Svelando i Segreti Verdi del Lago Qinghai: La Mia Avventura nella Spettroscopia Vegetale!

Avete mai sentito parlare del Lago Qinghai? No? Beh, lasciate che vi dica che è un posto pazzesco, un vero gioiello incastonato sull’altopiano del Qinghai-Tibet. Non è solo un lago enorme e bellissimo, ma è anche una barriera ecologica fondamentale che, pensate un po’, aiuta a fermare l’avanzata del deserto verso est. Insomma, un protagonista silenzioso che lavora per mantenere l’equilibrio della regione e garantirne uno sviluppo sostenibile. E come si fa a capire se questo “scudo verde” sta bene? Studiando le sue praterie, ovviamente!

Capire come stanno le praterie, come cresce il foraggio, è cruciale. Non solo ci dà un quadro preciso della salute dell’ecosistema, ma fornisce anche dati scientifici solidi a chi deve prendere decisioni importanti per la gestione del territorio. E qui entriamo in gioco noi, o meglio, la luce e i suoi segreti! L’acquisizione e l’analisi spettrale della vegetazione, infatti, sono un modo super efficace per “leggere” i cambiamenti nella copertura vegetale e nella struttura delle comunità di piante.

Così, tra luglio e agosto del 2023, con il mio team ci siamo imbarcati in un’avventura scientifica: abbiamo condotto misurazioni spettrali sul campo a tappeto, proprio lì, nella regione del Lago Qinghai. Il risultato? Abbiamo raccolto le “impronte digitali” luminose, ovvero le curve spettrali, di ben 103 specie di vegetazione tipiche del posto e abbiamo creato un vero e proprio database spettrale. Un lavoro che, credetemi, ha un valore scientifico e pratico enorme, perché fornisce dati fondamentali per il monitoraggio da remoto, la conservazione e la ricerca ecologica.

La Nostra Missione: Creare una “Carta d’Identità” Luminosa per le Piante

Con le nuove tecnologie di telerilevamento che avanzano a passi da gigante, c’era proprio bisogno di un database spettrale specializzato. Certo, esistono già grandi database generici, come quelli della NASA (JPL) o dell’USGS, e persino uno cinese molto completo. Ma quando si tratta di monitorare la vegetazione in un’area specifica, serve qualcosa di più “su misura”. Le piante, si sa, non sono tutte uguali, e cambiano tantissimo a seconda di dove crescono, anche all’interno della stessa specie! Ecco perché un dataset localizzato è oro colato.

Il Lago Qinghai, per darvi un’idea, si trova tra i 99°36′E e i 100°46′E di longitudine e tra i 36°32′N e i 37°25′N di latitudine, nel nord-est dell’altopiano del Qinghai-Tibet, ai piedi delle montagne Qilian. Un’area vasta, che include isole nel lago, zone umide circostanti e praterie che si estendono fino alla linea ferroviaria del Qinghai-Tibet, per un totale di quasi 5000 chilometri quadrati! È una regione vitale, con una biodiversità ricchissima, un vero e proprio “serbatoio” di geni per l’altopiano. Le principali tipologie di vegetazione? Arbusti, praterie e coltivazioni.

Con i cambiamenti climatici globali e l’aumento delle attività umane, siamo tutti molto consapevoli dell’urgenza di proteggere l’ambiente del bacino del Lago Qinghai. E il nostro dataset spettrale vuole essere proprio questo: un contributo significativo al monitoraggio della vegetazione, un supporto alla ricerca ecologica, al monitoraggio a lungo termine e agli sforzi di conservazione.

Le principali attività che abbiamo svolto sono state:

• Raccolta di dati spettrali (sia a livello di foglia che di chioma) dalle piante tipiche delle praterie, coprendo una bella fetta delle specie presenti.
• Analisi approfondita delle considerazioni chiave e delle condizioni ottimali durante la raccolta dei dati spettrali.
• Lettura e visualizzazione dei dati con il software MATLAB.
• “Lisciatura” dei dati spettrali usando una tecnica chiamata Savitzky-Golay (S-G).
• Analisi della qualità dei dati per assicurarci della loro validità e scovare eventuali dati “anomali”.

La regione del Lago Qinghai, dal punto di vista floristico, appartiene all’area Tangut della sottoregione dell’Altopiano del Qinghai-Tibet. È un ecosistema giovane, formatosi durante il sollevamento dell’altopiano. Per la nostra raccolta spettrale, abbiamo selezionato 11 aree campione intorno al lago – nord, sud, ovest, est, nord-ovest, sud-ovest, nord-est e sud-est – ognuna di 400 m², per avere un quadro rappresentativo delle specie vegetali. E alla fine, abbiamo identificato con precisione 103 specie vegetali, appartenenti a 82 generi e 28 famiglie. Un bel bottino!

