Base Layer
- Title
- GeoFireGuard - Basilicata
- Description
- Aggiornamenti al 9 aprile 2024
Dall'esigenza di fornire dati sempre più aggiornati sui rischi naturali e antropici causati dalla crisi climatica, nasce GeoFireGuard, il servizio open data di monitoraggio e protezione delle aree a rischio incendio attraverso l'utilizzo di dati geospaziali messi a dispozione dalle costellazioni Sentinel del programma Copernicus dell'Unione Europea e Landsat/FIRMS dall'USGS/NASA degli USA.
Area di interesse: Vulture Alto Bradano (Basilicata)
Inquinamento da diossido di zolfo o anidride solforosa (SO2)
- Calcolate le mappe di concentrazione atmosferica di diossido di zolfo (SO2) ottenute attraverso l'analisi dei dati provenienti dal satellite Sentinel-5P del programma Copernicus.
Dati elaborati con Google Earth Engine (GEE) con seguente arco temporale: 4 luglio - 4 agosto - 4 settembre - 4 ottobre 2023.
Densità della colonna verticale di SO2 al suolo calcolata con la tecnica DOAS.
Unità di misura: mol/m^2 (numeri di moli di una sostanza per metro quadrato di superficie)
1 mole di SO2 = 64,0638 g/mol
Valore medio rilevato in Basilicata: 0.004344449 g/mol
Valore max rilevato Vulture Alto-Bradano: 0.03559215 g/mol
Valore min rilevato Vulture Alto-Bradano: -0.02603678 g/mol
I valori max e min di SO2 sono valori standard che riflettono il range tipico delle concentrazioni di SO2 nella troposfera e sono in grado di mostrare variazioni significative di diossido di zolfo nel tempo.
Modelo GeoAI sulla propagazione degli incendi
- Calcolato il Boschifire Risk Assessment Model (BRAM), un modello sperimentale predittivo sul rischio di propagazione degli incendi dai campi agricoli verso boschi e foreste. L'utilizzo combinato degli algoritmi SAM e Random Forest per identificare le aree boschive prossime agli incendi dei campi - per via della obsoleta pratica della bruciatura delle stoppie - è basato su una classificazione supervisionata Random Forest dell'indice RBR (Relativized Burn Area) al 4 ottobre 2023, da immagine satellitare Sentinel-2 del programma Copernicus, e un immagine RGB ad infrarosso ad onde corte (bande spettrali 12, 8 e 4) appositamente segmentate grazie alla GeoAI (Intelligenza Artificiale). Immagine Sentinel-2A / 4ott2023. Citazione: luisCartoGeo, & luisChr. (2023). luisCartoGeo/GeoAI_Plugin: v1.0 GeoAi (GEOAI). Zenodo. https://doi.org/10.5281/zenodo.8313393
Monitoraggio degli incendi (durante)
Servizio FIRMS della NASA degli incendi in tempo quasi reale
- Il Fire Information for Resource Management System (FIRMS) distribuisce i dati sugli incendi attivi in tempo reale (NRT) dallo spettroradiometro a risoluzione moderata (MODIS) a bordo dei satelliti Aqua e Terra e dalla Visible Infrared Imaging Radiometer Suite (VIIRS) a bordo di Suomi-NPP, NOAA-20 e NOAA-21 (formalmente noto come JPSS-1). A livello globale questi dati sono disponibili entro 3 ore dall’osservazione satellitare, ma per gli Stati Uniti e il Canada i rilevamenti di incendi attivi sono disponibili in tempo reale.
Mappatura delle aree incendiate (dopo)
- Archivio punti focali (fire nrt) dal 18 luglio al 4 ottobre 2023 da cui è possibile analizzare i dati sulla potenza radioattiva del fuoco (FRP) sui possibili punti di innesco e/o propagazione degli incendi.
- Mappa di densità di calore FRP (Fire Radiative Power) da cui è possibile individuare le fonti numeriche di potenza radioattiva del fuoco (espresse in watt).
- Modello sperimentale di propagazione della potenza radioattiva del fuoco (FRP) > 30 watt degli incendi su dati del 2023. Utilizzato l'algoritmo SAM applicato ai punti focali NRT del progetto FIRMS della NASA e ad un immagine RGB ad infrarosso ad onde corte (bande spettrali 12, 8 e 4) appositamente segmentate grazie alla GeoAI (Intelligenza Artificiale). Immagine Sentinel-2A / 4ott2023.
