Droni e camere multispettrali nel Monitoraggio della Salute Forestale (FHM)

Gestori forestali, pubblici e privati, si trovano sempre più spesso a dover affrontare l'impatto di disturbi biotici ed abiotici sui propri soprassuoli. Per questo diventa importante implementare sistemi di Monitoraggio della Salute Forestale che identifichino prontamente eventuali problematiche, permettendo interventi tempestivi di mitigazione.

Il Forest Health Monitoring (FHM), o Monitoraggio della Salute Forestale, è un processo volto a valutare lo stato di salute degli ecosistemi forestali (Trumbore et al. 2015). Questo monitoraggio coinvolge l'osservazione e la registrazione di vari indicatori, come il grado di defoliazione, la presenza di malattie o parassiti, e altri segni di stress. L'obiettivo principale del FHM è rilevare tempestivamente eventuali cambiamenti nella salute delle foreste al fine di prendere provvedimenti per mitigare i danni e preservare la salute degli ecosistemi forestali (Ecke et al. 2022).
Instituire sistemi di FHM è particolarmente rilevante in un contesto di cambiamento climatico, dove la vegetazione subisce sempre più spesso effetti di stress con perdita di attività fotosintetica (Puletti et al. 2019), e dove eventi estremi come incendi e infestazioni di insetti (Kautz et al. 2024) e patogeni di altra natura sono sempre più impattanti. È diventato, quindi sempre più importante ed essenziale per ogni gestore forestale sia pubblico che privato istituire sistemi di monitoraggio FHM al fine di poter mitigare eventuali problematiche sui soprassuoli, cercando di intervenire prontamente.
Nel contesto italiano, ma anche europeo, il monitoraggio in situ della salute delle foreste è stato effettuato per diversi decenni sia a livello locale, che regionale e globale, attraverso l’utilizzo di indicatori standard basati su rilievi di campo effettuati da parte di personale addestrato che identificano per esempio il grado di defoliazione della chioma (Canullo et al. 2012). Queste reti di monitoraggio forniscono un quadro standardizzato per la valutazione dello stato di salute delle foreste; tuttavia, in un limitato numero di punti, che consente di avere un monitoraggio a scala nazionale, ma che non è coerente con le esigenze dei gestori forestali.
I rilievi classici in situ, condotti da operatori, inoltre presentano un alto grado di incertezza poiché la qualità dipende dall'esperienza e dalla percezione soggettiva degli osservatori. Per questo, sono necessari corsi specifici per poter procedere ai rilievi in maniera standardizzata e ottimale. Inoltre, questo tipo di rilievi risultano complessi logisticamente e costosi sia in termini di tempo che di manodopera. Ciò li rende fattibili solo a scala di plot o di singole particelle. Per questo motivo, il telerilevamento (RS) si è affermato come parte del FHM, consentendo l'acquisizione di indicatori di salute forestale in modo obiettivo, quantitativo e ripetitivo a diverse scale spaziali (Lambert et al. 2013; Ecke et al. 2024).

