviluppato un modello probabilistico di deep learning per recuperare l’altezza della sommità della chioma dalle immagini Sentinel-2. Questo modello, un insieme di reti neurali convoluzionali (CNN), è stato addestrato con supervisione sparsa utilizzando i dati sull'altezza della sommità della chioma derivati ​​dal LIDAR a forma d'onda completa GEDI della NASA (ovvero RH98 stimato da Lang et al., 2022 ). L'incertezza predittiva di queste stime dense è quantificata modellando sia l'incertezza dei dati (incertezza aleatoria) che l'incertezza del modello (incertezza epistemica). Il prodotto ETH Global Canopy Height 2020 viene fornito gratuitamente, con licenza licenza internazionale Creative Commons Attribution 4.0.

Tipologia delle coltivazioni (CLMS HRL 2021)

• Il prodotto raster High Resolution Layer Crop Types (CTY) fornisce una classificazione ad alta risoluzione dei tipi di coltura per 17 classi di colture, sia arabili che permanenti, nell'intera area EEA38. Utilizzando sia Sentinel-1 che Sentiel-2, il modello è ottimizzato per mappare innanzitutto i confini dei campi coltivati ​​e quindi determinare la coltura principale per ciascun campo. DOI: https://doi.org/10.2909/9db29b07-5968-4ce0-8351-1e356b3d7d47 E' un servizio messo a disposizione dal Copernicus Land Monitoring Service. DOI: https://doi.org/10.2909/9db29b07-5968-4ce0-8351-1e356b3d7d47

Progetto n.2

GeoMorphoGuard

(clicca sull'immagine)

In continuità nel fornire dati sempre più aggiornati sui rischi naturali e antropici causati dalla crisi climatica, nasce il secondo progetto dal nome GeoMorphoGuard, il servizio open data di monitoraggio e protezione delle aree a rischio idro-geomorfologico, attraverso l'utilizzo di prodotti DTM (con risoluzione a 5 m) messi a disposizione dal Geoportale RSDI della Regione Basilicata, di telerilevamento attivo Sentinel-1 (prodotti interferometrici e non) e di telerilevamento passivo Sentinel-2 del programma Copernicus.

I sempre più frequenti eventi meteorologicamente estremi richiedono un monitoraggio idro-geomorfologico del territorio a rischio. Si è optato nel proseguire il monitoraggio dell'area del Vulture - Alto Bradano (Nord Basilicata). A supporto delle attività di previsione e prevenzione si è proceduto all'analisi idrologica, al calcolo e analisi dello storico della aree inondate, all'elaborazione dei dati del PAI (Piano Assetto Idrogeologico) per UoM Regionale Puglia e UoM Regionale Basilicata.

In fase di implementazione l'elaborazione di dati inerenti l'umidità dei suoli, del cambiamento di biomassa, l'analisi idrologica, stima della coerenza interferometrica, la deformazione "relativa" e "assoluta" da cui la possibilità di calcolare gli spostamenti millimetrici del terreno al fine di ottenere una mappatura aggiornata delle modifiche del suolo. Integrati data set sulla classificazione supervisionata composito indice RBR e impronta urbana con relative differenze di dispersioni posteriori (back scatter).

Pericolo e rischio idro-geomorfologico (prima)

