Dopo un primo approccio di monitoraggio della vegetazione delle acque costiere con prodotti HLS (Harmonized Landsat Sentinel) della NASA, una nuova elaborazione per le acque interne: i laghi.

Con il calcolo dell'indice NDCI (Normalized Difference Chlorophyll Index), utile per stimare la concentrazione di clorofilla-a (Chl-a) nelle acque, il monitoraggio si estende alla cosiddette acque interne grazie a prodotti HS2 (Harmonized Sentinel-2). L'NDCI è particolarmente efficace nel rilevare la presenza di fitoplancton e alghe, ed è utilizzato in applicazioni di monitoraggio ambientale per la gestione delle risorse idriche, la salute degli ecosistemi acquatici e l'identificazione di fenomeni come l'eutrofizzazione o i fioriture algali.

Analisi combinata della qualità dell'acqua e della vegetazione costiera utilizzando due indici derivati da immagini satellitari: NDTI (Normalized Difference Turbidity Index) e NDAVI (Normalized Difference Aquatic Vegetation Index). Le mappe offrono una prima panoramica della torbidità dell'acqua (NDTI) e della salute della vegetazione acquatica (NDAVI), al fine di monitorare e valutare lo stato ecologico di corpi idrici costieri con particolare riferimento alle praterie di fanerogame marine (seagrass).

Un lavoro frutto dell'ennesima formazione NASA-ARSET sul calcolo di indici spettrali per applicazioni terrestri e acquatiche utilizzando QGIS.

L'area in esame è la costa Ionica tra Basilicata e Puglia e risale a immagini satellitari di luglio 2024.

Questo elaborato restituisce un'analisi integrata della vegetazione attraverso la combinazione di dati ottici e radar, utilizzando immagini Sentinel-2 e Sentinel-1 del programma Copernicus. 

Gli indici NDVI (Normalized Difference Vegetation Index) e RVI (Radar Vegetation Index), calcolati rispettivamente da dati multispettrali e SAR, forniscono informazioni complementari sulla copertura e sulla struttura della vegetazione. Successivamente, sono state applicate tecniche di fusione, tra cui la media semplice e la differenza normalizzata, per creare nuovi indicatori che combinano i vantaggi di entrambi i sensori. 

L'obiettivo è di tentare di migliorare la capacità di monitoraggio della vegetazione per le applicazioni agricole, ambientali e di gestione del territorio.

Le mappe di concentrazione da indice RBR (Relativized Burn Area), meglio definibile come gravità da ustione, come dato aggregato (gli ultimi tre anni) e le relative statistiche zonali sono l'ennesimo tentativo di contrasto al fenomeno che, ricordiamo, si aggrava anche grazie a specifiche deroghe sulla bruciatura delle stoppie di origine agricola. Ma quanto è diffuso questo fenomeno associato agli  incendi boschivi? I due fenomeni sono correlati? E in quali territori gli incendi colpiscono la vegetazione in modo uniforme? 

In questa elaborazione, dopo aver aggregato i tre anni di RBR (2022, 2023 e 2024) e creato una mappa di densità, si è proceduto nell'analizzare le statistiche zonali delle bruciature (medie e max) e la variabilità della severità degli incendi per comune. 

Confronto dei perimetri e linee di fuoco degli incendi a Los Angeles (aggiornati al 12 gennaio 2025) con un composito HLS (Harmonized Landsat Sentinel-2) del 6 e 7 gennaio 2025, prima del verificarsi del disastro. 

Questa ulteriore analisi rappresenta la situazione pre-incendi grazie ad un composito HLS, utilizzando le bande SWIR, NIR e Red, grazie alle quali è stato possibile verificare i cambiamenti nella vegetazione e le aree bruciate. Entrando più nello specifico: la banda SWIR è utile a rilevare l'umidità del suolo, il contenuto d'acqua nella vegetazione e della differenziazione tra terreni asciutti e umidi; la banda del NIR per la salute della vegetazione (altamente riflettente in piante sane); mentre la banda Red è sensibile alla riflettanza della clorofilla delle piante e sulla copertura dei suoli. 

Composito RGB creato da immagine SAR (Radar ad Apertura Sintetica) Sentinel-1A del programma Copernicus, (polarizzazione VV, VH e relativo rapporto), per valutare gli effetti e le aree più vulnerabili agli incendi hanno colpendo Los Angeles. Il seguente composito combinato con i perimetri delle aree percorse dagli incendi e con le linee di fuoco (al 9 gennaio 2025) attive (grazie all'utilizzo dell'algoritmo NASA-FEDs), offre una rappresentazione visiva dettagliata della cosiddetta riflettanza radar, che fornisce importanti informazioni. Le case in legno, i giardini, i parchi tendono ad assumere una riflettanza minore al segnale radar ed appaiono di colore verde e/o blu, mentre strutture in muratura o cemento armato sono osservabili con il colore rosso o giallo intenso (maggiore riflettanza). 

Comprendere la tessitura del suolo può aiutare nella gestione di buone pratiche agricole, analizzare eventuali fenomeni erosivi, moti franosi o subsidenze che possono aumentare il rischio idro-geomorfologico. Se i suoli argillosi trattengono acqua, quelli sabbiosi hanno capacità drenante. Le classificazioni proposte derivano dai dataset di OpenLandMap, per le argille e le sabbie, basate sui valori di percentuale in peso. Associando questi dataset ai dati sulla subsidenza è possibile comprendere le dinamiche in atto e  monitorare attentamente i fenomeni, al fine di prevenire effetti nefasti dai cosiddetti eventi meteorologicamente estremi.

Dal progetto WebGIS "GeoMorphoGuard" una mappa dello scenario degli eventi attesi del rischio idro-geomorfologico per l'area del Vulture Alto-Bradano (Basilicata, Italia).

Dai dati del PAI (Piano Assetto Idrogeologico) dell'UoM Ofanto inerenti le aree a rischio alluvionale e frana, alle mie elaborazioni da immagini satellitari SAR Sentinel-1 del programma Copernicus, con il calcolo della subsidenza lenta e dei moti franosi attivi, l'analisi di un bacino idrografico modificato (Modified Catchment Area) da un DEM (Sentinel-1).I seguenti dati aperti sono a disposizione di istituzioni, associazioni e cittadini.

