Estimating Biomass in Trans-Himalayan Rangelands Using Sentinel-2 Data and Machine Learning Approaches

Il Grande Detective dell'Erba: Una Storia di Montagne, Satelliti e Computer Intelligenti

Immaginate che la pelle della Terra sia coperta da vasti e selvaggi tappeti di erba e arbusti chiamati pascoli. Questi non sono solo scenari pittoreschi; sono i giganteschi tavoli da pranzo per milioni di mucche, pecore e capre, e aiutano a mantenere l'acqua del pianeta pulita e l'aria fresca. Ma ecco il problema: questi tappeti d'erba si stanno esaurendo. Troppi animali che mangiano contemporaneamente, il cambiamento del clima e la pressione umana stanno trasformando prati rigogliosi in chiazze polverose. Per risolvere questo problema, dobbiamo sapere esattamente quanta erba è rimasta, ma contarla nel modo tradizionale è un incubo. Significa fare escursioni su montagne ripide e rocciose, tagliare quadratini di erba con le forbici, essiccarli al sole e pesarli. È un processo lento, costoso e non può essere fatto ovunque contemporaneamente.

È qui che entra in gioco la magia del "telerilevamento" e del "machine learning". Pensate al telerilevamento come a una gigantesca telecamera hi-tech nel cielo (un satellite) che può vedere colori che i nostri occhi non vedono, come l'invisibile "red edge" (il bordo rosso) della luce con cui le piante brillano quando sono sane. Il machine learning è come uno studente di computer super intelligente che può guardare milioni di queste foto satellitari e imparare a indovinare quanta erba ci sia al suolo senza mai mettere piede sul terreno. Gli scienziati hanno cercato di insegnare a questi computer a essere precisi, ma le zone montuose sono difficili perché le ombre e i pendii ripidi confondono le telecamere. La grande domanda è: possiamo costruire un sistema intelligente che possa "pesare" accuratamente l'erba in queste difficili montagne d'alta quota solo guardando dal cielo?

---

La Missione del Documento: Insegnare ai Computer a Contare l'Erba tra le Nuvole

Questo documento di ricerca è come una guida sul campo per un nuovo tipo di lavoro investigativo. Gli autori, un team di scienziati del Pakistan e del Canada, si sono posti l'obiettivo di risolvere il mistero di quanta erba (biomassa) stia crescendo nei pascoli trans-himalayani di Upper Dir e Swat. Queste sono aree montuose aspre, con terreni così ripidi e un clima così selvaggio che i metodi tradizionali di conteggio sono quasi impossibili. Invece di inviare squadre di escursionisti a tagliare l'erba, il team ha deciso di utilizzare i dati del satellite Sentinel-2, che scatta immagini incredibilmente dettagliate della Terra ogni pochi giorni.

Hanno trattato le immagini satellitari come un enorme puzzle. Per prima cosa, sono andati sul campo durante l'estate del 2022 e del 2023 per raccogliere la "verità a terra" (ground truth). Hanno camminato verso punti casuali, misurato il peso effettivo dell'erba secca in piccoli quadrati e registrato le coordinate GPS. Questa era la loro chiave di risposta. Successivamente, hanno guardato le foto satellitari di quegli stessi punti esatti per vedere cosa il satellite "vedeva". Hanno testato 50 diverse formule matematiche (chiamate indici di vegetazione) che cercano di trasformare la luce in numeri. Era come provare 50 ricette diverse per vedere quale facesse la torta migliore.

La Scoperta: Il "Red Edge" Vince la Corsa

Il team ha scoperto che non tutte le ricette sono uguali. Alcune delle vecchie formule standard, come la famosa NDVI (che misura quanto le piante appaiano verdi), erano discrete, ma mancavano i dettagli più fini. La vera star dello spettacolo si è rivelata essere una formula chiamata REDVI1. Questa formula utilizza una parte speciale dello spettro luminoso chiamata "Red Edge", che è come una stretta di mano segreta tra il satellite e la clorofilla della pianta.