• Analisi idrologica di n.95 fogli DTM (Digital Terrain Model) dove sono state calcolate le reti o canali di drenaggio delle acque, i nodi idrici, la direzione delle piene e i bacini di drenaggio. Inoltre, sono state calcolate le curve di livello o isoipse (a 10 m), il rilievo ombreggiato, le pendenze e la rugosità dei suoli.
• Elaborate le "flooded areas" con uno specifico script del programma NASA-ARSET da immagini SAR Sentinel-1 del programma Copernicus, per gli annuali idrologici 2016, 2018, 2019, 2020 e 2021 della Protezione Civile della Regione Basilicata. Per il 2022 si è considerato un evento meteorologicamente estremo di marzo che ha colpito l'area tra Venosa e Palazzo San Gervasio, per il 2023 eventi piovosi significativi per il mese di giugno. Il prodotto finale ha restituito la mappatura delle aree inondate per pendenze dal 0 al 5%.
• Utilizzo del dataset WATER che rappresenta la presenza di acqua, generalmente derivata da un'analisi di altezza sopra il livello di drenaggio (come nel caso del HAND) combinata con altre variabili come la topografia, la pendenza, l'umidità e può essere utilizzato per indicare aree in cui si verifica l'accumulo d'acqua o aree inondate, potenzialmente in relazione a eventi di inondazione.
  Utilizzo del dataset HAND 30m (Height Above Nearest Drainage) che rappresenta l'altezza rispetto alla rete di drenaggio (corsi d'acqua) su un DEM (Digital Elevation Model). Questi valori sono utili per analizzare il rischio di inondazione o la potenziale esposizione a eventi di alluvione in relazione alla topografia del terreno.
  Donchyts, Gennadii, Hessel Winsemius, Jaap Schellekens, Tyler Erickson, Hongkai Gao, Hubert Savenije, and Nick van de Giesen. "Global 30m Height Above the Nearest Drainage (HAND)", Crediti: Donchyts, Gennadii, Hessel Winsemius, Jaap      Schellekens, Tyler Erickson, Hongkai Gao, Hubert          Savenije, and Nick van de Giesen. "Global 30m Height Above the Nearest Drainage (HAND)", Geophysical Research Abstracts, Vol. 18, EGU2016-17445-3, 2016, EGU General Assembly (2016).
• Calcolo differenza di apporto idrico e di umidità dei suoli annuale (gennaio 2018 - gennaio 2019) elaborato da due immagini satellitari SAR Sentinel-1 con polarizzazione VV (polarizzazione verticale del segnale emesso e ricevuto) dai cui backscatter (intensità di segnale) minore in presenza di acqua/umidità. Il prodotto interferometrico finale restituisce una immagine RGB da cui è possibile visualizzare la variazione di umidità dei suoli e le aree esondate rispetto all'anno precedente, in considerazione delle maggiori precipitazioni verificatesi nel mese di gennaio 2019 rispetto al 2018 dello stesso periodo.
• Classificazione non supervisionata dell'immagine interferometrica RGB (gennaio 2018 - gennaio 2019) con l'algoritmo KMeans-Classification per determinare pixel correlati delle aree inondate "flood mapping". L'utilizzo del machine learning ha restituito un prodotto utile alla previsione delle aree potenzialmente inondabili in caso di eventi meteorologicamente estremi.
• Calcolo dell'indice di umidità SAGA, simile all'indice di umidità topografica (TWI), di un bacino idrografico modificato (Modified Catchment Area) con DEM (Digital Elevation Model) prodotto da Sentinel-1A. Le celle situate nei fondovalle con una ridotta distanza verticale da un canale forniscono un'umidità potenziale del suolo più realistica e più elevata rispetto al TWI standard. Il calcolo di questo indice, grazie a specifici algoritmi SAGA, è utile alla previsione di aree potenzialmente inondabili in caso di eventi meteorologicamente estremi che, nella fattispecie, ha restituito n.5 (cinque) scenari attesi.
• Calcolo della subsidenza lenta con GEE (da uno specifico script) delle aree in subsidenza potenzialmente inondabili elaborate da 12 (dodici) immagini InSAR Sentinel-1 con arco temporale semestrale di 6 (sei) anni, dal 2019 al 2024 per i mesi di gennaio e luglio. Le aree sono state parametrate con la classificazione non supervisionata (machine learning) dell'immagine interferometrica RGB (gennaio 2018 - gennaio 2019) con restituzione delle aree umide.
• Calcolo dei moti franosi attivi (displacement_VV) del terreno su pendenze >15% da una coppia di immagini SAR Sentinel-1 del Programma Copernicus acquisite in modalità "descending" in banda C. Il processo si basa sulla tecnica Interferometrica SAR (InSAR), con particolare riferimento all'interferogramma differenziale (DInSAR) sensibile solo al movimento del terreno, che consente di misurare con precisione i movimenti superficiali lungo la linea di vista (LOS) del satellite e con valori di coerenza superiori a 0,8.
• Calcolo e analisi della deformazione/cambi (displacement_VV) superficiali del suolo "assoluta" (LOS) multi-temporale espressa in m (metri), con valori di coerenza > 0.8 da n. 7 coppie di immagini satellitari interferometriche (InSAR). Con valori di coerenza prossimi a 1 è possibile individuare le anomalie fornite dalle mappe di fase (differenza coppia immagini interferometriche). Valori negativi indicano allontanamento dal satellite (linea sensore-bersaglio), valori positivi avvicinamento. L'analisi ha riguardato l'area del Vulture Alto Bradano ed è un primo approccio per individuare possibili ed eventuali moti franosi.
• Change detection:
• Classificazione auto-supervisionata (machine learning) dei cambiamenti delle superfici con l'algoritmo KMeans-classification senza etichettatura manuale, ma automatizzata, utilizzando i cambiamenti evidenti nella differenza di backscatter nella banda di colore blu del composito RGB (impronta urbana e dei cambiamenti da immagini satellitari inSAR). Utilizzo di una mappa degli elementi geomorfologici, elaborata con il "machine vision" da DTM a 5 m. Estrazione del raster degli elementi geomorfologici utilizzando il layer della classificazione auto-supervisionata come maschera. Il prodotto finale ha restituito una mappa dei cambiamenti della superficie del suolo, tipico di aree instabili come una frana in movimento o forti modifiche nel uso del suolo.
• Calcolo e analisi multitemporale dell'indice NDWI (Normalized Difference Water Index) per individuare i cambiamenti dell'umidità dei suoli nelle aree percorse dal fuoco, nei bacini di drenaggio, nelle aree storicamente soggette a inondazioni.
• Calcolo e analisi multitemporale dell'indice NDVI (Normalized Difference Vegetation Index) per individuare i cambiamenti di biomassa agro-forestale (aree percorse dal fuoco, operazioni forestali, attività agricole).
• Classificazione supervisionata (machine learning) indice relativizzato RBR (Relativized Burn Ratio). I dati rappresentano i risultati di un classificatore Random Forest addestrato per classificare l'indice RBR per gli anni 2023 e 2024 in quattro categorie diverse, legate agli incendi in base alla loro gravità di ustione. Le classi identificate includono incendi ad alta gravità, incendi a media gravità, incendi a bassa gravità e aree non incendiate. La precisione complessiva del modello sui dati di test per il 2023 è del 93.14%, mentre per il 2024 è 95.88%.
• Elaborazione GEE con specifico script e classificazione da dataset di OpenLandMap (EnvirometriX Ltd - USDA) per argille e sabbie, basate sui valori di percentuale in peso. Contenuto di argilla e sabbie in % (kg/kg) a 6 profondità standard (0, 10, 30, 60, 100 e 200 cm) a 250 m di risoluzione, nel caso specifico la profondità considerata è 0. Citazione: Tomislav Hengl. (2018). Clay content in % (kg / kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (Version v02) [Data set]. 10.5281/zenodo.1476854 - https://doi.org/10.5281/zenodo.1476854 / Tomislav Hengl. (2018). Sand content in % (kg / kg) at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution (Version v02) [Data set]. 10.5281/zenodo.1476851 - DOI: https://doi.org/10.5281/zenodo.1476851
• Calcolo dell'impronta urbana da immagini inSAR, con arco temporale di cinque anni, per l'individuazione dei cambiamenti in base alle immagini di ampiezza e alla stima della coerenza interferometrica. Nella rappresentazione del composito RGB (non presente sul WebGIS, ma disponibile su richiesta), il canale della banda di colore rosso indica la coerenza, il verde la media del back scatter (dispersione posteriore) e il blu la differenza. I singoli canali di banda possono essere interpretati in base alla coerenza e alla dispersione, per individuare cambiamenti in aree urbane e periurbane, agricole, forestali e industriali. Utilissimo per un confronto con le carte dell'uso del suolo anche ai fini di un loro aggiornamento. Di seguito la gradazione di colore al fine dell'interpretazione dei  cambiamenti della superficie del suolo ed in particolare di ipotetici moti franosi attivi:
• Blu: Cambiamenti evidenti e sostanziali nel backscatter, che è tipico di superfici instabili come una frana in movimento.
• Magenta: Indica zone con alta coerenza, ma con significative variazioni superficiali. Una frana potrebbe mostrare cambiamenti strutturali rilevanti in queste zone.