Lente d'ingrandimento sull'Avanfossa Bradanica, una depressione geologica situata tra l'Appennino Meridionale e l'altopiano delle Murge. L'area è soggetta al fenomeno della subsidenza che, nella fattispecie, ha restituito una situazione aggiornata a settembre 2024 e lungo le fasce fluviali, già considerate a rischio idro-geologico. L'analisi ha riguardato anche il confronto con le aree a rischio inondazioni (indice di umidità SAGA) e con la rugosità dei suoli da DTM a 5 m. Elaborazione da due immagini InSAR Sentinel-1A del programma Copernicus: dalla geocodifica all'unwrapping per poi giungere al profilo di deformazione assoluto (displacement - mm).

E' tempo di concimazione? Nel caso in esame una mappa di prescrizione dell'azoto per un  uliveto. Dopo avere calcolato l'indice NDRE (Normalized Difference Red Edge) per misurare la clorofilla presente nelle piante ed eventuali carenze di azoto, si è proceduto alla zonizzazione dell'uliveto in tre classi per i valori indici delle celle. Si è applicato il metodo Homogenize "Robin Hood" per calcolare i quantitativi in kg di azoto necessari alla concimazione.

Elaborazione da immagine satellitare Sentinel-2A del programma Copernicus. Ovviamente la stessa operazione può essere effettuata con immagine acquisita da drone.

Composito RGB di "flood map" del Ravennate (Emilia Romagna) che grazie alla tecnica della combinazione di due immagini satellitari SAR Sentinel-1A del programma Copernicus, prima e dopo l'evento alluvionale - causato dal ciclone Boris - ha restituito una mappa in cui è possibile distinguere le aree allagate e/o umide. L'immagine disponibile risale al giorno 25 settembre 2024, in ritardo per avere un'analisi immediata del fenomeno estremo che ha colpito l'Emilia Romagna, ma che consente, comunque, di comprendere i cosiddetti effetti residui.

Come si può osservare dalla mappa, il colore rosso indica le aree allagate del Ravennate, con un riferimento ad Alfonsine in cui è perfettamente visibile l'evento alluvionale diffuso.

Calcolo di un composito RGB dell'impronta urbana da immagini satellitari inSAR - con arco temporale di cinque anni - per l'individuazione dei cambiamenti in base alle immagini di ampiezza e alla stima della coerenza interferometrica. Classificazione auto-supervisionata (machine learning) dei cambiamenti con l'algoritmo KMeans-classification utilizzando i cambiamenti evidenti nella differenza di backscatter nella banda di colore blu. Utilizzo di una mappa degli elementi geomorfologici, elaborata con il "machine vision" da DTM a 5 m. Estrazione del raster degli elementi geomorfologici utilizzando il layer della classificazione auto-supervisionata come maschera.

Sempre grazie al programma ARSET-NASA, uno sguardo al futuro, esattamente al 2050. 

Cosa accadrà in Italia? 

Quali saranno le temperature prossime al suolo? 

Le risposte arrivano dai modelli climatici sviluppati dal NASA GDDP (Global Daily Downscaled Projections), CMIP6. 

Essi racchiudono proiezioni storiche e future "downscaled" dal 1950 al 2100 basate su una serie di "fasi" di otto variabili del Climate Model Intercomparison Project (CMIP6).

La mappa che segue rappresenta la proiezione al 2050 della differenza di temperatura atmosferica in prossimità della superficie terrestre. 

L'output ha restituito la seguente situazione: si prevede una differenza di temperatura dal 2020 al 2050 di + 2 gradi nella pianura Padana rispetto al resto del Paese.

Grazie al programma ARSET-NASA sul monitoraggio, previsione e proiezione della siccità, sono stati messi in pratica alcuni modelli di previsione sulla temperatura e le precipitazioni stagionali grazie al GMAO (Global Modeling and Assimilation Office) che utilizza modelli e analisi satellitari combinate e in situ, osservazioni per studiare e prevedere fenomeni che evolvono da sub/stagionali a decennali. Previsioni che si basano su un approccio statistico di un insieme di previsioni per predire la probabilità. Le due mappe riguardano le previsioni delle anomalie delle temperature (TS - Surface Temperature °K) e delle precipitazioni (PR - Precipitation mm/day) per il mese di agosto. Le anomalie termiche sono evidenti nel bacino del Mediterraneo, così come nell'area della Scandinavia. Previste precipitazioni per l'Europa continentale e nel nord Italia.

La siccità può avere degli impatti ambientali, sociali ed economici. La scarsità di piogge e neve dello scorso inverno stanno condizionando la stagione estiva, soprattutto per l'agricoltura e la conseguente gestione idrica. La mappa restituisce l'indice di siccità  nel comune di Venosa, in provincia di Potenza (Basilicata), rispetto ai dati storici per il mese di giugno 2024, da cui si possono individuare le località significative maggiormente colpite dal fenomeno. Con uno specifico script (in GEE) i dati MODIS (satelliti Terra e Aqua) vengono utilizzati per calcolare l'indice delle condizioni della vegetazione (VCI) per un orario e un'area specifica ed è espresso in %. E' un indicatore sullo stato della copertura vegetale in funzione dell'NDVI minimi e massimi riscontrati per un dato ecosistema nel corso di molti anni. Il VCI è un indicatore sul contenuto d'acqua in condizione di stress. I satelliti della NASA utilizzati per il monitoraggio della siccità: Landsat4-5-7-8-9, Terra e Aqua, Suomi National Polar Partnership (SNPP) e Joint Polar Satellite System (JPSS). 

SPI (Standardized Precipitation Index) è l'indice di precipitazione standardizzato, sviluppato da McKee et al. (1993), utile nel calcolo delle medie stagionali su dati storici e descrive la probabilità di variazione rispetto alle precipitazioni normali su più anni di dati, su base mensile (o più mesi) e/o fase temporali.

Una bassa probabilità di funzione cumulativa è indicativa all'evento di siccità. SPI può essere calcolato su diversi archi temporali e si avvale di uno specifico algoritmo di calcolo.

L'esempio che segue, rappresenta la media SPI al 15 luglio 2024 dove è possibile analizzare la variazione di pioggia rispetto ai dati storici di un arco temporale rappresentato nei grafici (serie temporale SPI-2 e di precipitazioni a 2 mesi entrambi basati sui dati CHIRPS dal 1981).

I satelliti della NASA utilizzati per il monitoraggio delle precipitazioni sono: TRMM (The Tropical Rainfall Measuring Mission) & GPM (The Global Precipitation Measurement Mission) combinati, costellazione IMERG (Integrated Multi-satellitE Retrievals for GPM).

