Page 224 - SilvaeAnno02n06-005-Sommario-pagg.004.qxp

Il telerilevamento satellitare nella gestione e nella tutela delle risorse forestali

delle bande multispettrali, eventualmente fuse con la banda pancroma-
tica, vengono utilizzate in ambiente GIS come base per la digitalizza-
zione di elementi vettoriali ai quali il fotointerprete associa l’informa-
zione tematica desiderata. La procedura è ovviamente condizionata da
un certo grado di soggettività, sia per quanto riguarda la scelta dell’attri-
buzione dei poligoni alle diverse classi tematiche sia per quanto riguar-
da la delineazione del perimetro dei poligoni stessi.
Per superare tale limite sono stati sviluppati metodi di classificazione
automatici (unsupervised) e semiautomatici (supervised) nel tentativo
di ottenere prodotti più oggettivi, in tempi più brevi e a costi più conte-
nuti. I metodi supervised si basano sull’acquisizione di un certo nume-
ro di pixel di training per ciascuna classe del sistema di nomenclatura
adottato in modo da creare una firma spettrale per ogni classe conside-
rata. Le firme spettrali dei pixel da classificare vengono poi confrontate
con quelle dei pixel di training e al pixel incognito viene attribuita la
classe con firma spettrale più simile. I metodi unsupervised non richie-
dono la fase di acquisizione dei pixel di training: al termine della classi-
ficazione, basata sul raggruppamento dei pixel in base alla similarità
della loro firma spettrale (cluster analysis), le classi identificate vengono
etichettate direttamente dall’operatore.
Nel caso di immagini satellitari ad alta risoluzione, quelle di maggior
interesse per applicazioni operative nel settore forestale, questi metodi
(cosiddetti pixel-oriented) sono caratterizzati da vari limiti (Chirici e
Corona, 2006). In tal senso negli ultimi anni sono state sviluppate tec-
niche di classificazione alternative, definite object-oriented. A differen-
za degli algoritmi pixel-oriented che classificano separatamente ciascun
pixel dell’immagine, con l’approccio object-oriented ciò che viene clas-
sificato sono i poligoni generati attraverso un processo di segmentazio-
ne delle immagini stesse. Il vantaggio risiede nel maggior contenuto in-
formativo associabile ai poligoni rispetto a quello unicamente spettrale
derivabile dai singoli pixel dell’immagine, riguardante a esempio la posi-
zione, geometria e forma dei poligoni stessi, oltre ai valori spettrali dei 6
pixel in essi inclusi. Mediante appositi algoritmi, il processo di segmen- n.
tazione delle immagini può essere realizzato automaticamente (Chirici - II
e Corona, 2006), in modo oggettivamente replicabile ed estremamente
Anno

SILVÆ 227