Immagini satellitari Copernicus considerate: Sentinel-1B IW Level-1 GRD Product / 27sett2016 - Sentinel-1A IW Level-1 GRD Product / 26gen2018  - Sentinel-1A IW Level-1 GRD Product / 27mar2018 - Sentinel-1B IW Level-1 SLC Product / Descending / 22dic2018 - Sentinel-1B IW Level-1 GRD Product / 27gen2019 - Sentinel-1B IW Level-1 GRD Product / 10gen2020 - Sentinel-1B IW Level-1 GRD Product / 28gen2021 - Sentinel-1A IW Level-1 GRD Product / 06mar2022 - Sentinel-1A IW Level-1 GRD Product / 17giu2023  - Sentinel-2B / 11lug2023 / MSI_Level-2A - Sentinel-2B / 9set2023 MSI_Level-2A - Sentinel-2A / 4ott2023 / MSI_Level-2A - Sentinel-1A IW Level-1 SLC Product / 28ago2023 - Sentinel-1A IW Level-1 SLC Product / 09sett2023 -Sentinel-1A IW Level-1 SLC Product  / 21sett2023 - Sentinel-1A IW Level-1 SLC Product / 03ott2023 - Sentinel-1A IW Level-1 SLC Product / 15ott2023 - Sentinel-1A IW Level-1 SLC Product /27ott2023 -  Sentinel-1A IW Level-1 SLC Product / 08nov2023 - Sentinel-1A IW Level-1 SLC Product /20nov2023 - Sentinel-1A IW Level-1 SLC Product / Descending / 14dic2023 -  Sentinel-2A / 30giu2024 / MSI_Level-2A  - Sentinel-2A / 08set2024 / MSI_Level-2A  - Sentinel-1A IW Level-1 SLC Product / Descending / 09ott2024 - Sentinel-1A IW Level-1 SLC Product / Descending / 14nov2024

