Verso un monitoraggio più efficace della produttività dei prati alpini
Tramite un monitoraggio satellitare più preciso è possibile valutare meglio gli effetti della siccità, supportare sistemi assicurativi più affidabili per i prati e rafforzare la resilienza dell'agricoltura di montagna ai cambiamenti climatici.
La sfida
I prati alpini sono una risorsa fondamentale per l’agricoltura di montagna, il turismo e la biodiversità. In Alto Adige, ad esempio, rappresentano circa il 70% della superficie vegetata e forniscono preziosi servizi ecosistemici, tra cui la regolazione del clima e la conservazione della biodiversità. Tuttavia, il cambiamento climatico sta aumentando la frequenza e l'intensità dei periodi di siccità, riducendo la produttività dei prati e mettendo a rischio la disponibilità di foraggio e la sostenibilità economica delle aziende agricole di montagna.
Le tradizionali strategie di gestione del rischio legate alla siccità si basano in larga misura su sistemi assicurativi che richiedono sopralluoghi in campo per valutare i danni. Nel caso dei prati, però, queste ispezioni risultano spesso troppo costose rispetto al valore economico della produzione. In questo contesto, i dati di Osservazione della Terra offrono un'alternativa innovativa alle tradizionali valutazioni in campo. Attraverso le assicurazioni parametriche basate su indicatori satellitari, è infatti possibile stimare gli impatti della siccità in modo rapido, omogeneo e a costi relativamente contenuti su vaste aree.
La soluzione proposta per il caso studio dell'Alto Adige
Dal 2024, Eurac Research fornisce a un consorzio di agricoltori dell'Alto Adige l’Indice di Produttività delle Praterie (Grassland Productivity Index, GPI), un indicatore sviluppato per supportare un sistema assicurativo parametrico. Il GPI consente di stimare le perdite di foraggio a partire da osservazioni satellitari, evitando la necessità di effettuare sopralluoghi in campo. Esso si basa sulla forte correlazione tra la biomassa dei prati misurata direttamente in campo e l'Indice di Area Fogliare (Leaf Area Index, LAI), un indicatore chiave della crescita della vegetazione ottenuto dalle osservazioni del satellite Sentinel-2.
Partendo dall'esperienza maturata con l’Indice di Produttività delle Praterie, il Laboratorio di Ricerca e Innovazione sulle Praterie del progetto ScaleAgData ha lavorato per migliorare la stima LAI da satellite negli ambienti alpini. In queste aree la frequente presenza di nuvole limita la disponibilità di immagini ottiche Sentinel-2, ostacolando un monitoraggio continuo della vegetazione. Per affrontare questa sfida, il team ha lavorato su due approcci complementari:
- migliorare l'elaborazione delle immagini Sentinel-2, affinando la correzione degli effetti legati alla complessità del terreno montano e il rilevamento delle nuvole;
- integrare le osservazioni radar ad apertura sintetica (SAR) di Sentinel-1 con dati topografici e meteorologici, per poter stimare il LAI anche in assenza di immagini ottiche.
Per sviluppare e confrontare questi approcci, i ricercatori hanno valutato diverse strategie per integrare dati ottici, radar e informazioni ausiliarie, impiegando anche modelli di Machine Learning e Deep Learning. Inoltre, per confrontare i risultati satellitari con misure reali raccolte sul territorio, Eurac ha sviluppato uno specifico protocollo di rilievo e raccolto dati in otto appezzamenti di prato alpino nel corso di due stagioni vegetative. I dati raccolti hanno costituito un prezioso riferimento per valutare l'accuratezza delle stime di LAI ottenute dai satelliti nelle complesse condizioni dell'agricoltura di montagna.
Impatti e prospettive future
Il nuovo prodotto LAI sviluppato a partire dai dati Sentinel-2 ha mostrato un'eccellente corrispondenza con le misure raccolte sugli appezzamenti, descrivendo con accuratezza l'evoluzione stagionale dei prati alpini e le pratiche di gestione adottate. In particolare, il LAI ottenuto dai dati Sentinel-2 ha consentito di individuare interventi chiave come gli sfalci (Fig. 1), dimostrandosi uno strumento adatto al monitoraggio operativo delle praterie.
Durante il progetto è stato inoltre sviluppato un modello di Deep Learning [2] per la stima del LAI che combina dati radar di Sentinel-1 con informazioni sulla conformazione del territorio e sull'umidità del terreno derivate dal telerilevamento, disponibile sul pagina web di GitHub del progetto [3]. Il confronto tra le stime del modello di Deep Learning ed il LAI derivato da Sentinel-2 sui prati alpini dell'Alto Adige nel corso del 2023 ha mostrato risultati incoraggianti [2] (Fig. 3). Tuttavia, il confronto con misure indipendenti effettuate in campo ha evidenziato che il modello presenta ancora alcuni limiti quando viene applicato a periodi o aree diverse da quelle utilizzate per il suo addestramento e la sua calibrazione. Questi risultati mostrano come la stima del LAI a partire dai soli dati radar rappresenti ancora una sfida, soprattutto negli ambienti montani, dove la forte variabilità del territorio rende il problema particolarmente complesso. Allo stesso tempo, l'analisi ha confermato il potenziale dei dati radar di Sentinel-1 nel descrivere le caratteristiche della vegetazione e la biomassa dei prati e, se integrati con le osservazioni ottiche, nel rendere il monitoraggio più continuo anche in presenza di frequente copertura nuvolosa.