Citazione: luisCartoGeo, & luisChr. (2023). luisCartoGeo/GeoAI_Plugin: v1.0 GeoAi (GEOAI). Zenodo. https://doi.org/10.5281/zenodo.8313393
- Classificazione supervisionata indice NBR (Normalized Burn Ratio): i dati rappresentano i risultati di un classificatore Random Forest addestrato per classificare l'indice NBR al 4 ottobre 2023 in quattro categorie diverse, legate agli incendi in base alla loro intensità. Le classi identificate includono incendi ad alta intensità, incendi a media intensità, incendi a bassa intensità e aree non incendiate. La precisione complessiva del modello sui dati di test è del 63.98%.
- Classificazione supervisionata (machine learning) indice relativizzato RBR (Relativized Burn Ratio). I dati rappresentano i risultati di un classificatore Random Forest addestrato per classificare l'indice RBR al 4 ottobre 2023 in quattro categorie diverse, legate agli incendi in base alla loro gravità di ustione. Le classi identificate includono incendi ad alta gravità, incendi a media gravità, incendi a bassa gravità e aree non incendiate. La precisione complessiva del modello sui dati di test è del 93.14%.
- Calcolato indice NBR (Normalized Burn Ratio) post incendio: Sentinel-2A / 04-OTT-2023 / MSI_Level-2A
- Calcolato indice NBR (Normalized Burn Ratio) post incendio: Sentinel-2B / 09-SET-2023 / MSI_Level-2A
- Calcolato indice NBR (Normalized Burn Ratio) post incendio: Sentinel-2A / 25-AGO-2023 / MSI_Level-2A
- Calcolato indice NBR (Normalized Burn Ratio) post incendio: Sentinel-2B / 10-AGO-2023 / MSI_Level-2A
- Calcolato indice RBR (Relativized Burn Ratio) sull'intensità degi incendi anno 2023: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2A / 04-OTT-2023 / MSI_Level-2A
- Calcolato indice RBR (Relativized Burn Ratio) sull'intensità degi incendi anno 2023: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2B / 09-SET-2023 / MSI_Level-2A
- Calcolato indice RBR (Relativized Burn Ratio) sull'intensità degi incendi anno 2023: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2A / 25-AGO-2023 / MSI_Level-2A
- Calcolato indice RBR (Relativized Burn Ratio) sull'intensità degi incendi anno 2023: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2B / 10-AGO-2023 / MSI_Level-2A
- Calcolato indice RBR (Relativized Burn Ratio) sull'intensità degi incendi anno 2022: Sentinel-2B / 16-LUG-2022 / MSI_Level-2A - Sentinel-2B / 15-AGO-2022 / MSI_Level-2A
Pericolo e rischio incendio (prima)
- Change detection NDWI (Normalized Difference Water Index) sull'umidità dei suoli: 11-LUG-2023 / MSI_Level-2A - Sentinel-2B / 09-SET-2023 / MSI_Level-2A
- Calcolato indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2A / 04-OTT-2023 / MSI_Level-2A
- Calcolato indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2B / 09-SET-2023 / MSI_Level-2A
- Calcolato indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2A / 25-AGO-2023 / MSI_Level-2A
- Calcolato indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2B / 10-AGO-2023 / MSI_Level-2A
- Calcolato indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2B / 31-LUG-2023 / MSI_Level-2A
- Calcolato indice NDWI (Normalized Difference Water Index) sull'umidità dei suoli: Sentinel-2B / 11-LUG-2023 / MSI_Level-2A
- Calcolato Soil Moisture (Sigma0_VV Intensity_db) sull'umidità dei suoli: Sentinel-1A IW Level-1 SLC Product / 30-GIU-2023 | 12-LUG-2023
- Calcolato indice BSI (Bare Soil Index) sull'aridità dei suoli: Sentinel-2B / 09-SET-2023 / MSI_Level-2A - Sentinel-2B / 11-LUG-2023 / MSI_Level-2A
- Calcolo change detection NDVI (Normalized Difference Vegetation Index) sui cambiamenti di biomassa agro-forestale (aree percorse dal fuoco, operazioni forestali, attività agricole).
- Calcolo indice NDVI sulla quantità e la salute della vegetazione.
- Calcolo indice TVI (Transformer Vegetation Index) sulla biomassa stressata dalla siccità.