Quando hanno testato le loro teorie, REDVI1 è stata la vincitrice assoluta per accuratezza di previsione nello screening iniziale. Nel 2023, ha previsto la quantità di erba con un punteggio di accuratezza (R²) di 0,86, che è un match molto forte. La formula standard per misurare il verde, l'NDVI, ha ottenuto solo 0,7376. È come se REDVI1 potesse vedere la salute dell'erba da un miglio di distanza, mentre l'NDVI stesse socchiudendo gli occhi e tirando a indovinare.

Ma conoscere la formula migliore non bastava; avevano anche bisogno del cervello informatico più intelligente per fare i calcoli. Hanno testato tre diversi "studenti" di machine learning:

1. PLSR (un pensatore lineare).
2. SVR (una macchina a vettori di supporto).
3. RFR (Regressione Random Forest).

Il modello Random Forest (RFR) è stato il campione. Non si limitava a indovinare; costruiva una foresta di alberi decisionali in grado di gestire la realtà disordinata e complicata delle montagne. Era molto più stabile e accurato degli altri, con un punteggio di prestazione (NSE) di 0,92 nel 2023. Il documento nota esplicitamente che i metodi lineari più vecchi e semplici e gli altri modelli di machine learning hanno avuto maggiori difficoltà con le strane ombre e i pendii ripidi delle montagne. Il modello RFR è stato l'unico in grado di ignorare costantemente il rumore e trovare il segnale.

La Mappa: Dove l'Erba è Ricca e Dove è Povera

Utilizzando il loro modello di machine learning vincente (RFR) per validare i dati, il team ha poi creato una mappa dettagliata dell'intera regione. Tuttavia, per la mappa finale effettiva, non hanno utilizzato direttamente il complesso modello informatico. Al contrario, hanno applicato un'equazione di regressione lineare più semplice basata su REDVI2. Sebbene REDVI1 fosse il miglior predittore per accuratezza nello screening iniziale, il team ha scoperto che REDVI2 aveva la correlazione più alta per la fase di mappatura specifica (con un R² di 0,7204 nel 2023), quindi hanno usato quella formula per calcolare il peso dell'erba per ogni singolo pixel sulla mappa.

I risultati hanno rivelato una storia affascinante sulla terra:

• La Media: In tutta l'area di studio, la quantità media di erba secca era di 5.896,78 kg/ha.
• Gli Estremi: L'erba non era distribuita uniformemente. Alcuni punti avevano quasi nessuna erba (vicino a città e fiumi dove gli animali pascolano tutto l'anno), mentre altri punti erano incredibilmente rigogliosi. Le chiazze più ricche arrivavano fino a 11.516,7 kg/ha di erba.
• Il Modello: Il documento ha scoperto che l'erba vicino ai villaggi e alle fonti d'acqua era spesso degradata, con una biomassa bassa (meno di 3.500 kg/ha). Questo accade perché gli animali hanno pascolato lì troppo a lungo senza sosta. Tuttavia, le alte montagne, che sono coperte di neve per la maggior parte dell'anno, avevano un'erba spessa e sana (oltre 7.000 kg/ha) perché la neve teneva lontani gli animali, dando alle piante la possibilità di ricrescere.

Cosa Significa per il Futuro

Gli autori sono cauti nel non affermare di aver "risolto" il problema della gestione dei pascoli per sempre. Invece, suggeriscono che questo metodo offra uno strumento potente. Hanno dimostrato che non è necessario tagliare l'erba per sapere quanta ce n'è; si può usare un satellite e un computer intelligente per ottenere un'immagine molto accurata.

Questo è un grande passo avanti per le persone che vivono lì. Se i leader locali possono vedere una mappa che dice: "Ehi, questa valle sta finendo l'erba", possono spostare gli animali in un'altra zona prima che la terra venga distrutta. Trasforma il tentativo di indovinare nella scienza. Il documento conclude che questo approccio è accurato, scalabile e non invasivo, offrendo un modo per proteggere questi fragili ecosistemi montani e i mezzi di sussistenza delle persone che dipendono da essi. È un promemoria del fatto che, a volte, il modo migliore per capire il suolo è guardarlo dal cielo.