Grazie al supporto dell'Intelligenza Artificiale, in fase di sviluppo un modello previsionale sul rischio degli incendi boschivi con l'utilizzo delle espressioni condizionali. Combinando diverse variabili ambientali e utilizzando dei valori di soglia (pesi) è possibile giungere a una valutazione del rischio di incendi per ciascuna cella raster. 

Le condizioni sono legate alle variabili ambientali raster (RBR classificazione Random Forest, NDVI, NDWI, TVI, SPI, temperatura atmosferica, LST, ecc..) e topografiche (pendenze ed esposizione).

Mappa di densità di calore FRP (Fire Radiative Power) da cui è possibile individuare le fonti numeriche di potenza radioattiva del fuoco (espresse in watt). Il caso di esempio riguarda l'analisi sulla variabile climativa essenziale FAPAR, indice che restituisce  la frazione della radiazione solare assorbita dalle foglie vive per l'attività di fotosintesi e si riferisce solo agli elementi verdi e vivi della chioma. Il FAPAR dipende dalla struttura della chioma, dalle proprietà ottiche degli elementi vegetali, dalle condizioni atmosferiche e dalla configurazione angolare.

BRAM (Boschifire Risk Assessment Model) è un modello sperimentale predittivo sul rischio di propagazione degli incendi dai campi agricoli verso boschi e foreste. 

L'utilizzo combinato degli algoritmi SAM e Random Forest per identificare le aree boschive prossime agli incendi dei campi (bruciatura delle stoppie), è basato su una classificazione Random Forest e immagine RGB infrarosso ad onde corte (Sentinel-2) appositamente segmentate grazie alla GeoAI. La combinazione di queste tecniche può fornire una prima visione complessiva e dettagliata di particolari aree a rischio come le aree protette.

Segment Anything (SAM) è un modello di intelligenza artificiale pre-apprendimento che consente di generare maschere di oggetti da immagini satellitari. Più è alta la risoluzione, maggiore è la precisione del modello GeoAI che, nel caso di specie, è stato applicato ad un immagine Sentinel-2 del programma Copernicus. Obiettivo della segmentazione è stata una prima individuazione di boschi di conifere con fotosintesi attiva per una eventuale e successiva classificazione. Il metodo può restituire informazioni importanti sullo stato di salute di boschi e foreste, ma anche per monitorare le colture agricole.

Con la stagione estiva che ci attende, oltre alla classica "tintarella" per gli amanti del mare, secondo gli scienziati, a terra (ma anche in mare), le temperature saranno sempre più estreme. 

Le ondate di  calore del 2023 sono state l'esempio: città sempre più calde e rischi per la salute della popolazione, specialmente per gli anziani.  

Poi c'è il capitolo degli incendi, devastanti per l'ambiente, l'agricoltura e la stessa salute dell'uomo. In questa elaborazione dimostrativa, un'analisi del rischio delle ondate di calore nei comuni del Vulture Alto-Bradano (Basilicata). 

I dati termici delle immagini satellitari Landsat-9 (USGS-NASA) elaborate fanno però riferimento al mese di luglio 2022. 

Il comune più a rischio per media LST e densità della popolazione è Lavello, con subito a seguire Melfi, Venosa, Palazzo San Gervasio e Maschito.

È urgente che i comuni si dotino di uno specifico "piano sulle isole di calore" da integrarsi ai già piani comunali di Protezione Civile

Il calcolo del differenziale di temperatura della superficie terrestre (Δ LST) consente di sviluppare carte sulle isole di calore urbane (UHI) sfruttando i dati dell'uso del suolo e statistici. In questo caso di esempio, si è prodotto un buffer di 15 km da un centroide e calcolato gli indici NDVI e LST da immagini satellitari Landsat 9 dell'USGS/NASA (bande 4, 5 e 10) con risoluzione 30 m/px. Successivamente sono state calcolate le anomalie di temperatura rispetto ad aree non urbane e l'analisi sull'uso del suolo grazie al Corine Land Cover 2018. Il risultato ha restituito le medie LST, che possono essere interpretate come la differenza di temperatura rispetto a punti prestabiliti in una corona d'area, risultante dalla differenza buffer 15 e 5 km, da cui valori LST almeno ad una distanza di 300 m da suolo urbanizzato. La differenza di temperatura LST risulta alta nelle aree a destinazione agricola (fino a +5°C), più bassa nelle aree boscate (fino a -9°C). Lo stesso procedimento si può estendere alle aree urbane per individuare le isole di calore (preferibilmente per quartieri).

L'elaborazione che segue è frutto del monitoraggio satellitare del termico grazie allo spettro-radiometro a risoluzione moderata (MODIS) a bordo dei satelliti Aqua e Terra della NASA. Questo sensore ha misurato nel corso di tutta la stagione estiva del 2023 la temperatura superficiale terrestre durante il giorno con risoluzione di 1 km (in legenda °C - metadato Kelvin). 

Le aree con scala cromatica dal rosso al nero indicano temperature a suolo superiori ai 40°C, coincidono per la maggior parte dei casi, con aree coltivate a seminativo, che dopo la raccolta, sono state interessate da incendi per via della pratica della bruciatura delle stoppie.

Dall'ampiezza del segnale radar da immagine satellitare SAR Sentinel-1 del programma Copernicus si possono ottenere una serie di informazioni molto importanti dal punto di vista forestale. Se i valori positivi indicano aumento della riflettività radar e quindi la crescita di nuova vegetazione o l'incremento della rugosità della superficie; valori negativi indicano l'esatto contrario, quindi rimozione di vegetazione, costruzione di nuove strutture o altri cambiamenti nella copertura del suolo. Ragionando sui valori negativi, ed in particolare sulla rimozione di copertura vegetativa, si possono stabilire quali aree boschive siano state oggetto di tagli forestali in un determinano arco di tempo.

Un confronto con le elaborazioni sulla deformazione verticale del suolo da coppia interferometrica SAR Sentinel-1 (del 6 e 18 dicembre 2023) e un composito (super resolution) a infrarossi ad onde corte da immagine Sentinel-2 dove è osservabile il fronte lavico dell'eruzione del 14 gennaio 2024, che ha interessato l'area della cittadina di Grindavìk (Islanda). 

Che il suolo si sollevava era noto da tempo, come dimostrano le mappe e l'istogramma. 

Resta da capire se il magma del sottosuolo possa fuoriuscire nuovamente con nuove eruzioni fissurali proprio all'interno del centro abitato di Grindavìk.

Urban footprint RGB: composito RGB dell'impronta urbana. Rosso indica la coerenza, verde la media della dispersione posteriore (back scatter) e blu la differenza.

