Droni e Laser: La Mia Ricetta Segreta per Svelare i Segreti degli Eucalipti!

Amici appassionati di tecnologia e natura, vi siete mai chiesti come facciamo a sapere quanti alberi ci sono in quelle immense piantagioni di eucalipto, quanto sono alti o che diametro hanno i loro tronchi? Per anni, è stato un lavoro da certosini, spesso impreciso e faticoso. Ma oggi voglio raccontarvi come, armato di un drone e di un pizzico di ingegno statistico, sto cercando di cambiare le carte in tavola, soprattutto quando si parla di foreste di eucalipto, che sono le più grandi distese di latifoglie piantate al mondo!

La Sfida: Conoscere Ogni Singolo Albero

Immaginate di dover gestire ettari ed ettari di foresta. Per farlo al meglio, in quella che chiamiamo “selvicoltura di precisione”, abbiamo bisogno di dati dettagliatissimi su ogni singolo albero. Tradizionalmente, si usavano strumenti come il laser scanner terrestre (TLS) o mobile (MLS). Fantastici, per carità, ma lenti e poco efficienti su vasta scala. Come fare, quindi, per ottenere queste informazioni in modo rapido ed economico? Ecco che entrano in gioco i droni equipaggiati con tecnologia LiDAR (Light Detection and Ranging), una sorta di radar che usa la luce laser.

Nel mio recente studio, mi sono concentrato proprio su questo: come estrarre gli attributi dei singoli alberi – quanti sono, dove si trovano, il diametro del tronco e l’altezza – usando nuvole di punti ad altissima densità acquisite da un sistema UAV-LiDAR a basso costo. E sì, “basso costo” è una parola chiave, perché rende questa tecnologia accessibile a molti più operatori del settore.

Il Mio Approccio in Tre Mosse

Ho sviluppato un metodo che si articola in tre fasi principali, un po’ come una ricetta ben congegnata:

1. Caccia ai Tronchi con l’HDBSCAN: Per prima cosa, dovevo individuare ogni singolo tronco. Ho utilizzato un algoritmo chiamato HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise). Sembra complicato, ma immaginatevelo come un detective super intelligente che analizza la nuvola di punti 3D e raggruppa quelli che probabilmente appartengono allo stesso tronco. Questo mi ha permesso non solo di contare gli alberi, ma anche di ottenere una stima della loro posizione. Una volta localizzati, ho potuto “ritagliare” virtualmente la porzione di nuvola di punti relativa a ciascun tronco per le misurazioni successive.
2. Diametri Sotto la Lente Statistica (χ²): Qui arriva il bello! Misurare direttamente il diametro del tronco da dati LiDAR a basso costo non è banale. I metodi classici, come l’adattamento di cerchi, spesso falliscono perché la nuvola di punti non è così “pulita” e definita come quella ottenuta da scanner più costosi. Allora, ho pensato: e se analizzassimo la distribuzione statistica dei punti attorno al tronco? Ho scoperto che la funzione di densità di probabilità della distribuzione chi-quadrato (χ²) si adattava magnificamente a descrivere come i punti laser si dispongono attorno al tronco. Usando questa tecnica, sono riuscito a filtrare il “rumore” e a misurare con precisione il diametro a petto d’uomo (DBH), la posizione esatta del tronco e persino la sua direzione di crescita. Quest’ultima informazione è cruciale per il passo successivo.
3. Altezze da “Pseudo-Onde”: Infine, l’altezza. Conoscendo il centro del tronco e la sua inclinazione, potevo stimare dove si trovasse la cima della chioma. Per misurare l’altezza in modo robusto, ho introdotto un approccio basato sulle “pseudo-forme d’onda”. In pratica, analizzo la densità verticale dei punti LiDAR nella chioma per identificare il punto più rappresentativo della sua sommità, ottenendo stime molto vicine a quelle misurate sul campo.

Abbiamo messo alla prova questo sistema in una piantagione di eucalipto, acquisendo dati LiDAR con una densità pazzesca, parliamo di circa 19.230 punti per metro quadrato! I risultati? Beh, direi più che incoraggianti!

I Risultati Parlano Chiaro (o Quasi!)

Siamo riusciti a individuare i singoli alberi con una precisione del 91,1% e un F-score (una misura che combina precisione e capacità di rilevamento) di 0,916. Non male, vero? Per quanto riguarda le misurazioni dirette, l’errore quadratico medio (RMSE) per il diametro a petto d’uomo (DBH) è stato del 14,60%, che si traduce in circa 2,18 cm. Per l’altezza degli alberi, l’RMSE è stato ancora migliore: solo il 2,69%, ovvero 0,31 m. Questi numeri ci dicono che la strada è quella giusta!

Una delle scoperte più interessanti, a mio avviso, è che il classico metodo di “circle-fitting” (adattamento di cerchi) potrebbe non essere l’ideale per misurare i diametri degli alberi con dati da UAV-LiDAR a basso costo. La distribuzione dei punti LiDAR attorno al tronco, quando acquisita da questi sensori, tende a formare un “disco pieno” piuttosto che un anello vuoto, rendendo l’approccio basato sulla distribuzione χ² molto più efficace.

