GEOmedia_2_2023

REPORT
di (T3) e aghifoglie decidue
(T34). Il prodotto di classificazione
ottenuto è stato definito
Ecosystem Classification Model
- ECM-F4. La Figura 6 mostra,
in forma sintetica, le fasi di
elaborazione che permettono
la realizzazione del prodotto di
classificazione degli ecosistemi
forestali sul territorio italiano.
Il secondo elemento del sistema
è la distribuzione spaziotemporale
delle superfici
incendiate basata sui prodotti
del catalogo europeo in ambito
Copernicus-Emergency denominato
European Forest Fires
Information System (EFFIS, San-
Miguel-Ayanz2012), sviluppato
grazie alle risorse dell’Unione
Europea che si sta impegnando
da tempo per proteggere le
foreste continentali e renderle
più resilienti contro i rischi
dettati dagli incendi. Il CSA ha
sviluppato una procedura per
definire la stima delle superfici
boschive incendiate annualmente
e stagionalmente per l’Italia.
La sovrapposizione tra le informazioni
sulle aree interessate da
incendio distribuite da EFFIS
e le informazioni fornite dal
prodotto ECM-F4 per le stesse
aree, permette di ottenere le informazioni
sulle superfici degli
ecosistemi forestali che sono
stati interessate dagli incendi
a livello nazionale, regionale,
comunale e nelle aree protette.
Queste informazioni vengono
elaborate e collezionate all’interno
di un database relativo
alle aree percorse da incendio
Burnt Areas Database (BAD).
I dati vengono collezionati
giornalmente e messi a sistema
con altri dataset spazializzati,
permettendo il monitoraggio
delle aree percorse da incendio
in tempo quasi reale (in termini
di superficie bruciata) e delle
relative componenti naturali
(ecosistemi) a diverse scale amministrative
(comunali, provinciali,
regionali e nazionali). Un
esempio di questa applicazione
sono le statistiche prodotte per
l’anno 2022, anno in cui in Italia
hanno bruciato più di 68000
ettari di superficie, di cui oltre il
20% appartenente alle coperture
forestali. La Figura 7 mostra
la superficie percorsa da incendio
nel 2022 su base regionale.
SITOGRAFIA
1.https://www.isprambiente.gov.it/it/
attivita/Crisi-Emergenze-ambientali-e-
Danno/centro-operativo-per-la-sorveglianza-ambientale/bollettino-meteo-marino-giornaliero
2. https://www.isprambiente.gov.it/pre_
mare/coastal_system/maps/first.html
3. https://www.dlr.de/eoc/en/
4. https://www.ipsl.fr/
5.https://www.esa.int/About_Us/ESRIN
6. https://emergency.copernicus.eu/
BIBLIOGRAFIA
Agrillo, E., Filipponi, F., Pezzarossa, A.,
Casella, L., Smiraglia, D., Orasi, A., Attorre,
F., Taramelli, A. (2021) Earth Observation
and Biodiversity Big Data for Forest Habitat
Types Classification and Mapping. Remote
Sens. 13, 1231. https://doi.org/10.3390/
rs13071231
Breiman, L. (2001). Random forests. Machine
learning, 45(1), 5-32. https://doi.
org/10.1023/A:1010933404324.
Brockmann, C., Doerffer, R., Peters, M,.
Kerstin, S., Embacher, S., Ruescas, A. (2016)
Evolution of the C2RCC Neural Network
for Sentinel 2 and 3 for the Retrieval of Ocean
Colour Products in Normal and Extreme
Optically Complex Waters. Living Planet
Symposium, Proceedings of the conference
held 9-13 May 2016 in Prague, Czech Republic.
Edited by L. Ouwehand. ESA-SP Volume
740, ISBN: 978-92-9221-305-3, p.54.
Cumbane, S.P., Gidófalvi, G. (2019) Review
of Big Data and Processing Frameworks
for Disaster Response Applications. ISPRS
Int. J. Geo-Inf. 2019, 8, 387. https://doi.
org/10.3390/ijgi8090387
Klüser, L., Rosenfeld, D., Macke, A., and
Holzer-Popp, T. (2008) Observations of
shallow convective clouds generated by
solar heating of dark smoke plumes, Atmos.
Chem. Phys., 8, 2833–2840, https://doi.
org/10.5194/acp-8-2833-2008.
Lindner M., Maroschek, M., Netherer, S.,
Kremer, A., Barbati, A., Garcia-Gonzalo, J.,
Seidl, R., Delzon, S., Corona, P., Kolström,
M. (2010) Climate Change Impacts, Adaptive
Capacity, and Vulnerability of European
Forest Ecosystems. For. Ecol. Manag. 259,
698–709.
San-Miguel-Ayanz, J., Schulte, E., Schmuck,
G., Camia, A., Strobl, P., Liberta, G., Amatulli,
G. Comprehensive monitoring of
wildfires in Europe: The European Forest
Fire Information System (EFFIS) (2012). In
Approaches to Managing Disaster-Assessing
Hazards, Emergencies and Disaster Impacts,
Tiefenbacher, J.P., Ed., IntechOpen: London,
UK, 2012, Chapter 5, Available online:
https://ec.europa.eu/environment/forests/
pdf/InTech.pdf
Schmetz, J., Pili, P., Tjemkes, S., Just, D.,
Kerkmann J., Rota, S., Ratier, A. (2002). An
introduction to meteosat second generation
(MSG), Bulletin of the American Meteorological
Society, 83, 977-992.
Smiraglia, D., Filipponi, F., Mandrone, S.,
Tornato, A., Taramelli, A. (2020) Agreement
Index for Burned Area Mapping: Integration
of Multiple Spectral Indices Using Sentinel-2
Satellite Images. Remote Sens. 12, 1862.
https://doi.org/10.3390/rs12111862
PAROLE CHIAVE
Sorveglianza ambientale; osservazione
della terra; osservazione dallo
spazio; ambiente; incendi
ABSTRACT
Some environmental critical situations
such as air and water pollution, forest fires
and exceptional Mediterranean cyclones
are presented to highlight the importance
of Earth Observation (EO) techniques for
environmental protection and monitoring.
Methods based on EO and the use
of machine learning techniques for land,
marine and air quality observations are
operationally implemented by the CSA
(Centro operativo di Sorveglianza Ambientale)
at ISPRA (Istituto Superiore per
la Protezione e la Ricerca Ambientale) to
provide support for environmental protection
and in the event of environmental
crisis or emergency.
AUTORE
Emiliano Agrillo
CSA, CN-CRE, ISPRA,
emiliano.agrillo@isprambiente.it
Federico Filipponi
CSA, CN-CRE, ISPRA,
federico.filipponi@isprambiente.it
Roberto Inghilesi
CSA, CN-CRE, ISPRA,
roberto.inghilesi@isprambiente.it
Alessandro Mercatini
CSA, CN-CRE, ISPRA,
alessandro.mercatini@isprambiente.it
Alice Pezzarossa
CSA, CN-CRE, ISPRA, alice.pezzarossa@isprambiente.it
Nazario Tartaglione CSA, CN-CRE,
ISPRA,
nazario.tartaglione@isprambiente.it
GEOmedia n°2-2023 41