Composite NBR: combinazione di quattro immagini NBR (Normalized Burn Ratio) distinte, ciascuna acquisita in momenti temporali diversi. Questo composito fornisce una rappresentazione consolidata e temporale delle variazioni nella vegetazione e nelle condizioni del suolo in seguito a eventi di incendio. L'analisi combina le informazioni spettrali di diverse elaborazioni NBR, consentendo una valutazione più approfondita e comparativa delle aree interessate dagli incendi nel corso del tempo.

Il SEDAC è un centro dati e di applicazioni socioeconomiche della NASA che fornisce una serie di studi e informazioni sulle dinamiche della popolazione urbana, rurale e totale. 

Utilizzando il servizio open si è elaborata questa mappa: incrociando i dati 2018 sull'impronta urbana (da immagini Sentinel-1) e di previsione della popolazione al 2100 del SEDAC si ottiene un "modello di previsione" per il Vulture Alto Bradano. Le aree dove si prevede una maggiore concentrazione di popolazione sono: in testa Rionero in Vulture (137 ab/kmq), Atella, Barile, Rapolla e Melfi; a seguire Venosa e Lavello, l'area di San Nicola di Melfi attualmente sito industriale e verso Gaudiano. 

Fonte dati: SEDAC Gao, J. 2020. Anno base della popolazione globale (2010 – 2100) ridimensionato di 1 km e griglie di proiezione basate sui percorsi socioeconomici condivisi, revisione 01. Palisades, New York: NASA-SEDAC.

L'utilizzo dell'apprendimento automatico (machine learning) consente di proseguire l'analisi dell'impronta urbana e i relativi cambiamenti multi-temporali. L'algoritmo SOM Classification è stato determinante per identificare le aree con le differenze di back scatter (dispersione posteriore) di una coppia di immagini InSAR Sentinel-1 del programma Copernicus. La classificazione in una mappa delle immagini auto-organizzanti, senza supervisione, ha restituito informazioni che si prestano ad interpretazioni nell'ambito urbano in presenza di coerenza interferometrica. Con coerenza > 0.6 è stato anche possibile individuare le cosiddette differenze nell'arco temporale di 4 anni in aree sub-urbane, agricole e forestali. Uno strumento, il SOM Classification, che già utilizzato in passato nella valutazione dei rischi. Tuttavia si è dimostrato utilissimo dell'analisi "approfondita" dell'impronta urbana.

Monitorare da satellite l'impronta urbana può essere di grande utilità per diversi settori. In questa elaborazione di due scene SAR Sentinel-1, con arco temporale di quattro anni, è stato possibile individuare i cambiamenti in base alle immagini di ampiezza e alla stima della coerenza interferometrica. Nella rappresentazione del composito RGB, il canale della banda di colore rosso indica la coerenza, il verde la media del back scatter (dispersione posteriore) e il blu la differenza. 

La determinazione delle forme e delle geometrie del terreno attraverso il "machine vision" per estrarre elementi geomorfologici da una DTM (Digital Terrain Model), restituisce informazioni utili all'analisi. 

Se da un lato il calcolo della deformazione verticale dei suoli da 7 immagini InSAR Sentinel-1 restituisce un dato da analizzare e approfondire, dall'altro, gli elementi geomorfologici pendenza e pendio, possono aiutare l'analista a individuare meglio le anomalie fornite dai dati satellitari.

Servizio di mappatura per fornire indici e mappe di prescrizione per rateo variabile delle colture, irrigazione programmata e controllata, e di resa grazie ai tester (conduttimetro e phmetro).

Nella figura esempio di mappa di prescrizione per l'azoto per un uliveto, un vigneto e un seminativo.

Utilizzando il metodo Homogenize "Robin Hood" (togli al ricco per dare al povero) è stato calcolato il quantitativo di azoto necessario alle tre colture da immagine satellitare Sentinel-2 del programma Copernicus. 

Con il servizio di telerilevamento con drone è possibile ottenere una precisione centimetrica delle immagini acquisite, che successivamente potranno essere analizzate anche con una preferibile collaborazione di un agronomo.

Dalla classificazione supervisionata con l'algoritmo Random Forest da composito RGB indice NBR (Normalized Burn Ratio) di quattro immagini distinte multi-temporali, ad un nuovo "training input" dei vigneti grazie alle mappe di densità e di concentrazione basate sui centroidi e successivi buffer dei vigneti esposti al rischio incendi. La valutazione si è basata sulle aree incendiate nell'estate 2023 e potrebbe estendersi a set di dati storici. Con SAGA Next Gen sperimentato un nuovo algoritmo Kernel Density Estimation (KDE). L'elaborazione di mappe di densità e concentrazione dei vigneti associata alla classificazione supervisionata delle aree incendiate, potrebbe mitigare fortemente il fenomeno degli incendi a protezione di un patrimonio vitivinicolo da tutelare.

Tra gli effetti più importanti del cambiamento climatico è lo scioglimento dei ghiacciai e conseguente innalzamento dei mari.

In questa elaborazione con dati SAR Sentinel-1 del programma Copernicus, il monitoraggio multi-temporale del ghiacciaio Perito Moreno situato nella Provincia di Santa Cruz (Patagonia) in Argentina. 

Sono state considerate n.7 immagini dal 2015 al 2021 per il calcolo dello scostamento dei ghiacci in m/giorno.

Procedimento con SNAP: applicazione dei file orbitali, coregistrazione delle immagini, segmentazione e applicazione dell'algoritmo Offset Tracking, infine la geocodifica.

Analisi idrologica e topografica con nuovi algoritmi e quindi nuovi calcoli al fine di prevenire e/o mitigare il rischio idro-geomorfologico.

L'indice di umidità SAGA, simile all'indice di umidità topografica (TWI), si basa sul calcolo di un bacino idrografico modificato (Modified Catchment Area) da un DEM (Digital Elevation Model) prodotto da Sentinel-1A. Le celle situate nei fondovalle con una ridotta distanza verticale da un canale forniscono un'umidità potenziale del suolo più realistica e più elevata rispetto al calcolo TWI standard. Il calcolo di questo indice, grazie a specifici algoritmi SAGA, è utile alla previsione di aree potenzialmente inondabili in caso di eventi meteorologicamente estremi. 

La classificazione supervisionata con Random Forest applicata all'indice NBR (Normalized Burn Ratio) è un processo che coinvolge l'utilizzo di uno specifico algoritmo di Machine Learning chiamato Random Forest Classification per classificare specifiche aree o pixel in un'immagine satellitare utilizzando l'indice NBR. Questo indice è comunemente usato per identificare e mappare aree colpite da incendi o cambiamenti nella vegetazione.

