Come i droni e i satelliti svelano il carbonio nascosto nei mangrovie?

Le mangrovie sono i veri eroi del “blue carbon”: assorbono enormi quantità di CO₂, ma misurare il carbonio sopra il suolo (AGC) è complicato. Le chiome fitte saturano le immagini satellitari, rendendo difficile distinguere quanto biomassa c’è davvero. Per risolvere il problema, un team di ricercatori ha combinato due tecnologie: il LiDAR montato su droni (UAV) e i dati di più satelliti (Sentinel‑1, Sentinel‑2 e ALOS PALSAR‑2). Il LiDAR fornisce la altezza della chioma (CH) con centimetri di precisione, mentre i satelliti offrono informazioni spettrali e testurali su larga scala.

Nel caso di studio della zona di Maowei Sea, in Cina, i ricercatori hanno estratto più di cinquanta caratteristiche (altezza, indice di vegetazione, texture radar) e le hanno inserite in un modello di Random Forest, ottimizzato con la tecnica di Recursive Feature Elimination. Il risultato? Un R² di 0,75 e un errore medio di 14,18 Mg C per ettaro, molto meglio rispetto a un modello basato solo sui satelliti. La CH è emersa come la variabile più importante, capace di superare la saturazione spettrale delle chiome più dense.

Il modello ha stimato un totale di 88.363,73 Mg di carbonio sopra il suolo nella zona studiata, con una media di 53,01 Mg C per ettaro. Questo dimostra che fondere dati aeree ad alta risoluzione con osservazioni satellitari può fornire mappe di carbonio più precise e scalabili, utili per monitorare gli ecosistemi costieri in un clima in rapido cambiamento.

Il LiDAR (Light Detection and Ranging) emette impulsi laser verso il suolo e misura il tempo di ritorno per ricostruire la struttura tridimensionale della vegetazione. Nei mangroviali, dove le chiome sono spesso intrecciate e la copertura fogliare è quasi continua, il LiDAR aereo è in grado di penetrare le aperture e fornire una mappa di altezza della chioma (CH) con risoluzione sub‑metrica. Questa informazione è cruciale perché la biomassa AGB (Aboveground Biomass) è correlata in modo quasi lineare alla potenza della CH (spesso modellata con equazioni del tipo AGB = a·CH^b).

I dati satellitari complementari includono: Sentinel‑1 (radar C‑band, sensibile alla struttura e all'umidità), Sentinel‑2 (multispettrale, con bande nel visibile e NIR per calcolare NDVI, EVI, ecc.) e ALOS PALSAR‑2 (L‑band, penetra la vegetazione più densa). Le caratteristiche testurali (es. entropia, contrasto) derivano da matrici di co‑occorrenza (GLCM) e catturano la variabilità spaziale della riflettanza, utile per distinguere aree di alta biomassa da zone più degradate.

Il modello Random Forest è un ensemble di alberi decisionali che riduce l'overfitting grazie al bootstrap aggregating (bagging). La Recursive Feature Elimination (RFE) elimina iterativamente le variabili meno importanti, migliorando la parsimonia del modello e la sua capacità di generalizzare. L'importanza delle variabili è valutata tramite la diminuzione dell'impurità (Gini) o l'aumento dell'errore di previsione quando una feature è permutata.

Nel caso di Maowei Sea, la combinazione di CH con gli indici spettrali (NDVI, SAR backscatter) e le texture ha permesso di superare la saturazione spettrale tipica dei sensori ottici in foreste dense, ottenendo una stima più affidabile dell'AGC. Questo approccio è scalabile: una volta calibrato, può essere applicato ad altre aree costiere, riducendo la dipendenza da costosi voli di LiDAR su larga scala.