Seasonal Landsat summaries improve cross-fire prediction of post-fire conifer establishment

Dopo che un incendio boschivo ha attraversato una foresta, il paesaggio è spesso lasciato segnato e silenzioso. Per i gestori forestali ed gli ecologi, la domanda più pressante non è solo quanta distruzione sia avvenuta, ma se la foresta guarirà da sola. Nuovi pini e abeti metteranno radici, o la terra rimarrà dominata da arbusti ed erbe? Questa decisione determina se una regione necessita di costose interazioni umane per il rimboschimento o se la natura farà il lavoro da sola. Per rispondere a questo, gli scienziati si sono rivolti da tempo ai satelliti, che possono vedere vaste aree di terra bruciata troppo pericolose o remote per le persone. Tuttavia, un'immagine satellitare è solo una foto della luce che rimbalza dal suolo; non può distinguere tra un nuovo pollone di pino, un arbusto che germoglia o un ramo di un albero sopravvissuto. La sfida è sempre stata capire se i modelli osservati dallo spazio prevedano effettivamente dove crescono nuovi coniferi, e se tali modelli rimangano validi osservando un incendio completamente diverso da quello su cui il computer è stato istruito.

Un nuovo studio del ricercatore indipendente Joshua Puliafico affronta questo problema testando quanto bene i dati satellitari possano prevedere il recupero forestale attraverso diversi incendi boschivi. La ricerca si concentra sull'uso dei dati del programma satellitare Landsat, che fotografa la Terra da decenni. Il team voleva sapere se riassumere i dati satellitari in ampi trend stagionali fosse più utile per prevedere il recupero forestale rispetto al tentativo di catturare ogni singolo dettaglio del ciclo di crescita della vegetazione. Hanno costruito modelli informatici per apprendere dai dati sul campo raccolti dopo venticinque diversi incendi negli Stati Uniti occidentali. Questi modelli sono stati poi testati su tredici incendi completamente nuovi che il computer non aveva mai visto, simulando uno scenario reale in cui un gestore deve valutare un nuovo sito bruciato utilizzando le lezioni apprese da eventi passati.

I ricercatori hanno confrontato tre diversi modi di fornire informazioni ai loro modelli informatici. Il primo era un approccio di base che utilizzava solo il contesto ecologico, come l'intensità con cui è bruciato l'incendio, la distanza del sito dagli alberi esistenti che potevano rilasciare semi e il clima locale. Il secondo approccio aggiungeva un riepilogo dei dati satellitari, condensando mesi di osservazioni in un'unica immagine stagionale per ogni anno successivo all'incendio. Il terzo approccio era il più dettagliato, aggiungendo centinaia di variabili extra che cercavano di catturare il momento specifico della ripresa del verde, il picco di crescita e il declino della vegetazione all'interno di ogni stagione. L'obiettivo era vedere quale metodo aiutasse il computer a indovinare meglio se un particolare terreno avrebbe avuto nuovi alberi o meno.

I risultati hanno mostrato che l'approccio intermedio, utilizzando i riepilogo stagionali, è stato il chiaro vincitore. Quando i modelli sono stati testati sui tredici nuovi incendi, l'aggiunta dei dati satellitari stagionali ha migliorato significativamente la loro capacità di distinguere tra le aree che sarebbero ricresciute e quelle che non lo avrebbero fatto. Questo miglioramento è stato costante in quasi tutti i nuovi incendi, suggerendo che il metodo funzioni bene anche passando da un'area geografica all'altra. I modelli che utilizzavano i riepiloghi stagionali sono stati in grado di classificare i siti degli incendi in modo più accurato, aiutando i gestori a dare priorità alle aree da visitare per prime. Nello specifico, quando ai modelli è stato chiesto di selezionare il venti percentuale di lotti che avevano maggiori probabilità di mancare di nuovi alberi, l'approccio stagionale ha aiutato a trovare una proporzione molto più alta di questi spazi vuoti rispetto all'uso dei soli dati ecologici di base.

Interessante è che l'approccio più dettagliato non ha fornito alcun beneficio extra. L'aggiunta delle centinaia di variabili extra che tracciavano il preciso tempismo della crescita all'interno delle stagioni non ha reso le previsioni più accurate. Infatti, per i nuovi incendi, il modello dettagliato è stato leggermente peggiore del più semplice riepilogo stagionale. Ciò suggerisce che, ai fini della previsione del recupero forestale tra diversi incendi, una visione ampia del ciclo stagionale è più affidabile di una visione ad alta risoluzione dei cambiamenti giornalieri o settimanali. Il dettaglio extra potrebbe aver introdotto troppo rumore o essersi basato eccessivamente su condizioni locali che non si applicavano ai nuovi incendi.

Lo studio ha anche rivelato una sfumatura cruciale su ciò che i dati satellitari stiano effettivamente misurando. I ricercatori hanno testato una versione del modello che utilizzava solo i dati satellitari precedenti all'incendio. Sorprendentemente, anche questa informazione pre-incendio ha migliorato le previsioni rispetto alla base ecologica iniziale. Ciò significa che il successo del modello stagionale non è dovuto esclusivamente all'osservazione della nuova crescita degli alberi dopo l'incendio. Invece, i dati satellitari catturano probabilmente un mix di fattori: le condizioni del terreno prima dell'incendio, la severità del rogo e il successivo recupero. Poiché i dati pre-incendio erano già utili, i ricercatori hanno conclusito che il modello stagionale completo non può essere attribuito interamente alla misurazione del recupero post-incendio in isolamento. È uno strumento potente che combina la storia e le condizioni attuali per fare una stima migliore.

In definitiva, questo lavoro offre una via pratica per la gestione forestale. Dimostra che un riepilogo relativamente semplice delle osservazioni satellitari può aiutare i gestori a identificare quali aree bruciate stanno faticando a recuperare e quali probabilmente torneranno a prosperare da sole. Utilizzando questi riepiloghi stagionali, le agenzie possono concentrare i loro limitati team di rilievo sul campo sui siti che ne hanno realmente bisogno, invece di sprecare risorse in aree che si stanno già riprendendo. Sebbene i modelli non siano perfetti e non possano ancora sostituire una visita fisica alla foresta, forniscono un modo affidabile per esaminare migliaia di acri e prendere decisioni più intelligenti su dove investire nelle attività di rimboschimento. Lo studio conferma che guardare la foresta attraverso la lente del cambiamento stagionale, piuttosto che cercare di catturare ogni fugace momento di crescita, è il modo più efficace per prevedere il futuro di questi paesaggi in fase di recupero.