Il bacino del Lago Qinghai è un sistema chiuso. A parte la zona sud-occidentale del lago occidentale, dove le praterie sono meno sviluppate per via della topografia, le praterie temperate dominate da specie come Achnatherum splendens, Stipa sareptana, Blysmus sinocompressus e Carex alpina formano una sorta di cintura circolare attorno al lago. E vista la dimensione del lago, questa caratteristica è ancora più evidente.

Il Nostro “Occhio” Speciale: Lo Spettrometro da Campo

Per questa impresa, abbiamo usato uno strumento che sembra uscito da un film di fantascienza: il Field Spec 4 std-Res, il top di gamma della Malvern Panalytical. È progettato apposta per la ricerca di telerilevamento portatile sul campo, ed è facilissimo da usare. Questo gioiellino acquisisce rapidamente e con precisione la riflettanza, la radianza e l’irradianza in varie condizioni, rendendolo utile in un sacco di campi: misurazioni di telerilevamento, monitoraggio delle colture, ricerca forestale e persino illuminazione industriale.

Quando si raccolgono le curve spettrali della vegetazione sul campo con uno spettrometro, c’è un piccolo rituale da seguire: prima si accende lo spettrometro, poi il computer. E di solito, bisogna lasciarlo “scaldare” per 15 minuti per garantire l’accuratezza dei dati. Fare misurazioni spettrali all’aperto è un processo complesso, influenzato da un sacco di fattori: l’ora della misurazione, la durata dell’illuminazione, la stabilità atmosferica… tutti elementi che possono impattare direttamente la precisione dei risultati.

Sul Campo: Precisione e Qualche Accorgimento da “Agenti Segreti”

Una volta che lo spettrometro è pronto e funzionante, bisogna fare attenzione a un sacco di cose:

• Condizioni di Osservazione e Ambiente:
  • Orario di Osservazione: Le misurazioni vanno fatte in giorni con cielo sereno e senza nuvole, preferibilmente tra le 10:30 e le 15:30 ora locale, per avere un angolo solare adeguato.
  • Prerequisiti Meteorologici: Visibilità a terra non inferiore a 10 km, niente cirri o cumulonembi, e vento non superiore a forza 3 della scala Beaufort.
  • Controllo Ambientale: È fondamentale evitare che le ombre del treppiede dello strumento o degli operatori cadano sulla vegetazione misurata, per non falsare i dati. Durante l’osservazione, ogni mezz’ora circa, bisogna fare una calibrazione con una tavoletta bianca (whiteboard), tenendo la lente a circa 20 cm da essa.
• Operazioni del Personale e Abbigliamento:
  • Requisiti di Abbigliamento: Per minimizzare l’influenza della luce riflessa naturale dal personale sull’obiettivo, noi osservatori dobbiamo indossare abiti di colore scuro. Sembra un dettaglio, ma fa la differenza!
  • Procedure Operative: L’osservatore deve stare rivolto verso il sole, posizionato dietro l’area target. Gli altri membri del team, come chi prende appunti, devono stare dietro l’osservatore e non muoversi ai lati dell’area target. Quando ci si sposta su una nuova area, tutti devono avvicinarsi guardando il sole per evitare di calpestare il sito di osservazione. E una volta finito, si esce dalla stessa via d’accesso. Un po’ come degli agenti segreti in missione botanica!

Tutto questo lavoro meticoloso ha portato alla creazione del dataset “A spectral dataset for typical vegetation in the Qinghai Lake region”, che abbiamo salvato su Figshare (potete trovarlo qui: https://doi.org/10.6084/m9.figshare.27316002). Cosa c’è dentro? Principalmente: (1) informazioni di base sui siti di raccolta della vegetazione; (2) le curve spettrali originali in formato .asd; (3) il dataset spettrale vero e proprio in formato .hdr; e (4) i file dei risultati del processo in formato txt o excel. Il tutto compresso occupa circa 109.28 MB.

Dai Dati Grezzi al Tesoro Scientifico: Il Lavoro di “Pulizia”

Quando lo spettrometro ASD acquisisce i dati, il segnale digitale che cattura ha due componenti: il segnale di risposta generato dal campione analizzato e il rumore intrinseco del sistema. Questo “rumore” deriva principalmente dalle attività dei suoi componenti, come il rumore ottico e quello del rilevatore. A causa delle differenze nella risposta energetica tra le bande spettrali, la curva spettrale spesso presenta dei picchi di rumore, le cosiddette “sbavature”, che la rendono poco liscia.