Perché Proprio l’Eucalipto? E Perché il LiDAR a Basso Costo?

Le piantagioni di eucalipto, come dicevo, coprono oltre 20 milioni di ettari nel mondo. Sono una risorsa importantissima e gestirle in modo sostenibile ed efficiente è fondamentale. La tecnologia UAV-LiDAR, anche nella sua versione “low-cost”, offre una flessibilità e una capacità di acquisire dati ad alta risoluzione spaziale e temporale che prima erano impensabili. Pensate alla possibilità di monitorare la crescita, lo stato di salute, o pianificare interventi mirati quasi in tempo reale!

Il bello dei sistemi UAV-LiDAR è che volano a bassa quota e lentamente, permettendo di generare nuvole di punti densissime che penetrano bene la copertura forestale e catturano informazioni dettagliate lungo tutto il profilo verticale della foresta. Questo migliora l’accuratezza delle stime degli attributi strutturali.

Un Mondo di Dettagli: Dal Conteggio alla Biomassa

L’approccio che ho esplorato non si ferma al semplice conteggio o alla misura del diametro e dell’altezza. Queste informazioni sono la base per calcolare il volume del fusto, la biomassa e persino per ricostruire la struttura delle ramificazioni o determinare la direzione di crescita. Immaginate le implicazioni per la stima dello stock di carbonio o per la pianificazione della raccolta!

Certo, ci sono ancora sfide. La vegetazione del sottobosco, i rampicanti o la corteccia che si stacca (tipica degli eucalipti) possono interferire. Per questo, ho lavorato molto sulla “pulizia” dei dati e sulla scelta degli intervalli di altezza giusti per l’analisi dei tronchi. Ad esempio, per l’individuazione dei tronchi, abbiamo scoperto che analizzare la nuvola di punti tra i 2 e i 4 metri di altezza dal suolo normalizzato minimizzava molti di questi disturbi.

Il metodo basato sulla distribuzione χ² per i diametri è stato particolarmente interessante. In pratica, dopo aver isolato la sezione di tronco che ci interessa (ad esempio, a 1,3 metri di altezza), calcoliamo la distanza di ogni punto dal centro geometrico di quella sezione. Creiamo poi un istogramma di queste distanze. Questo istogramma, come ho ipotizzato e verificato, segue una distribuzione χ². Adattando la curva teorica a quella sperimentale, possiamo identificare e scartare i punti anomali (rumore) e definire il raggio del tronco come la distanza corrispondente al picco di densità di probabilità. È un po’ come “accordare” uno strumento musicale finché non si ottiene la nota giusta.

Altezze Precise: Non Solo il Punto Più Alto

Per l’altezza, la sfida era essere coerenti con le misurazioni fatte a terra. Spesso, gli alberi non sono perfettamente dritti, specialmente quelli ai margini della piantagione. Usando le coordinate dei centri del tronco a 1,3 m e a 7,0 m, insieme a un modello digitale della chioma (CHM), ho potuto calcolare la posizione planimetrica della cima della chioma anche per alberi inclinati. Poi, analizzando la distribuzione verticale dei punti nella chioma con le “pseudo-forme d’onda”, ho identificato l’altezza che meglio corrisponde a quella che un operatore misurerebbe sul campo. Non si tratta semplicemente di prendere il punto LiDAR più alto, che potrebbe essere una foglia solitaria o un uccello di passaggio, ma di trovare il “cuore” della cima.

Il nostro studio ha dimostrato che anche con sensori LiDAR non “survey-grade” (cioè non di altissima precisione geodetica), che hanno un errore posizionale orizzontale di circa 10 cm, è possibile ottenere risultati notevoli. La chiave sta nell’algoritmo e nella comprensione di come i dati si comportano.

Cosa Ci Riserva il Futuro?

Questo lavoro apre la strada a inventari forestali automatizzati e a un monitoraggio più efficiente delle piantagioni. Certo, c’è ancora da fare. Bisognerà testare questo approccio in altre tipologie di foreste, sia piantagioni diverse che foreste naturali, che sono molto più complesse. Inoltre, voglio capire meglio quale sia la densità minima di punti necessaria per ottenere buoni risultati, perché acquisire nuvole ultra-dense ha un costo in termini di tempo di volo e di elaborazione dati.

Sono convinto che la combinazione di droni, LiDAR e algoritmi intelligenti sia una delle chiavi per una gestione forestale più sostenibile e consapevole. E chissà quali altre scoperte ci aspettano dietro l’angolo, o meglio, dietro il prossimo albero!

Spero che questo piccolo viaggio nel mondo della tecnologia applicata alle foreste vi sia piaciuto. È un campo in continua evoluzione, e ogni giorno impariamo qualcosa di nuovo su come questi strumenti possono aiutarci a comprendere e proteggere meglio il nostro pianeta.

Fonte: Springer