Progetto n.3

SiccITàLY

(clicca sull'immagine)

Gli indici di siccità sono rappresentazioni del deficit (e dell’eccesso) idrico rispetto ai dati storici.

Il terzo progetto dal nome SicciITàLY è stato pensato e sviluppato con GEE (Google Earth Engine), da uno specifico script fornito dal programma NASA-ARSET. Il nuovo servizio open data vuole contribuire nell'aiutare le autorità governative nel prendere decisioni sulla gestione consapevole della risorsa idrica come risposta agli eventi siccitosi, analizzare la frequenza del fenomeno, la gravità e durata per una determinata area e periodo.

Monitoraggio, previsione e proiezione della siccità utilizzando i dati del sistema terrestre della NASA

• La siccità agricola espressa in n.5 scale (estrema, severa, moderata, leggera e assente). La mappa restituisce l'indice di siccità rispetto ai dati storici da luglio a dicembre 2024 e da gennaio a luglio 2025, mentre il mese luglio 2003 come dato storico, con risoluzione a 250 m/pixel. Con uno specifico script (in GEE) i dati MODIS (satelliti Terra e Aqua) vengono utilizzati per calcolare l'indice delle condizioni della vegetazione (VCI) per un orario e un'area specifica ed è espresso in %. E' un indicatore sullo stato della copertura vegetale in funzione dell'NDVI minimi e massimi riscontrati per un dato ecosistema nel corso di molti anni. Il VCI è un indice migliore rispetto all'NDVI, in quanto è un indicatore sul contenuto d'acqua in condizione di stress. I satelliti della NASA utilizzati per il monitoraggio della siccità: Landsat4-5-7-8-9, Terra e Aqua, Suomi National Polar Partnership (SNPP) e Joint Polar Satellite System (JPSS).

• La siccità meteorologica con l'indice SPI (Standardized Precipitation Index) di precipitazione standardizzato, sviluppato da McKee et al. (1993), utile nel calcolo delle medie stagionali su dati storici e descrive la probabilità di variazione rispetto alle precipitazioni normali su più anni di dati, su base mensile (o più mesi) e/o fase temporali. Una bassa probabilità di funzione cumulativa è indicativa all'evento di siccità. SPI può essere calcolato su diversi archi temporali e si avvale di uno specifico algoritmo di calcolo. La seguente elaborazione restituisce la media SPI da maggio a dicembre 2024 e da gennaio a luglio 2025, con risoluzione a 5550 m/pixel all'equatore, dove è possibile analizzare la variazione di pioggia rispetto ai dati storici di uno specifico arco temporale (serie temporale SPI-1 e di precipitazioni a 1 mese entrambi basati sui dati CHIRPS dal 1981). I satelliti della NASA utilizzati per il monitoraggio delle precipitazioni sono: TRMM (The Tropical Rainfall Measuring Mission) & GPM (The Global Precipitation Measurement Mission) combinati, costellazione IMERG (Integrated Multi-satellitE Retrievals for GPM).