Nella fase di pre-elaborazione spettrale, abbiamo seguito questi passaggi: prima di tutto, abbiamo rimosso le bande significativamente influenzate dall’interferenza del vapore acqueo per minimizzare gli artefatti. Successivamente, abbiamo applicato tecniche di “lisciatura” e riduzione del rumore usando metodi statistici per ridurre le incertezze nei dati misurati.

Durante l’acquisizione dei dati spettrali, il vapore acqueo nell’atmosfera assorbe le onde luminose a specifiche lunghezze d’onda, creando zone di interferenza sul grafico spettrale. Questo rumore degrada significativamente la qualità dei dati, impedendo loro di rappresentare accuratamente le proprietà spettrali degli oggetti. Quindi, abbiamo rimosso questi valori errati nelle gamme 1340–1460 nm e 1840–1960 nm, basandoci sui dati reali raccolti, semplicemente cancellando i valori ASCII corrispondenti.

I risultati ottenuti dagli strumenti spettroscopici possono essere suscettibili a vari tipi di rumore, derivanti dallo strumento stesso, dalle condizioni ambientali o da perturbazioni durante l’esperimento. L’obiettivo principale del trattamento di lisciatura è eliminare questi rumori, ottenendo dati spettrali più lisci e regolari che riflettano più accuratamente le caratteristiche spettrali dei campioni. Tra le tecniche comunemente usate ci sono la media mobile, la lisciatura Savitzky-Golay (S-G) e la trasformata wavelet. Noi abbiamo scelto il metodo S-G, usando il software MATLAB. Dopo numerosi esperimenti, abbiamo determinato che l’ordine ottimale di adattamento polinomiale era 2, con una finestra mobile di dimensione 5. Rispetto alla media mobile, questo metodo è più stabile e preserva più dettagli spettrali.

Durante il processo di misurazione, è difficile evitare completamente problemi di qualità dei dati dovuti a errori umani o all’instabilità delle condizioni, il che porta a errori significativi. Se questi dati venissero inclusi senza elaborazione, degraderebbero la qualità generale e comprometterebbero l’accuratezza delle informazioni. Quindi, implementare rigorose misure di controllo qualità è cruciale! Gli indici spettrali, combinati con approcci statistici, ci permettono di costruire grafici a dispersione per rilevare sistematicamente potenziali anomalie e garantire l’integrità dei dati.

Un esempio? L’Indice di Vegetazione Normalizzato per Differenza (NDVI). Si calcola come il rapporto normalizzato tra le bande spettrali del rosso e del vicino infrarosso (NIR) e quantifica la “verdosità” della vegetazione, servendo come proxy per lo stato di salute delle piante. Nel nostro studio, concentrandoci sull’ecosistema di prateria alpina intorno al Lago Qinghai, abbiamo adottato una soglia di validità NDVI specifica per specie e ambiente di 0.2–0.9. I campioni con valori NDVI 0.9 (che suggeriscono saturazione radiometrica o interferenza atmosferica) sono stati sistematicamente segnalati come potenzialmente compromessi ed esclusi. L’analisi dei grafici a dispersione dei valori NDVI per le 103 specie vegetali ha mostrato che un totale di cinque “fuori norma” (il 4.85% del dataset) sono stati identificati ed esclusi dalla libreria spettrale, dato che il 95.15% dei campioni mostrava valori NDVI nell’intervallo teoricamente atteso.

In sintesi, in questo lavoro abbiamo costruito il database spettrale di 98 specie vegetali tipiche dell’area intorno al Lago Qinghai. L’applicazione dell’analisi dei grafici a dispersione basata su indici spettrali fornisce un quadro robusto per eseguire un controllo di qualità multivariato sulle misurazioni spettrali, garantendo così l’accuratezza del dataset compilato. La costruzione di questa libreria spettrale vegetale supporta efficacemente le analisi e le applicazioni a valle, inclusi, ma non limitati a, la classificazione delle specie, il recupero di parametri biochimici e la modellazione ecologica. Ah, e per aprire i file .hdr e processare i dati spettrali serve un software apposito, ENVI, per poi convertirli in formato testo per la pre-elaborazione.

È stata una faticaccia, ma ne è valsa assolutamente la pena! Avere a disposizione questi dati è come avere una lente d’ingrandimento super potente su uno degli ecosistemi più affascinanti e importanti del pianeta. E spero che questo lavoro possa davvero fare la differenza per la sua conservazione futura.

Fonte: Springer