Il modello addestrato ha distinto aree con segni di bruciatura (con valori specifici nell'NBR) e aree non interessate da incendi.

Il processo:

1) Preparazione dei dati: raccolta di immagini satellitari e calcolo dell'indice NBR per un determinato periodo.

2) Addestramento del modello: utilizzo di pixel con etichette assegnate (aree bruciate e non bruciate) per addestrare il RFC affinché possa apprendere a riconoscere queste differenze.

3) Classificazione dell'immagine: applicazione del modello addestrato a tutti i pixel nell'immagine dell'indice NBR per classificare e mappare le aree bruciate e le aree non bruciate.

Cosa succede dopo un incendio? La sostanza organica dei suoli è compromessa, i suoli diventano aridi, sono possibili fenomeni erosivi, col tempo i processi di degradamento possono portare alla sterilità, poi alla desertificazione.

L'insieme di indici, come le aree incendiate, l'umidità dei suoli, l'aridità, possono fornire letture interessanti di un determinato territorio.

Nella mappa, oltre al calcolo dell'indice BSI, è stato sovrapposto un layer contenente le aree incendiate da bassa-media severità ad alta severità. Da una prima osservazione è emerso come suoli percorsi da incendi, abbiano subìto variazioni significative di valori BSI. Oggi quelle superfici di suolo tendono verso l'arido, soprattutto con bassi valori di umidità.

Ne consegue che le analisi di immagini elaborate da osservazioni satellitari, nel caso Sentinel-2 del programma Copernicus, sono un ottimo indizio per programmare e pianificare nel breve periodo, interventi di miglioramento forestale e colturale, soprattutto a salvaguardia del valore biologico, nonché avviare una campagna di sensibilizzazione capillare che coinvolga tutte le strutture coinvolte, ad ogni livello.

Calcolo della deformazione della superficie "relativa" e "assoluta" con la mappa di coerenza interferometrica. Valori positivi in una mappa di deformazione dei suoli elaborata da dati satellitari inSAR (Sentinel-1 Copernicus) potrebbero indicare un aumento della pressione o della tensione nel terreno a causa di sollecitazioni meccaniche, precipitazioni o altre condizioni. Nel caso di specie, l'analisi riguarda aree percorse dal  fuoco con valori di umidità riscontranti decrescenti (change detection NDWI). I cambiamenti della vegetazione, le variazione termiche, la stessa subsidenza, una debole vegetazione presente e la recessione del terreno, possono essere fattori scatenanti di fenomeni erosivi dovuti al rigonfiamento del terreno (per valori positivi di deformazione/cambi). L'interpretazione dei dati di deformazione del suolo richiede sempre una valutazione approfondita con il coinvolgimento diretto di  esperti in geologia e geotecnica.

L'apprendimento automatico (Machine Learning), seppur con qualche criticità, può essere uno strumento utile per la mappatura delle inondazioni previste su set di dati storici.

Studi accademici affermano come gli algoritmi KMeans Classification e SOM Classification siano entrambi utilizzati per la valutazione del rischio. Utilizzando uno specifico set di dati da immagini satellitari Sentinel-1 del programma Copernicus, ed in particolare una coppia interferometrica assieme a immagini SAR singole, emerge come, durante un evento meteorologicamente estremo, aree con determinate caratteristiche geomorfologiche, siano maggiormente predisposte a questi fenomeni, soprattutto se si analizzano dati di umidità dei suoli corrispondenti ai bacini di drenaggio delle acque: le cosiddette aree di ricarica. La conoscenza dei punti "vulnerabili" consente di mettere in campo azioni preventive e/o di mirigazione.

Questa elaborazione cartografica mostra chiaramente i cambiamenti di biomassa agro-forestale a seguito di un incendio verificatosi sul Monte Vulture (Basilicata), parco regionale e sito di interesse comunitario.

Dall'analisi idrologica sono state estrapolate le reti di drenaggio delle acque che alimentano il reticolo idrografico naturale. Con le stagioni delle piogge, il rischio di frane e/o colamenti (flow) nelle aree percorse dal fuoco è molto alto.

Questo è un esempio del servizio open data implementato grazie ad uno specifico WebGIS sempre in via di aggiornamento.

L'integrazione del "change detection" dell'indice NDVI (Normalized Difference Vegetation Index) consente di ottenere utili informazioni in termini di prevenzione inerente il rischio geomorfologico.

Analisi qualità dell'aria della regione Lombardia, sulle concentrazioni atmosferiche di diossido di zolfo o anidride solforosa (SO2) con un intervallo temporale dal 15 agosto al 9 settembre 2023, con dati satellitari (Sentinel-5P dell'ESA) e Google Earth Engine (GEE). La media SO2 in mol/m^2, che trasformata in massa molecolare (1 mole = 64,0638 g/mol ), ci restituisce un valore di 0,0013362 g/mol di anidride solforosa presenti nei cieli della Lombardia. Il massimo calcolato è 0,03555 g/mol e interessa le aree di Mantova e Besnate. Ovviamente sono gli enti preposti a garantire il monitoraggio della qualità dell'aria con "strumenti a terra". Il sensore Tropomi però ci consente di tenere sotto osservazione l'intero Pianeta sulle variazioni di concentrazioni di SO2.

Prima elaborazione dell'indice LST (Land Surface Temperature) da immagini satellitari Landsat8 (USGS/NASA) del 18 luglio 2023. 

Registrati picchi di 50°C a suolo in alcune aree della Basilicata. 

L'immagine satellitare elaborata mostra dati LST del periodo antecendente all'ondata di calore che ha investito l'Italia nell'ultima settimnana di luglio 2023, pertanto l'indice si presterebbe ad aumenti importanti di temperatura a suolo.

Tuttavia, tra i giorni più caldi di questo luglio appena trascorso è stato sicuramente il 25 luglio, con temperature atmosferiche che hanno fatto registrare 37°C a Potenza, 44°C a Policoro, 45°C a Matera.

Il calcolo dell'indice LST sulla temperatura della superficie terrestre può essere utile nel monitoraggio del microclima urbano e sulle condizioni del suolo in ambito agricolo.