- Calcolate aree a rischio incendio con metodo a rappresentazione visiva delle zone con maggiore o minore rischio, in base ai valori soglia definiti dagli indici NDVI, EVI, NDWI e NBR per periodo 11 luglio - 10 agosto 2023 (analisi sperimentale)
Dati atmosferici utili alle attività di previsione/prevenzione stagione 2024
- Calcolo media stagionale per il periodo 11 luglio al 1 ottobre 2023 dell'indice di precipitazione standardizzato (SPI) in grado di misurare l'anomalia della quantità di precipitazioni durante un periodo specifico.
Valori negativi possono indicare siccità.
I livelli di severità degli eventi di umidità e siccità sono definiti secondo la seguente tabella (McKee et al., 1993; WMO, 2012):
Valori SPI Classe
SPI ≥ 2.0 Umidità estrema
1.5 ≤ SPI < 2.0 Umidità severa
1.0 ≤ SPI < 1.5 Umidità moderata
–1.0 < SPI < 1.0 Nella norma
–1.5 < SPI ≤ –1.0 Siccità moderata
–2.0 < SPI ≤ –1.5 Siccità severa
SPI ≤ –2.0 Siccità estrema
L'indice è basato sui dati interpolati di 25 km dal progetto MARS Crop and Weather Monitoring del JRC . I dati vengono attualizzati ogni 10 giorni, fornendo così una visione dell'indicatore più attuale rispetto al classico calcolo di fine mese. I periodi di accumulo rimangono tuttavia mensili, con finestre mensili (periodi di 28, 29, 30 o 31 giorni) che iniziano il 1, l'11 e il 21 del mese. Il metodo di calcolo SPI è ancora provvisorio e potrebbe essere aggiornato.
Crediti: Copernicus GDO (Global Drought Observatory) Emergency Management Service
- Calcolo media stagionale della temperatura atmosferica su 77 giorni (dal 18 luglio al 4 ottobre 2023).
Temperatura massima interpolata quotidianamente utilizzando circa 4000 stazioni meteorologiche in tutta Europa e nelle aree circostanti. I dati vengono interpolati utilizzando un algoritmo di distanza inversa che ricerca stazioni entro 200 km di distanza. Vengono considerate fino ad un massimo di 20 stazioni. Una correzione per l'elevazione avviene utilizzando un fattore di 0,65 gradi Celsius per 100 metri. L'interpolazione viene eseguita su una griglia di 0,25 gradi decimali.
Lavaysse, C., C. Cammalleri, A. Dosio, G. van der Schrier, A. Toreti e J. Vogt. 2018. Verso un sistema di monitoraggio delle temperature estreme in Europa. Pericoli naturali e scienze del sistema terra, 18, 91-104. https://doi.org/10.5194/nhess-18-91-2018
https://nhess.copernicus.org/articles/18/91/2018/
Analisi rischio ondate di calore
Calcolato indice LST (Land Surface Temperature) della temperatura radiante della superficile terrestre dell'intera regione Basilicata:
E' stata condotta l'elaborazione dati partendo da immagini satellitari Landsat8-9 con risoluzione spaziale di 30 m/px
- Calcolo LST MODIS per12 immagini (dal 18 luglio - 4 ottobre 2023) e medio stagionale della temperatura superficiale terrestre durante il giorno con risoluzione di 1 km (in legenda °C - metadato Kelvin).
- Centroidi comunali e calcolo della densità della popolazione per Kmq su dati ISTAT 2023.
- Calcolo LST 2022: Landsat9_OLI_TIRS_L1TP del 23 luglio 2022 (vettoriale)
- Calcolo della media della temperatura della superficie terrestre (LST) finalizzata all'analisi del rischio di ondate di calore per le popolazioni
- Calcolo della densità della popolazione per Kmq
- Calcolo LST 2023: Landsat8_OLI_TIRS_L1TP del 18 luglio 2023 (vettoriale)
- Calcolo LST 2023 (Vulture Alto-Bradano): Landsat8_OLI_TIRS_L1TP del 18 luglio 2023 (raster)
Le immagini LST-MODIS del Vulture Alto Bradano (Basilicata) del 2023 sono state scaricate il giorno 3 febbraio 2024 da https://appeears.earthdatacloud.nasa.gov , gestita dal NASA EOSDIS Land Processes Distributed Active Archive Center (LP DAAC) presso l'USGS Earth Resources Observation and Science (EROS) Center, Sioux Cascate, Dakota del Sud. 2018, https://lpdaac.usgs.gov
Prodotti biogeofisici (foreste e boschi)
- Calcolo NDVI (Normalized Difference Vegetation Index)
Il Normalized Difference Vegetation Index (NDVI) è un indicatore del verde dei biomi. Anche se non è una proprietà fisica della copertura vegetale, la sua formulazione molto semplice NDVI = (REF_nir – REF_red)/(REF_nir + REF_red) dove REF_nir e REF_red sono le riflettanze spettrali misurate rispettivamente nelle bande del vicino infrarosso e del rosso, lo rende ampiamente utilizzato per il monitoraggio degli ecosistemi.