• Calcolo dell'evapotraspirazione mensile con il prodotto MOD16A2 Versione 6.1 - del programma MODIS dei satelliti Terra e Aqua della NASA - Evapotranspiration/Latent Heat Flux. E' un prodotto composito di 8 giorni con una risoluzione pixel di 500 metri. L'algoritmo utilizzato per la raccolta di dati MOD16 si basa sulla logica dell'equazione Penman-Monteith, che include input di dati di rianalisi meteorologica giornaliera insieme a prodotti di dati MODIS rilevati da remoto come dinamiche delle proprietà della vegetazione, albedo e copertura del suolo. I pixel rappresentano due strati principali: ET (Evapotraspirazione totale) e PET (Evapotraspirazione potenziale) e sono la somma dell'evapotraspirazione i tutti gli 8 giorni. Il prodotto include anche il flusso di calore latente: LE (Latent Heat Flux) e PLE (Potential Latent Heat Flux) che rappresentano l'energia necessaria per la fase di transizione dell'acqua (ad es. da liquido a vapore) e sono calcolati come media dei valori giornalieri nel periodo composito degli 8 giorni.

• Analisi dell'umidità del suolo superficiale con il prodotto SMAP SPL4SMGP Versione 7 derivato dal radiometro  a bordo del satellite SMAP (Soil Moisture Active Passive) della NASA. SMAP livello 4 include l'umidità superficiale del suolo (media verticale da 0 a 5 cm) e l'umidità dell'apparato radicale (da 0 a 100 cm), ma anche prodotti non convalidati, tra cui variabili di forzatura meteorologica, temperatura del suolo, evapotraspirazione e radiazione netta. I dati della temperatura della luminosità della banda L di SMAP provenienti dai satelliti (ascendenti e discendenti) vengono assimilati in un modello di griglia con proiezione EASE-Grid 2.0 dalla risoluzione di 9 km.
  

• La proiezione al 2050 delle precipitazioni medie annuali (mm/day) dai modelli climatici sviluppati dal NASA GDDP (Global Daily Downscaled Projections), CMIP6 con risoluzione della griglia di 25 km. Essi racchiudono proiezioni storiche e future "downscaled" dal 1950 al 2100 basate su una serie di "fasi" di otto variabili del Climate Model Intercomparison Project (CMIP6).

• La proiezione al 2050 della differenza delle precipitazioni medie annuali (mm/day) dai modelli climatici sviluppati dal NASA GDDP (Global Daily Downscaled Projections), CMIP6. Essi racchiudono proiezioni storiche e future "downscaled" dal 1950 al 2100 basate su una serie di "fasi" di otto variabili del Climate Model Intercomparison Project (CMIP6).

• La proiezione al 2050 della temperatura atmosferica media annuale (Kelvin) in prossimità della superficie terrestre dai modelli climatici sviluppati dal NASA GDDP (Global Daily Downscaled Projections), CMIP6 con risoluzione della griglia di 25 km. Essi racchiudono proiezioni storiche e future "downscaled" dal 1950 al 2100 basate su una serie di "fasi" di otto variabili del Climate Model Intercomparison Project (CMIP6).

• La proiezione al 2050 della differenza di temperatura atmosferica in prossimità della superficie terrestre (°C) dai modelli climatici sviluppati dal NASA GDDP (Global Daily Downscaled Projections), CMIP6. Essi racchiudono proiezioni storiche e future "downscaled" dal 1950 al 2100 basate su una serie di "fasi" di otto variabili del Climate Model Intercomparison Project (CMIP6).

Crediti:

NASA-ARSET https://appliedsciences.nasa.gov/get-involved/training/english/arset-drought-monitoring-prediction-and-projection-using-nasa-earth

NASA Global Daily Downscaled Projections, CMIP6 https://www.nature.com/articles/s41597-022-01393-4

Recommended Practice: Drought monitoring using the Standardized Precipitation Index (SPI) https://www.un-spider.org/advisory-support/recommended-practices/recommended-practice-drought-monitoring-spi

https://developers.google.com/earth-engine/datasets/catalog/MODIS_061_MOD16A2

https://developers.google.com/earth-engine/datasets/catalog/NASA_SMAP_SPL4SMGP_007

work in progress...