L'ozono (O3) troposferico può avere impatti negativi sulla salute umana, sull'ambiente, sull'agricoltura e sul clima. Diverso dall'ozono stratosferico, che ci protegge dalle radiazioni solari, è un vero inquinante prodotto dalle attività industriali e dal traffico veicolare. E' un gas serra responsabile del surriscaldamento globale e racchiude in se ossidi di azoto (NOx) e composti organici volatili (COV). Alte concentrazioni di O3 possono anche causare danni alla vegetazione, come necrosi fogliare, alterare la fotosintesi e ridurre le produzioni agricole.

Le due mappe dell'Italia mostrano come in due mesi (giugno e luglio 2023) siano cambiate le concentrazioni atmosferiche di ozono.I valori max e min di ozono sono valori standard che riflettono il range tipico delle concentrazioni di O3 nella troposfera e sono in grado di mostrare variazioni significative di ozono nel tempo.

Utilizzando sempre GEE e il satellite Sentinel-5P del programma Copernicus, sono state prodotte queste due mappe sulle concetrazioni atmosferiche di diossido di azoto (NO2) del mese di luglio 2023: dal 1 al 15 e da 15 al 30 luglio. Nella prima immagine cade subito all'occhio come le concentrazioni di NO2 sono maggiormente presenti nel nord Italia, con il centro-sud che vede le aree di Roma, Napoli, ma anche Taranto, Catania e Siracusa. Nella seconda immagine si nota, invece, un valore quasi saturo di concentrazione di NO2 a Napoli, e più precisamente nell'area dell'aeroporto internazionale, ma anche a Taranto in Puglia.

Sentinel-5P è un satellite dell'ESA (Agenzia Spaziale Europea) lanciato il 13 ottobre 2017 per monitorare l'inquinamento atmosferico. Ha in dotazione un sensore di bordo chiamato Tropomi (Tropospheric Monitoring Instruments).

Grazie a Google Earth Engine (GEE) e ai dati atmosferici di Sentinel-5P (Precursore), è stata elaborata questa mappa della Basilicata (con base falso colore urbano da immagine satellitare Landsat8) con le concentrazioni atmosferiche di diossido di zolfo o anidride solforosa (SO2) con un intervallo temporale dal 1 luglio al 27 luglio 2023. La figura affianco ritrae il "pennacchio" di SO2 proveniente dalla Sicilia,

I dati SAR Sentinel-1 del programma Copernicus possono aiutarci a comprendere anche l'umidità dei suoli. Se confrontati con altre elaborazioni con dati ottici (nel caso Landsat-9 NASA/USGS) - rappresentati, nel caso di specie, dalla mappa sull'indice LST (Land Surface Temperature) - e con le aree incendiate dell'anno precedente - da cui l'indice normalizzato dNBR (Normalized Burd Ratio) - è possibile analizzare il potenziale rischio incendi di determinate aree. Un buon modello previsionale, o meglio, preventivo sulla lotta agli incendi boschivi. Molte aree percorse dal fuoco del 2022 coincidono con aree a basso indice di umidità al 12 luglio 2023.

Questa elaborazione compara i dati delle aree incendiate con la temperatura radiante della superficie terrestre (LST) del 2022 per la regione Basilicata. 

Dopo aver normalizzato l'indice NBR (Normalized Burd Ratio) di un periodo dal 5 giugno al 27 ottobre 2022, si sono isolati i pixel con valori di 0,35 classificabili dalla scala cromatica dell'USGS come di moderata severità e quindi localizzate le aree percorse dal fuoco. 

Ovviamente le aree incendiate riguardano anche il fenomeno della bruciatura delle stoppie, pratica obsoleta che si spera un giorno venga bandita per sempre.

Con la stagione estiva è ciclico il grande pericolo degli incendi boschivi. 

Fare prevenzione è il primo passo da compiere.

In questa elaborazione QGIS le aree percorse dal fuoco della stagione 2022 grazie al calcolo dell'indice NBR (Normalized Burd Ratio) da immagini satellitari Landsat9 (NASA-USGS). L'indice è poi stato normalizzato (anche per ridurre le condizioni atmosferiche) con la differenza NBR (pre e post incendio).

Valori superiori a 0 indicano aree con maggiore gravità dell'ustione, quindi percorse dal fuoco. Infine, per evitare che l'indice dNBR potesse escludere suoli con minore copertura vegetativa pre incendio, si è applicato un indice relativizzato chiamato RBR (Relativized Burn Ratio).

Questo caso di studio è stato applicato ai file vettoriali inerenti i territori coperti da foreste e da boschi (nel caso querceti mesofili del territorio di Venosa - Basilicata) e quelli sottoposti a vincolo di rimboschimento, oggetto di tutela - Codice dei beni culturali e del paesaggio (portale RSDI Regione Basilicata).

La classificazione e i cambiamenti dell'uso del suolo (land cover change) con l'apprendimento automatico, consente di osservare i cambiamenti di un'area boschiva tra le più importanti della Basilicata: il Monte Vulture. Parco regionale naturale e già riserva, nonché sito di interesse comunitario e zona di protezione speciale. Si sono considerate due immagini satellitari Sentinel-2 del programma Copernicus (agosto 2019 e agosto 2022) per capire come l'area boscata sia stata modificata per mano antropica. Le aree interne e i perimetri delle aree boschive hanno subìto riduzione di copertura forestale,  (classificazione: acqua, bosco e campi agricoli) per calcolare la matrice di copertura della variazione del suolo. Attraverso il Land Cover Change è possibile ricavare i pixel variati con relativa superficie e la variazione di classe di riferimento. Uno strumento utilissimo per monitorare i cambiamenti delle superfici forestali. Con l'indice NDVI, si è invece osservato come in tre anni la vegetazione abbia perso di vigoria, da imputarsi a  fattori ambientali e antropici.

La flood mapping dell'area delle saline di Cervia dopo il dovuto processamento di immagini satellitari SAR Sentinel-1 del programma Copernicus (l'unica scena disponibile dell'area più colpita dall'alluvione dell'Emilia Romagna). Successivamente è stato utilizzata la tecnica dell'apprendimento automatico (machine learning) grazie al SOMClassification, un metodo di classificazione basato su Self Organizing Maps che utilizza le reti neurali artificiali. Si basa su modelli a mappa auto-organizzanti e algoritmi di cluster per raggruppare dati simili in classi logiche o rappresentazioni visive di una certa area. 

L'analisi ha consentito di ricavare le aree alluvionate al 18 maggio 2023.