- Calcolo LAI (Leaf Area Index)
L'indice dell'area fogliare è definito come la metà dell'area totale degli elementi verdi della chioma per unità di superficie orizzontale del terreno. Il valore derivato dal satellite corrisponde al LAI verde totale di tutti gli strati della chioma, compreso il sottobosco che può rappresentare un contributo molto significativo, in particolare per le foreste. In pratica il LAI quantifica lo spessore della copertura vegetale.
Il LAI è riconosciuto come variabile climatica essenziale (ECV) dal Global Climate Observing System (GCOS).
- Calcolo FAPAR (Fraction of Absorbed Photosynthetically Active Radiation)
Il FAPAR quantifica la frazione della radiazione solare assorbita dalle foglie vive per l'attività di fotosintesi. Quindi si riferisce solo agli elementi verdi e vivi della chioma. Il FAPAR dipende dalla struttura della chioma, dalle proprietà ottiche degli elementi vegetali, dalle condizioni atmosferiche e dalla configurazione angolare. Per superare quest'ultima dipendenza viene valutato un valore FAPAR integrato giornaliero. FAPAR è riconosciuta come variabile climatica essenziale (ECV) dal Global Climate Observing System (GCOS).
- Calcolo FCover (Fraction of green Vegetation Cover)
La Frazione di Copertura Vegetale (FCover) corrisponde alla frazione di terreno coperta da vegetazione verde. In pratica quantifica l'estensione spaziale della vegetazione. Poiché è indipendente dalla direzione dell'illuminazione ed è sensibile alla quantità di vegetazione, Fcover è un ottimo candidato per la sostituzione dei classici indici di vegetazione per il monitoraggio degli ecosistemi
Sentinel-2B / 16-FEB-2024 / MSI_Level-2A
Serbatoi di carbonio
- Altezza della chioma [di Lang, N., Jetz, W., Schindler, K., & Wegner, J. D. (2023). A high-resolution canopy height model of the Earth. Nature Ecology & Evolution, 1-12]: Modello probabilistico di deep learning per recuperare l’altezza della sommità della chioma dalle immagini Sentinel-2. Questo modello, un insieme di reti neurali convoluzionali (CNN), è stato addestrato con supervisione sparsa utilizzando i dati sull'altezza della sommità della chioma derivati dal LIDAR a forma d'onda completa GEDI della NASA (ovvero RH98 stimato da Lang et al., 2022 ). L'incertezza predittiva di queste stime dense è quantificata modellando sia l'incertezza dei dati (incertezza aleatoria) che l'incertezza del modello (incertezza epistemica). Il prodotto ETH Global Canopy Height 2020 viene fornito gratuitamente, con licenza internazionale Creative Commons Attribution 4.0.
Composito bande spettrali
- Colori naturali: Sentinel-2B / 16-FEB-2024 / MSI_Level-2A
- Infrarossi ad onde corte: Sentinel-2A / 04-OTT-2023 / MSI_Level-2A
- Colori naturali: Sentinel-2A / 04-OTT-2023 / MSI_Level-2A - Organization
- SATmonitoring di Vito L'Erario
- Person
- Vito L'Erario
- vito.lerario (at) satmonitoring.it
- Phone
- +39 392-365-7398
- Website
- https://www.satmonitoring.it/
- Projection
- EPSG:32633
- Extent
- 472859.49430000002030283, 4414521.03770000021904707, 715180.32730000000447035, 4559470.16370000038295984
- Web Map Service
- WMS Url
- WMTS Url
Locating
Geolocation
Measures
Permalink
Draw
