Stima e spazializzazione di attributi forestali tramite il metodo k-NN: distretto di Mocuba Mozambico

Abstract

Gli inventari forestale su vaste superfici forniscono un elevato numero di variabili ed informazioni che necessitano di essere processate dal livello di aree di saggio a quello della area complessivamente sottoposta all’inventario. La disponibilità crescente di immagini satellitari rende possibile ottenere una visione sinottica su ampie aree, ancorché con minor precisione rispetto alle misurazioni sul campo. L’introduzione di campioni georeferenziati negli inventari forestali ha offerto la possibilità di combinare dati di campo con gli immagini satellitari, ossia inventari forestali multisource, e di espandere le osservazione puntuale al suolo alla immagine complessiva.

Nel presente studio, le variabili forestali sono stimate per mezzo di immagini Landsat ETM e dati a terra del’ inventario forestal. Lo studio è stato condotto per il distretto di Mocuba, nella provincia della Zambesia - Mozambico, caratterizzata da foreste del tipico miombo africano con la predominanza di Julbernardia globiflora e Brachystegia sp, che ricopre un’area di circa 500 000 ettari. Il algoritmo non parametrico k-vicino più vicino (k-NN) è stato impiegato per la valutazione e la mappatura di tre variabili forestali selezionate: il volume totale, il volume commerciale e la densità forestale. Il metodo è stato in precedenza e con successo applicato in foreste temperate e boreali ma sono disponibili solo alcuni studi relativi alla previsione di ricchezza di specie nella letteratura sulle regioni tropicali e subtropicali.

Al fine di stimare le variabili forestali selezionate, i parametri k-NN sono stati calcolati per i dati del distretto per determinare il tipo di distanza e il numero di vicini più adeguati. I risultati ottenuti sono incoraggianti e in linea con quelli menzionati in una vasta letteratura ed in innumerevoli studi, soprattutto prodotti da Paesi nordici. Quando le stime è stata elaborata a livello di ciascun pixel, ne sono derivati errori relativi elevati, dal 76 al 99%. Quando i valori medi dei pixel dentro de l’unità de campionamento con 30 metri di “buffer” è stato utilizzato per derivare le variabili forestali, l’errore relativo si è abbassato a 47-63%. Gli errori ottenuti sono piuttosto elevati rispetto a quelli ammessi dagli inventari forestali (di solito inferiori al 20%) e non sono sufficientemente precisi per la realizzazione di piani di gestione forestale del distretto e delle concessioni forestali. Comunque, la spazializzazione di attributi forestali tramite k-NN con l’errore noto è un potente strumento per le determinazione di decisioni strategiche. Le stime delle variabili forestali ottenute con questo metodo possono essere facilmente prodotte e usate in aree dove nessuna altra informazione sia presente o per aree prive di campioni.

Forest inventory covering vast areas provides a high number of variables and information that need to be processed from plot level to the overall inventoried area. The increasing availability of remotely sensed data has made possible to obtain a synoptic view over large areas, although with less accuracy than the field measurements. The introduction of georeferenced sample plots in forest inventories created the possibility of combining field data to satellite images, that is multisource forest inventories, and to expand the information from plot level to the overall image.

In this study, forest variables were estimated by means of Landsat ETM images and existing forest inventory field plots data. The study was carried out for Mocuba district in Zambézia province – Mozambique, characterized by typical african miombo forests with predominance of Julbernardia globiflora and Brachystegia sp., covering an area of about 500 000 hectares. The non-parameteric k-nearest neighbour (k-NN) estimator was used for estimating and mapping of three selected forest variables: total volume, commercial volume and forest density. The method has been applied successfully in temperate and boreal forests but only a few studies regarding species richness prediction can be found in the literature for tropical and sub-tropical regions.

To estimate the selected forest variables, k-NN parameters were firstly calibrated to the district data in order to determine the most appropriated distance type and number of neighbours. Results obtained are encouraging and in line with those mentioned in several literature and studies, mostly for Nordic countries. When the k-NN estimator and the central point/pixel value was used to estimate forest variables high relative errors were obtained, from 76 to 99%. When the average values of the pixels within sample plots with 30 meters buffer area was employed to estimate the forest variables the relative error dropped to 47 - 63%. Errors obtained are far higher than those allowed for forest inventory (usually less than 20%) and are not accurate enough for forest management purposes at district and concessions levels. However, the mapping of forest variables with a known error is a powerful instrument for strategic decision making. Forest variables estimates derived by the method can easily produced and used in areas where no other information exists or for non-sampled areas.