Come può la luce dei satelliti misurare la rinascita della foresta amazzonica?

Riconquistare le aree degradate dell’Amazzonia è una sfida enorme. I ricercatori hanno scoperto che le immagini dei satelliti possono aiutare a monitorare questo processo senza costosi sopralluoghi. Hanno usato le foto di Sentinel‑2, un satellite che osserva la Terra ogni cinque giorni, per calcolare la "diversità spettrale". Questa è una misura di quante tonalità di colore si trovano in un’area, simile a contare le specie in un bosco.

In quattro zone di compensazione e tre di riabilitazione nello Stato di Pará, hanno confrontato la diversità spettrale con l’Indice di Restauro (RI), che combina altezza degli alberi, copertura del suolo e composizione delle specie. I risultati mostrano che due metriche spettrali – la diversità di Shannon e la ricchezza spettrale – si legano più strettamente al RI. Un aumento dell’1 % del RI corrisponde a un incremento di 0,0198 nella ricchezza spettrale. Quando il RI raggiunge il 70 %, la ricchezza spettrale prevista è di 2,29.

Le analisi hanno anche dimostrato che la diversità spettrale rimane stabile tra stagioni diverse, rendendola affidabile per monitorare l’evoluzione del bosco nel tempo. In pratica, gli scienziati possono ora osservare grandi tratti di foresta da remoto, risparmiando tempo e denaro, e fornire dati trasparenti per valutare il successo dei progetti di restauro.

La diversità spettrale è un concetto derivato dalla teoria della biodiversità, trasposto al dominio delle immagini multispettrali. In pratica, ogni pixel di un’immagine Sentinel‑2 contiene informazioni su diverse bande di lunghezza d’onda (visibile, vicino infrarosso, infrarosso a onde corte). Queste bande rispondono in modo diverso alla vegetazione: la clorofilla assorbe nella parte rossa, mentre la struttura della chioma riflette nel vicino infrarosso. Calcolando la varietà di combinazioni di riflettanza tra le bande, si ottiene una misura della complessità spettrale dell’area.

Nel presente studio, sono state testate quattro metriche: ricchezza spettrale (numero di combinazioni uniche), indice di Shannon (che pesa la frequenza delle combinazioni), Rao’s Q (che incorpora la distanza tra combinazioni) e indici di composizione funzionale (che considerano attributi ecologici simulati). Le analisi di correlazione hanno evidenziato che Shannon e ricchezza spettrale sono le più sensibili al RI, probabilmente perché catturano sia la varietà che la distribuzione delle classi spettrali.

Il modello di regressione lineare ha fornito una stima quantitativa: ogni punto percentuale di RI aggiunge 0,0198 unità di ricchezza spettrale. Questo valore è stato validato su due siti monitorati in due momenti distinti, confermando la robustezza della relazione nonostante la variabilità stagionale. Inoltre, la correlazione moderata tra immagini di mesi diversi suggerisce che la diversità spettrale è meno influenzata da cambiamenti fenologici temporanei, rendendola adatta a monitoraggi a lungo termine.

Dal punto di vista operativo, l’uso di BiodivMapR in R permette di automatizzare l’intero workflow: scaricamento delle scene Sentinel‑2, correzione atmosferica, calcolo delle metriche spettrali e regressione con il RI. Questo approccio è scalabile a livello di paesaggio, riducendo i costi di monitoraggio da centinaia di migliaia a poche decine di migliaia di euro per anno, a seconda della copertura territoriale. In sintesi, la diversità spettrale rappresenta un ponte tra dati di telerilevamento e indicatori ecologici, offrendo una soluzione trasparente e replicabile per valutare il progresso della rigenerazione forestale in ambienti complessi come l’Amazzonia orientale.