Alternative al monitoraggio in situ

In questo contesto, il telerilevamento basato su satelliti domina ancora la ricerca e l’applicabilità nel settore del FHM. Infatti, i dati di immagini multispettrali pubblicamente accessibili come Landsat, MODIS e Sentinel-2, consentono di istituire su ampie aree sistemi di monitoraggio, grazie alla risoluzione temporale e spaziale che il più delle volte è sufficiente ad identificare i disturbi (Francini e Chirici 2022). Tuttavia, come evidenziato da alcune ricerche, i satelliti possono presentare delle difficoltà nel monitoraggio dovuto per esempio alla copertura nuvolosa (Giannetti et al. 2021) che può impedire la vista di porzioni di foresta, e rendere l’istituzione di sistemi di allerta precoce in alcuni contesti come quelli montani delle alpi e dell’appennino. Una soluzione a queste problematiche, per esempio, sono gli aerei con equipaggio che possono volare sotto la copertura nuvolosa (Ecke et al. 2024). Tuttavia, nella pratica, visti gli alti costi e le limitazioni logistiche, questi supporti non vengono utilizzati, se non annualmente o con cadenza pluriennale su grandi superfici. Questo li rende di fatto, non congrui all’identificazione precoce degli stress (Ecke et al. 2024).
È in questa nicchia che gli UAV (Unmanned Aerial Vehicle) hanno trovano un crescente utilizzo, non come concorrenti ma come tecnologia complementare alle piattaforme tradizionali di osservazione della Terra (Ecke et al. 2024). Anche nell’ambito del Gruppo Operativo EIP-AGRI GO-SURF, in regione Toscana, droni dotati di camere multispettrali sono stati utilizzati per mappare gli stress ai soprassuoli forestali. Il GO-SURF SURF – “Sistema di SUppoRto decisionale alla pianificazione Forestale sostenibile” – infatti ha lavorato per sviluppare un Sistema di Supporto Decisionale (SSD) innovativo per la gestione forestale sostenibile, utilizzando anche varie tecnologie in alcune aree pilota in modo tale da fornire ai proprietari e tecnici forestali informazioni utili alla gestione con un approccio basato sulla precision forestry (Giannetti et al. 2023).
Gli UAV, rispetto ai satelliti e agli aerei, coprono aree più ristrette ma sono insuperabili per risoluzione spaziale che può arrivare a Ground Sampling Distance dell’ordine dei cm. Inoltre, sono molto efficienti in termini di costi, flessibilità e soprattutto tempi di rivisita che possono essere frequenti poiché dipendono soltanto dall’operatore.
L’area che può essere coperta con questi velivoli varia da 1 ha a diversi km² in un singolo volo. La copertura è influenzata soprattutto del tipo di UAV, dalla tecnologia di propulsione, dal tipo di fotocamera, dal tipo di terreno e dall’accessibilità dell’area. Anche le normative sul funzionamento degli UAV devono essere considerate come fattore limitante alla copertura. Tuttavia, il nuovo regolamento Europeo identifica la possibilità di volare ad una quota di 120 m sopra il livello del terreno con una distanza di buffer di 500 m che permette di coprire tranquillamente con i droni più performanti anche 10-20 ha con un unico volo.
Oltre alla tipologia di drone, ciò che fa la differenza nell’istituire un sistema di FHM è il sensore che il drone può trasportare a bordo. Negli ultimi tempi, sono diventate disponibili sul mercato numerose nuove camere multispettrali. Queste camere, grazie alla loro capacità di acquisire diverse lunghezze d’onda dello spettro elettromagnetico, possono essere utilizzate per mappare vari tipi di stress forestale (Barzagli et al. 2018; Zhang et al. 2019; Ecke et al. 2022).
Tuttavia, la varietà di camere disponibile sul mercato e i vari indici di vegetazione che si possono derivare da queste, rende difficile orientarsi in un panorama di ricerca e avanzamento tecnico costante. Per questo motivo, il presente articolo mira a fornire un quadro conoscitivo sugli indici di vegetazione utili a mappare gli stress della vegetazione forestale, fornire un quadro su alcune delle camere disponibili sul mercato e sulle tecniche di elaborazione più semplici o promettenti, basandosi sui risultati del progetto GO-SURF e ponendo attenziona anche alla letteratura internazionale, al fine di offrire informazioni utili ai tecnici impegnati nei monitoraggi forestali.

Camere multispettrali

Le camere multispettrali sono dispositivi di imaging avanzati che catturano informazioni visive su diverse bande dello spettro elettromagnetico. Queste bande possono includere il visibile (rosso, verde, blu-RGB) e l’infrarosso (NIR), ed in alcuni casi il vicino infrarosso (Red-Edge). Utilizzando queste diverse lunghezze d'onda, le camere multispettrali forniscono dati dettagliati che possono essere utilizzati per analizzare vari aspetti della vegetazione e del suolo forestale; in particolare, grazie alla possibilità di acquisire informazioni nell’infrarosso è possibile indagare l’attività fotosintetica delle piante e quindi valutare la salute degli alberi, evidenziare la presenza di malattie o altri tipi di stress. Al pari delle camere RGB possono essere utilizzate per acquisizioni fotogrammetriche che consentono di derivare non solo dati 2D (ortomosaico multispettrale), ma anche per derivare dati 3D come nuvole di punti e DSM utili per l’analisi della struttura forestale (Barzagli et al. 2018; Giannetti et al. 2020).
Tuttavia, il loro principale vantaggio, come già riportato in precedenza, è la possibilità che queste camere hanno di catturare immagini in diverse lunghezze d'onda dello spettro elettromagnetico, permettendo agli operatori di distinguere variazioni nel contenuto di clorofilla nella vegetazione che possono indicare prontamente la presenza di uno stress, di malattie o la presenza di patogeni. Infatti, grazie alla possibilità di acquisire informazioni a diversa lunghezza d’onda possono essere facilmente utilizzate per derivare diversi indici di vegetazione attraverso semplici operazioni matematiche tra le immagini delle diverse bande, tramite anche i normali applicativi GIS come QField attraverso le funzioni del calcolatore raster.

