La ricerca pubblicata sulla rivista Remote Sensing confronta e valuta diversi approcci di machine learning, addestrati con spettri generati dal modello di trasferimento radiativo PROSAIL e con dati satellitari multispettrali Sentinel-2, per stimare le principali variabili biofisiche (LAI, clorofilla, FAPAR) che caratterizzano le colture di grano su due aree di test, una in Italia ed una in Cina, di grande interesse agricolo ed ambientale.
Una stima quantitativa delle variabili biofisiche è di importanza cruciale in diverse applicazioni in Agricoltura ed Ecologia. Tali variabili includono l'indice di area fogliare (LAI), il contenuto fogliare di clorofilla (LCC), la frazione di radiazione fotosinteticamente attiva assorbita dalla canopy della pianta (FAPAR), la frazione di copertura vegetata (FVC) ed il contenuto di clorofilla della canopy (CCC). La loro conoscenza a livello quantitativo è molto importante nell’ambito dell'agricoltura di precisione e per una stima accurata della resa e per la riduzione dell’utilizzo di fertilizzanti. Nell’ultimo decennio sono stati condotti molti studi sulle variabili biofisiche stimate mediante dati satellitari ottici multispettrali con sviluppi significativi nello sviluppo di algoritmi. Si è passati da approcci di tipo empirico ad approcci fisicamente basati, come è stato realizzato in questo studio. In questo contesto, dei ricercatori del CNR-IMAA e dell’Università della Tuscia di Viterbo, hanno svolto una attività di ricerca in collaborazione con ricercatori provenienti da autorevoli istituzioni cinesi (Chinese Academy of Sciences, Beijing e Hangzhou Dianzi University).
La ricerca è stata pubblicata sulla rivista internazionale Remote Sensing, e si è occupata di testare e validare diversi algoritmi di machine learning per la stima quantitativa di variabili biofisiche utilizzando dati satellitari Sentinel-2 e confrontando il potenziale di questi algoritmi con altri implementati operativamente da ESA (Agenzia Spaziale Europea). Gli obiettivi principali di questo studio sono stati: (1) il confronto delle prestazioni dei diversi MLRA, in particolare rispetto all'algoritmo basato su NN implementato da ESA, utilizzando lo stesso database di simulazioni PROSAIL; (2) la valutazione dell'accuratezza della stima delle variabili biofisiche (LAI, LCC, FAPAR, CCC e FVC) della coltura del grano, per algoritmi di stima ibridi MLRA basati su kernel (GPR) e non basati su kernel; (3) l’analisi della fattibilità e il potenziale dell'uso delle strategie AL (simulazioni PROSAIL) per ridurre al minimo il tempo e la complessità computazionale e consentire l'uso di algoritmi di MLRA molto esigenti da questo punto di vista.
In Figura 1 è mostrato il diagramma di flusso della metodologia utilizzata per il presente studio. Mentre nelle Figure 2 e 3 vengono rappresentati i risultati ottenuti sui due siti di test in Italia e in Cina con le migliori prestazioni ottenute ed i relativi errori per la stima di (a) LAI, (b) LCC, (c) FVC, (d) FAPAR, per il grano. Le barre di errore orizzontali rappresentano la deviazione standard delle misurazioni all'interno di ciascuna unità (ESU)
È da sottolineare l’importanza di questo studio perché in letteratura non si hanno studi a riguardo della quantificazione rigorosa dell’incertezza fornita per i diversi algoritmi testati e del loro impatto sulla stima delle diverse variabili biofisiche utilizzando dati satellitari multispettrali ottici (disponibili gratuitamente ogni 5 giorni sullo stesso sito).
Per informazioni
Simone Pascucci, CNR-IMAA, Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.
Stefano Pignatti, CNR-IMAA, Questo indirizzo email è protetto dagli spambots. È necessario abilitare JavaScript per vederlo.
Approfondimenti
Upreti, D., Huang, W., Kong, W., Pascucci, S., Pignatti, S., Zhou, X., ... & Casa, R. (2019). A comparison of hybrid machine learning algorithms for the retrieval of wheat biophysical variables from sentinel-2. Remote Sensing, 11(5), 481.
Figura 1. Diagramma di flusso della metodologia utilizzata per il presente studio. Stima di variabili biofisiche: Indice di area fogliare (LAI), contenuto di clorofilla fogliare (LCC), frazione di copertura vegetale (FVC), frazione di radiazione fotosinteticamente attiva assorbita (FAPAR) e contenuto di clorofilla della canopy (CCC). L'RTM è stato utilizzato per addestrare gli algoritmi di apprendimento automatico (MLRA), inclusa la Gaussian Process Regression (GPR) utilizzando l’Active Learning (AL). La accuratezza è stata valutata utilizzando l'errore quadratico medio (RMSE) ed il relativo RRMSE.
Figura 2. Algoritmi con le migliori prestazioni per la stima di (a) LAI, (b) LCC, (c) FVC, (d) FAPAR, per il grano sul sito di test di Maccarese (Roma). Le barre di errore orizzontali rappresentano la deviazione standard delle misurazioni all'interno di ciascuna unità (ESU). Le barre di errore verticali rappresentano l’errore stimato usando GPR per FVC (c).
Figura 3. Algoritmi con le migliori prestazioni per la stima di (a) LAI, (b) LCC, (c) FVC, (d) CCC, per il grano sul sito di test di Shunyi (Cina). Le barre di errore orizzontali per LCC rappresentano la deviazione standard delle misurazioni all'interno di ciascuna unità (ESU) della clorofilla.