Alcuni casi di subsidenze lente e localizzate in cui sono rappresentati i relativi grafici delle densità di dispersione (scatter). Con il calcolatore raster di QGIS si sono isolate le aree con valori negativi ( < -0,06 m ) considerando valori di coerenza maggiore di 0,8. I risultati hanno consentito di individuare gli spostamenti millimetrici nel suolo (asse y) tenuto conto dei valori di coerenza prossimi a 1.

I movimenti di subsidenza lenta dai dati satellitari possono essere calcolati solo se siamo in condizioni "coerenti".

Ennesimo esempio di applicazioni pratiche grazie alle immagini satellitari SAR Sentinel-1 del programma Copernicus che può essere uno strumento valido di prevenzione.

L'analisi idrologica con un DEM (Digital Elevation Model) ti consente di sviluppare informazioni come i bacini e/o sottobacini, canali di drenaggio, le aree di ricarica, le foci fluviali. Una "zonizzazione" idrologica dettagliata può essere utile se confronta con i PAI (Piani Assetto Idrogeologico) che contengono dati relativi ai rischi geomorfologici e idraulici di un territorio. Conoscere per tempo ti consente di pianificare interventi di mitigazione, o meglio, di prevenzione.

Esempi di applicazioni pratiche con l'Intelligenza Artificiale e il Machine Learning, grazie a QGIS e al processamento di immagini satellitari, per creare una serie di mappe contenenti informazioni territoriali: dal calcolo dell'indice TVI (Transformed Vegetation Index) sulla biomassa stressata dalla siccità, alla classificazione dell'uso suolo non supervisionato (Semi-Automatic Classification), sino all'analisi geografica grazie a Mapflow. 

Il territorio in esame è Rapolla (Pz) in Basilicata.

ll calcolo della temperatura della superficie terrestre con immagini satellitari Landsat-9 (NASA-USGS), consente di ottenere una serie di informazioni utili alla gestione delle colture agricole. Per giungere all'indice LST (Land Surface Temperature) si sono considerate le bande 4 (Red), 5 (Near Infrared - NIR) e 10 (Thermal Infrared - TIR1). Ricavata le riflettanza TOA (Top of Atmosphere) per le (bande 4 e 5) e per la banda termica 10 (TOA Brightness Temperature), si è poi calcolato l'indice NDVI e successivamente la stima della proporzione vegetativa e l'emissività della superficie terrestre (fonte: prof. C. Zanetti, Università di Padova).

Sotto osservazione la diga Marana di Capacciotti, in Puglia, che con i suoi 48 mln di mc di acqua garantisce i fabbisogni dell'agro di Cerignola. Dopo aver calcolato l'indice NDWI2 basato sulle misure di riflettanza della banda del verde e del vicino all'infrarosso medio, si sono create delle maschere su range di specifici valori di banda. Le superfici acquose con elevato assorbimento della radiazione del NIR hanno bassi valori di riflettanza. Ne consegue che la superficie dell'invaso mostra aree con maggiore concentrazione di acqua. Dalle immagini è anche possibile effettuare una prima stima delle aree siccitose.

Il Telerilevamento attivo consente di analizzare molteplici fattori/dinamiche ambientali, tra cui le inondazioni e la stessa umidità dei suoli.

Sono state considerate due scene multi-temporali Sentinel-1 della regione Schleswig-Holstein in Germania (a nord di Amburgo), con intervallo di un anno. Sotto osservazione un tributario del fiume Elba e con esso l'areale agricolo. Si può osservare la differenza di apporto idrico del fiume Stör rispetto all'anno precedente, con una evidente area esondata, così come suoli molto umidi. Il grafico riporta il profilo dell'intensità dell'umidità distribuita lungo una linea in corrispondenza di suoli umidi.

Studio interferometrico terremoto Mwpd 7.9 (Turchia-Siria) top-event del 6 febbraio 2023 da immagini satellitari SAR Sentinel-1 del programma Copernicus, di arco temporale di 13 giorni (28 gennaio - 9 febbraio 2023), successivamente segmentate per un area di 10.500 kmq circa. 

Sono state calcolate le differenze di deformazione per le città Gaziantep (Turchia) e Aleppo (Siria), distanti dall'epicentro rispettivamente 31 km e 110 km.

Nella città turca si sono osservate deformazioni che oscillano intorno -0,33 m, mentre nella città siriana di Aleppo -0,04 m.

Calcolo della subsidenza lenta con immagini satellitari SAR Sentinel-1. del programma Copernicus. Dalla geocodifica all'interferogramma, per poi "srotolare" la fase interferometrica (unwrapping) e giungere al profilo di deformazione assoluto. 

Sono state considerate due immagini satellitari ravvicinate (12 giorni) della Provincia del Chubut (Argentina), area interessata da giacimenti minerari. 

La zona, essendo "stabile" dal punto di vista della coerenza, ha consentito di stimare la subsidenza dei suoli con spostamenti calcolati in millimetri. 

Caso di studio della coerenza (stima) interferometrica da immagini satellitari SAR Sentinel-1. Calcolo della stima della coerenza e analisi sulla deformazione superficiale "relativa" da cui è possibile ricavare spostamenti millimetrici delle superfici (processamento interferometrico, ma senza unwrapped phase per profilo di deformazione assoluto). Nelle immagini si possono apprezzare i punti di Craco (Basilicata) dove probabilmente sono ancora attivi movimenti (ndr Craco vecchia fu abbandonata nel 1963 a causa di una grande frana) dettagliati nell'ultima figura. 

Caso di "Flood Mapping" di un tratto di asta fluviale del fiume Basento (Basilicata) elaborato da immagini satellitari SAR Sentinel-1 con polarizzazione VV (polarizzazione verticale sia del segnale emesso che ricevuto) da cui backscatter (intensità di segnale misurata dal sensore radar) minore in corrispondenza di specchi d'acqua, mentre i valori maggiori sono dati dai centri urbani (presenza di corner reflectors). 

Il risultato ottenuto è stato confrontato con il database topografico sulle acque di transizione del PAI (Piano Assetto Idrogeologico), da cui è possibile individuare le aree a rischio alluvione e attuare misure di prevenzione.

Il processamento dei dati satellitari Landsat-8 per il calcolo dell'indice NDWI, da cui è stato possibile giungere alla superficie acquosa, consente di approfondire con l'analisi raster di un DEM (Digital Elevation Model), creato appositamente dai punti quotati delle carte IGM25k, per calcolare i volumi d'acqua in mc presenti nel corpo idrico. Il caso di studio ha riguardato l'invaso di Monte Cotugno (Basilicata) in cui sono stati calcolati Mmc 229,7 di acqua invasata al 7 gennaio 2023. Un dato molto vicino ai dati ufficiali forniti dall'Autorità di Bacino Distrettuale dell'Appennino Meridionale sede di Basilicata, pari a Mmc 228,9 con quota livello invaso di 236,8 m. slm. 