Indici di vegetazione

Tra gli indici di vegetazione che possono essere calcolati riportiamo quelli in tabella 1 che risultano essere i più promettenti per il monitoraggio degli stress in ambiente forestale e che possono essere calcolati con le camere attualmente in commercio.

Tabella 1 - Indici di vegetazione utili al monitoraggio forestale che possono essere calcolati con camere multispettrali.

L'NDVI è, forse, l’indice più utilizzato per monitorare la salute delle piante; tuttavia, la sua saturazione a volte non aiuta ad individuare gli stress precocemente in foresta. L’indice, si basa sul fatto che la clorofilla nelle piante vive riflette fortemente la luce nel vicino infrarosso (NIR) e assorbe la luce rossa, quindi valori alti di NDVI, vicino a 1, indicano vegetazione densa e sana, mentre valori bassi sotto 0.7 suggeriscono stress o, sotto 0.6, morte delle piante.
Secondo però l’esperienza del GO-SURF e l’analisi della bibliografia anche nel contesto della pioppicoltura (Chianucci et al. 2021), l’NDVI risulta forse l’indice meno accurato per l’individuazione degli stress. In particolare, il GNDVI risulta molto più sensibile all’allerta precoce. Questo indice è molto simile all'NDVI, in quanto si tratta di un indice normalizzato, ciò che lo differenzia è il fatto di utilizzare nella normalizzazione con la banda del NIR la banda verde invece della rossa. Questo lo rende utile per monitorare piante con alta densità di foglie o per identificare stress idrico, rendendo possibile anche un’allerta precoce (Raddi et al. 2021). Per la valutazione del contenuto di clorofilla, invece, l’LCI è molto sensibile alla clorofilla presente nelle foglie (Gallardo-Salazar et al. 2023). La clorofilla assorbe fortemente la luce rossa e riflette la luce nel Red-Edge, questo rende questo indice utile alla stima anche diretta del contenuto di clorofilla, come indicatore della capacità fotosintetica della pianta. Allo stesso modo il CIRE che però risulta ancora più correlato anche allo stato nutrizionale delle piante (Kleinsmann et al. 2023).
Per l’identificazione dello stress delle piante anche in porzioni di chioma, l’NDRE è particolarmente utile. Infatti, il Red Edge è molto sensibile ai cambiamenti nella struttura della foglia e al contenuto di clorofilla e consente di individuare piccole variazioni (Minařík R e Langhammer 2016). Inoltre, è utile per identificare piante che potrebbero essere affette da malattie o carenze nutrizionali prima che questi problemi siano visibili ad occhio nudo. Il MCARI è invece progettato per essere meno sensibile alle variazioni del suolo, e migliora la capacità di rilevare lo stress delle piante in ambienti eterogenei, dove si hanno anche porzioni di suolo scoperto (Zou et al. 2019). Per la valutazione invece dell’attività della fotosintesi e dell'attività vegetativa, l'EVI migliora la sensibilità nelle aree di alta densità vegetativa e riduce le interferenze atmosferiche e del suolo rispetto all'NDVI. Mentre, il VARI può essere utilizzato per monitorare la vegetazione utilizzando solo le bande visibili, rendendolo utile in condizioni in cui le bande NIR non sono disponibili come quello delle camere RGB.

