Mapping the evolution of small reservoirs in Brazil from 1984 to 2025 using deep learning

Sintesi Tecnica: Mappare l'evoluzione dei piccoli invasi in Brasile (1984–2025)

Problematica
La ricerca idrica in Brasile ha storicamente trascurato la diffusa costruzione di dighe su piccoli corsi d'acqua per scopi agricoli, come l'abbeveraggio del bestiame, l'idroelettrico su scala agricola, l'irrigazione e l'acquacoltura. Mentre le grandi dighe sono ampiamente studiate, i piccoli invasi (<1 km²) sono onnipresenti ma difficili da mappare. Le loro dimensioni ridotte portano a pixel misti nelle immagini satellitari, e distinguere gli invasi artificiali da laghi naturali, zone umide e laghi di esondazione rimane una sfida significativa. Di conseguenza, la maggior parte dei dataset regionali e globali esclude queste caratteristiche, creando una lacuna nella comprenszione degli impatti cumulativi dei piccoli sbarramenti fluviali sulla temperatura dell'acqua, la connettività, la biodiversità, le emissioni di gas serra e le perdite evaporative d'acqua. Gli sforzi di mappatura esistenti sono stati limitati dalla difficoltà di discriminazione del telerilevamento e dalla mancanza di dataset coerenti e a lungo termine.

Metodologia
Per affrontare queste sfide, gli autori hanno sviluppato un approccio di deep learning per generare mappe annuali, a livello nazionale, dei piccoli invasi in Brasile dal 1984 al 2025.

• Fonti dei dati: Lo studio ha utilizzato un archivio di 42 anni di immagini Landsat (Landsat 5 ETM, Landsat 7 ETM+, Landsat 8 OLI e Landsat 9 OLI-2). Sono stati generati compositi di riflettanza superficiale a valore mediano privi di nuvole utilizzando Google Earth Engine, incorporando scene di anni adiacenti per minimizzare la contaminazione da nuvole. Le bande di input includevano Blue, Green, Red, NIR, SWIR-1 e SWIR-2.
• Dati di addestramento: La verità a terra è stata stabilita utilizzando un composito Sentinel-2 del 2017 a risoluzione di 10 m (privo di nuvole). I ricercatori hanno annotato manualmente 1.510 tile (5 km x 5 km), identificando 4.474 invasi. Per migliorare la robustezza del modello, sono state aggiunte al set di addestramento altre 196 tile che coprivano pianure alluvionali e zone umide prive di invasi, per aiutare il modello a distinguere i corpi idrici non appartenenti a invasi.
• Architettura del modello: Una rete Multi-Scale Attention Network (MA-Net) con una backbone ResNet-34 è stata addestrata da zero per eseguire una segmentazione semantica binaria. Il modello è stato progettato per delineare l'estensione completa degli invasi senza fare affidamento su rigide assunzioni basate su regole.
• Calibrazione cross-sensore: Per garantire la coerenza tra le quattro generazioni di Landsat, sono state calibrate soglie di predizione binaria indipendenti per ogni sensore. Landsat 8 è servito come riferimento per Landsat 7, che a sua volta è servito come riferimento per Landsat 5. Landsat 9 ha utilizzato la stessa soglia di Landsat 8 a causa della somiglianza tra i sensori.
• Inferenza e post-processing: Il modello è stato applicato all'intero territorio brasiliano utilizzando un approccio a finestra scorrevole. Il post-processing ha comportato la mascheratura dei pixel corrotti dalle nuvole e il filtraggio delle rilevazioni che sovrapponessero corpi idrici noti di grandi dimensioni (>1 km²) per rimuovere i falsi positivi derivanti da immissari o baie di grandi laghi.

Risultati Chiave

• Crescita degli invasi: Lo studio ha rilevato un aumento di quasi quattro volte nel numero di piccoli invasi, passando da 263.913 nel 1984 a 996.245 nel 2025. L'area superficiale totale è passata da 3.510 km² a 8.550 km².
• Distribuzione spaziale: Inizialmente, gli invasi erano concentrati nei biomi Pampa, Cerrado, Mata Atlântica e Caatinga. Durante il periodo di studio, il bioma Amazzonia ha registrato la crescita più drammatica, con l'area degli invasi che è aumentata del 996% (da 127 km² a 1.390 km²). Il Pantanal è rimasto relativamente privo di invasi.
• Dinamiche temporali: Il tasso di creazione di invasi è rimasto relativamente costante per quattro decenni, con occasionali picchi e plateau. Il bioma Caatinga ha mostrato un'elevata variabilità, con il numero di invasi che è fluttuato significativamente in risposta agli eventi di siccità.
• Prestazioni del modello: La MA-Net ha raggiunto un'elevata accuratezza sul set di test del 2017 precedentemente isolato. Confrontando gli anni sovrapposti tra i sensori, Landsat 8 e 9 hanno dimostrato una sensibilità superiore ai piccoli invasi rispetto a Landsat 7 e 5, rilevando significativamente più invasi (ad esempio, il 43,8% in più rispetto a Landsat 7) pur mantenendo stime simili dell'area totale. Ciò suggerisce che Landsat 8/9 abbia rilevato molti piccoli invasi che i sensori precedenti avevano mancato o frammentato.
• Consistenza del sensore: Nonostante il fallimento dello Scanline Corrector su Landsat 7 nel 2003, l'accordo tra Landsat 5 e 7 è rimasto elevato. Tuttavia, lo studio osserva che le differenze tra i sensori introducono discontinuità nella serie temporale, in particolare riguardo al conteggio degli invasi, rendendo necessaria una selezione attenta dei sensori in base alla specifica applicazione (ad esempio, analisi del conteggio rispetto all'analisi dell'area).

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro fornisce il primo dataset annuale a livello nazionale che rappresenta l'evoluzione dei piccoli invasi per quattro decenni. La principale significatività risiede in:

1. Colmare una lacuna di dati: Fornire un record coerente e multi-decennale dei piccoli sbarramenti fluviali, che sono critici per comprendere gli impatti idrologici dell'espansione agricola in Brasile.
2. Avanzamento metodologico: Dimostrare che la segmentazione semantica tramite deep learning può mappare efficacemente piccoli invasi alimentati da corsi d'acqua attraverso diverse generazioni di Landsat, superando i limiti degli approcci di classificazione a due stadi e dell'annotazione manuale.
3. Utilità scientifica: Le mappe rese pubbliche consentono nuove ricerche sugli impatti cumulativi delle piccole dighe sulle emissioni di gas serra, la frammentazione dei corsi d'acqua, la qualità dell'acqua e la biodiversità. Il dataset permette di affinare le stime delle emissioni e di analizzare i driver dietro la costruzione di invasi in relazione alle politiche agricole, allo sviluppo delle infrastrutture e alla variabilità climatica.

Lo studio conclude che, sebbene il dataset sia robusto, probabilmente sottostima l'estensione totale degli invasi a causa delle variazioni stagionali (le mappe riflettono i minimi della stagione secca) e della potenziale confusione con gli invasi alimentati dalla pioggia (barraginhas). Tuttavia, lo studio stabilisce uno strumento fondamentale per il monitoraggio dei cambiamenti dell'acqua superficiale su piccola scala in Brasile e offre un quadro per applicare metodi simili alla dinamica delle acque superficiali a livello globale.