Monitoraggio degli invasi Monte Cotugno, Pertusillo e San Giuliano (Basilicata): dalla scena Landsat-8 (NASA-USGS) del 7 gennaio 2023, è stato possibile creare un immagine (file multibanda) a colori naturali della regione Basilicata. 

Applicando una maschera delle acque con i vettoriali dei maggiori invasi presenti in regione, si è calcolato l'indice NDWI (Normalized Difference Water Index) proprio per giungere al contenuto d'acqua nei corpi idrici. 

L'intervallo da 0,2 a 1 corrisponde a superfici acquose; da 0 a 0,2 inondazioni e umidità; da -0,3 a 0 superfici non acquose con moderata siccità; da -1 a -0,3 superfici non acquose con siccità.

Il monitoraggio di moti franosi da satellite necessita di target (forti), i cosiddetti Permanent Scatters (rocce, edifici, condotte, ecc..). Nel caso in esame sono stati utilizzati i dati PAI (Piani Assetto Idrogeologico) esistenti dell'Autorità di Bacino dell'Appennino Meridionale del territorio di Matera. Creata una maschera dai vettoriali PAI si è giunti alla coerenza interferometrica "localizzata" da immagini Sentinel-1 (aree a rischio frana R1, R2, R3, R4) in cui è stata osservata e analizzata una specifica area rocciosa (R4 con valori 0,86 - 1), proprio in cui si è verificato un caso di frattura di uno sperone roccioso. Per giungere alla coerenza assoluta (spostamenti millimetrici, è necessario ulteriore processamento).

L'analisi della risposta spettrale in una immagine satellitare (nel caso Sentinel-2) consente di ottenere una serie di informazioni sulle modifiche ambientali causate dalle attività naturali e/o antropiche. 

Applicando tre pin in corrispondenza di superfici differenti (acque interne, suolo nudo e vegetazione), è possibile creare delle etichette corrispondenti, assegnando gli attributi NIR, RED e GREEN (valori di riflettanza delle bande corrispondenti). Il prodotto è un diagramma che riporta l'andamento della riflettanza in funzione della relativa lunghezza d'onda.

Puglia (Italia): le mappe degli indici vegetazionali NDVI (Normalized Difference Vegetation Index) e di umidità dei suoli NDMI (Normalized Difference Moisture Index) comparate all'indice BSI (Bare Soil Index) sulla sterilità dei suoli e all'indice di luminosità BI (Brightness Index) consentono di individuare processi di salinizzazione con la conseguente sterilità dei suoli (emungimento acqua dei pozzi di irrigazione, con conseguente abbassamento delle falde). Il caso in esame ha interessato le aree tra Canosa di Puglia e Andria, utilizzando immagini satellitari Sentinel-2 del programma Copernicus. 

Monte Vulture (Basilicata, Italia): la variazione dell'indice NDVI da immagini satellitari multitemporali, applicato al settore forestale, ci può fornire una serie di informazioni come taglio di alberi, vigoria delle piante e loro stato di salute, biomassa relativa, aree percorse dal fuoco, operazioni forestali.

Provincia di Mendoza (Argentina): il calcolo dell'indice di riflettanza della senescenza (rapporto carotenoidi/clorofilla), da immagini Sentinel-2, consente di rilevare salute, stress fisiologico, produzione e resa della coltura. Il calcolo dell'indice PSRI ha anche consenitto di inviduare vigneti giovani e meno giovani.

Monte Vulture (Basilicata): confronto tra indici di vegetazione normalizzato differenziale (NDVI) e avanzato (EVI). L'EVI migliora la precisione dell'indice NDVI corregendo segnali di fondo del suolo e le influenze atmosferiche. Valori EVI da 0,2 a 0,8 indicano vegetazione sana.

Diga del Pertusillo (Basilicata, Italia).

Il calcolo dell'indice NDWI2, su immagini satellitari multitemporali, e i filtri morfologici applicati alle superfici della copertura del suolo, possono essere in grado di fornire informazioni sul contenuto d'acqua dei corpi idrici. 

Parco nazionale della Terra del Fuoco (Patagonia, Argentina): l'analisi di immagini satellitari multitemporali con la composizione a colori infrarossi delle bande spettrali (near NIR, Red, Green) consente il monitoraggio nel tempo la vegetazione e la copertura nevosa.

Esempio calcolo prescrizione di azoto (N) in kg per superfici e comparazione con aridità  e umidità/sali nel suolo. L'incrocio dei dati consente di intervenire anche attraverso misurazioni in loco del Ph/conducibilità elettrica e analisi in laboratorio di campioni di suolo.

Creare una mappa di prescrizione per l'azoto (N), utilizzando immagini satellitari Sentinel-2 con calcolo dell'indice NDVI, permette di ottenere il quantitativo di azoto da utilizzare durante la stagione colturale. 

Governatorato Sohag (Egitto): il calcolo della stima dell'irrigazione con l'indice NDMI (Nomalized Difference Moisture Index) sullo stress idrico dei suoli, permette di individuare le zone e/o parcelle irrigate. 

Casamicciola Terme (Isola d'Ischia - Italia): calcolo change detection indice dNBR (Normalized Burd Ratio) delle aree incendiate e confronto con dati di coerenza interferometrica SAR per determinare moti franosi.

Isola d'Ischia (Italia): il calcolo dell'indice NDVI ha consentito di individuare il colamento (flow) di Casamicciola Terme. L'evento estremo del 26 novembre 2022 ha fatto registrare 177 mm di pioggia cumulata.

Costa Marchigiana Pesarese (Italia): esempli esplicativi di interferogramma differenziale cosismico - da immagini satellitari Sentinel-1 - sulla deformazione da terremoto (Mw 5.5) a seguito di evento sismico del 9 novembre 2022.

Il calcolo della temperatura superficiale del terreno e l'individuazione delle isole di calore urbane, sono azioni di mitigazione e gestione dell'emergenza caldo. 

Il calcolo della temperatura superficiale del terreno e l'individuazione delle isole di calore urbane sono azioni di monitoraggio che possono contribuire alla gestione dell'emergenza caldo. 

Vulture-Melfese (Basilicata): la quantificazione delle aree incendiate e livello di intensità rappresentano dati utili per contrastare il fenomeno degli incendi boschivi nel periodo estivo.