Droni e camere multispettrali in commercio

Tra i droni che nascono con sensore multispettrale integrato, DJI Mavic 3M combina una fotocamera RGB da 20 MP e 4 fotocamere multispettrali da 5 MP che acquisiscono nelle bande del verde (560nm±16nm), rosso (650nm±16nm), Red-Edge (730±16nm), e NIR (860nm±26 nm) e sensore di luce integrato, che consente di catturare l’irradianza solare, utile in fase di post-processing per la compensazione di eventuali “sbalzi” di luce nelle immagini. L’autonomia di volo dichiarata dal produttore è di 43 minuti con una copertura per volo di 2 km². Il drone è in commercio anche con modulo RTK che permette la georeferenziazione del rilievo con alta precisione.
Tra i droni DJI con sensore integrato anche il P4 Multispectral è dotato di 6 diverse camere da 2,08 MP: una fotocamera RGB e cinque fotocamere multispettrali che acquisiscono nelle bande del blu (450 ±16nm), verde (560 ±16nm), rosso (650±16nm), Red-Edge (730±16nm) e vicino-infrarosso (840±26nm). Anche questo drone è dotato di sensore di luce e di modulo RTK. Il produttore dichiara una autonomia di volo di 27 minuti ed una operatività massima per singolo volo di 0.63 km². In un recente studio in Germania (Ecke et al. 2024) questo drone è stato utilizzato per acquisire immagini multispettrali ad alta risoluzione di 235 diverse aree di monitoraggio forestale di larga scala (ICP Level-I plots) distribuite in Baviera per un tempo di monitoraggio di tre anni (2020-2022). Nonostante, sia stato utilizzato un dataset eterogeno poiché acquisito nel tempo, con diverse condizioni meteorologiche e di illuminazione, in foreste caratterizzate da una diversa composizione e distribuite in un ampia area di studio, l’articolo evidenzia come sia stato possibile classificare cinque specie di alberi, a livello di genere, gli alberi morti e lo stato di salute delle principali specie di alberi presenti per un totale di 14 diverse classi, utilizzando l'architettura EfficientNet CNN. Questa metodologia di monitoraggio, inoltre, ha ridotto significativamente i costi e i tempi di acquisizione in campo, consentendo anche una standardizzazione del dato.
Tra le camere che invece si possono montare su diversi tipi di droni, tra cui per esempio DJI Matrice 300, Wingtra One Gen II (Figura 1), senseFly eBeeX, la MicaSense RedEdge-MX (Figura 2) è tra le più efficienti ma anche tra le più costose. Questa camera può catturare immagini nelle bande blu (475 nm ± 20 nm), verde (560 nm ± 20 nm), rosso (668 nm ± 10 nm), Red-Edge (717 nm ± 10 nm) e vicino-infrarosso (840 nm ± 40 nm) ed offre una precisione e una coerenza spettrale elevate, rendendola ideale per l'analisi della vegetazione forestale (Figura 3). La camera è dotata di un sensore di luce e di un pannello di riflettanza per la sua calibrazione che deve essere acquisito nel momento di decollo e atterraggio del drone.

Figura 1 - drone Wingtra One Gen II con camera multispettrale.

Figura 2 - Camera Micasense RedEdge-RX con pannello di riflettanza.

Figura 3 - Immagine multispettrale acquisita con drone camera Micasense RedEdge-MX a sinistra visione nelle bande RedEdge-Rosso-Verde, a destra calcolo dell'indice NDVI sulla stessa immagine.

Utilizzo dei superpixel per l’identificazione degli stress

La camera MicaSense RedEdge-MX è stata testata anche nell’ambito del progetto GO-SURF in cui è stata impiegata per l’acquisizione di diverse aree in Toscana attraverso l’utilizzo del drone Wingtra One Gen II. L’elaborazione delle immagini ha permesso attraverso tecniche di segmentazione basate sul “Simple Linear Iterative Clustering (SLIC)” (Achanta et al. 2012) di individuare le piante morte e deperimenti attraverso l’identificazione di soglie di stress.  Lo SLIC è un algoritmo utilizzato per la segmentazione delle immagini, in particolare per creare i cosiddetti “superpixel”.
I superpixel sono gruppi di pixel contigui con caratteristiche simili, che semplificano l'analisi dell'immagine riducendo il numero di elementi da considerare, pur mantenendo la maggior parte delle informazioni rilevanti. Nello specifico, nell’ambito del progetto GO-SURF le immagini multispettrali acquisite sono state elaborate con software fotogrammetico Metashape Agisoft al fine di generare un ortomosaico a diverse bande [blu (475 nm ± 20 nm), verde (560 nm ± 20 nm), rosso (668 nm ± 10 nm), Red-Edge (717 nm ± 10 nm), vicino-infrarosso (840 nm ± 40 nm)].
Le immagini importate nel software R-Cran utilizzando vari pacchetti di processamento, sono state utilizzate per inizializzare l’algoritmo. Durante l’inizializzazione l'algoritmo identifica con una distribuzione uniforme i centri di superpixel sull'immagine. Dopo questo processo, ogni pixel dell’immagine viene assegnato al superpixel il cui centro è più vicino in termini di distanza combinata (spazio e colore). La distanza combinata tiene conto sia delle coordinate spaziali dei pixel che dei valori di colore identificati nell’immagine (spazio CIELAB). L’algoritmo procede iterativamente fino ad individuare e segmentare le singole chiome. È possibile utilizzare questo algoritmo anche attraverso software Desktop come SAGA GIS. Dai diversi test effettuati nell’ambito del progetto GO-SURF si è individuato che la segmentazione in ambiente forestale funziona molto bene anche utilizzando soltanto la banda del Red-Edge e non bande multiple. Infatti, questa banda sembra essere la più sensibile all’individuazione delle singole chiome, o porzioni di chioma caratterizzate da attività fotosintetica simile. Il metodo di segmentazione riduce i tempi rispetto a metodi complessi e rileva accuratamente le singole chiome, o porzioni di chioma con attività fotosintetica diversa, come ad esempio quelle morte o deperenti. Tuttavia, per arrivare al passaggio di classificazione in diverse classi di decadimento (porzione di chioma morta, porzione di chioma deperente, porzione di chioma viva) è necessario estrarre sui poligoni che vengono generati dallo SLIC gli indici di vegetazione sui quali calibrare le soglie di individuazione delle piante morte. In questo modo, per ogni superpixel, vengono applicate delle soglie agli indici di vegetazione per classificarli come rappresentanti piante sane, stressate o morte. Il vantaggio di questo metodo è che la segmentazione dei superpixel, riduce il numero di unità da analizzare, rendendo l'analisi più veloce ed efficiente, inoltre, i superpixel tendono a seguire i contorni naturali delle piante, migliorando l'accuratezza della classificazione rispetto ai metodi basati su pixel singoli (Figura 4).

Figura 4 - identificazione dei superpixel contorni bianchi, a sinistra visione dell’immagine nella composizione Infrarosso (NIR), rosso e verde, a destra nella visione RedEdge, Rosso e Verde.

L'uso dei SLIC Superpixels nelle immagini da drone rappresenta una tecnica avanzata per l'identificazione e il monitoraggio delle piante morte. Attraverso la segmentazione delle immagini in regioni omogenee e l'applicazione di soglie su indici di vegetazione, è possibile ottenere una mappa accurata delle aree problematiche, permettendo interventi tempestivi e mirati nella gestione delle colture.
Tra le altre camere in commercio multispettrali ad un costo minore rispetto a quanto evidenziato in precedenza, ci sono la Parrot Sequoia, la Sentera Double 4K, la Mapir Survay3 (Figura 5), e la Mapir Survay2. Tutte queste camere al pari delle altre acquisiscono informazioni multispettrali nelle bande del rosso, blu, verde, e vicino infrarosso, ma non nel vicino infrarosso Red-Edge. Questo le rende meno performanti nel calcolo di alcuni indici riportati in precedenza.

Figura 5 - DJI Phantom 3 equipaggiato con MAPIR Survay 3 che acquisisce nelle bande Rosso, Verde, Infrarosso.

Conclusioni

Dato l’attuale fermento in termini di ricerca e produzione, è davvero complesso dare una piena visione di tutte le camere che sono in commercio in questo momento. Tuttavia, per la nostra esperienza, risulta fondamentale porre l’attenzione su quelle camere che permettono di calcolare un numero maggiore di indici di vegetazione, contribuendo così a mappare in maniera precisa eventuali danni, in quanto diventa sempre più di primaria importanza riuscire a intervenire prontamente. Infatti, nonostante alcune limitazioni, i droni equipaggiati con camere multispettrali rappresentano uno strumento potente e versatile per il monitoraggio forestale che può essere, come dimostrato dal progetto GO-SURF, già implementato a livello italiano. Si prevede che ulteriori sviluppi tecnologici e la crescente accessibilità ai droni renderanno questi strumenti sempre più fondamentali nella gestione sostenibile delle foreste.

Ringraziamenti: Il presente contributo è stato realizzato nell’ambito del progetto FOREST4EU, finanziato dall’European Union’s Horizon Europe Research and Innovation Programme under Grant Agreement N° 101086216”