Mappe coincidenti di cambiamento della copertura del suolo, delluso del suolo e dello stato delle foreste negli Stati Uniti, 1985-presente

PerchE9 osservare il paesaggio conta

Negli Stati Uniti le foreste bruciano e ricrescono, le cittE0 si espandono, le aziende agricole cambiano colture e i laghi si ingrossano o si prosciugano. Tuttavia, visti dallalto molti di questi scenari molto diversi possono apparire sorprendentemente simili: una macchia di alberi E8 una macchia di alberi, sia che si tratti di un bosco gestito per la produzione, di un parco cittadino o di una foresta selvaggia. Questo articolo presenta il Landscape Change Monitoring System (LCMS), un progetto di mappatura a livello nazionale che dissipa non solo ciF2 che si vede a terra (copertura del suolo), ma anche come le persone lo usano (uso del suolo) e come la vegetazione cambia nel tempo. Per chiunque sia interessato al clima, alla fauna, allacqua o alla crescita urbana, LCMS offre un nuovo strumento potente per vedere come i paesaggi americani sono evoluti dal 1985 a oggi.

Vedere piF9 del semplice verde e grigio

Le mappe satellitari tradizionali descrivono solitamente il territorio usando categorie visive ampie: foresta, coltivazioni, acqua, asfalto. LCMS parte da una distinzione semplice ma cruciale: la chioma verde che vediamo (copertura del suolo) non E8 la stessa cosa della finalitE0 che attribuiamo a un luogo (uso del suolo). Una foresta temporaneamente diradata per il taglio ma lasciata ricrescere ha un impatto a lungo termine molto diverso rispetto a una foresta definitivamente disboscata per alloggi o per unautostrada, anche se entrambe possono apparire inizialmente come perdita di alberi dallo spazio. LCMS produce quindi tre prodotti cartografici coordinati a risoluzione di 30 metri per quasi tutte le terre statunitensi: copertura annua del suolo, uso annuo del suolo e un registro separato di disturbi della vegetazione e ricrescita. Questa visione in tre parti consente agli utenti di capire se un cambiamento E8 una cicatrice passeggera su una foresta in gestione, una transizione da pascolo a nuova boscoverde, o una conversione permanente di terreni agricoli in sobborghi.

Trasformare decenni di immagini in storie coerenti

Per costruire queste mappe, gli autori attingono a un vasto archivio di immagini satellitari del programma Landsat, affiancato piF9 di recente dai satelliti Sentinel-2 europei. Invece di guardare ogni anno in isolamento, LCMS adatta curve matematiche allintera serie temporale di immagini per ogni pixel, usando due algoritmi complementari noti come LandTrendr e CCDC. Uno E8 tarato per individuare rotture improvvise nelle tendenze a lungo termine, come un incendio o un taglio raso; laltro si concentra sui modelli allinterno di ciascuna stagione di crescita, come il ritmo stagionale distinto delle colture o delle praterie. Combinando entrambi, LCMS distingue meglio i cambiamenti reali e duraturi dal rumore di breve durata come nuvole, neve o variazioni climatiche anno su anno. Anche informazioni sul terreno, come quota e pendenza, vengono integrate, aiutando a separare, per esempio, substrati rocciosi di alta montagna dallasfalto in pianura.

Verifiche a terra da migliaia di punti di campionamento

Anche i migliori algoritmi hanno bisogno di esempi affidabili per imparare. LCMS si basa su oltre 13.000 localitE0 di riferimento accuratamente interpretate nella parte contigua degli Stati Uniti, nel sud-est dellAlaska, nelle HawaiCB, a Porto Rico e nelle Isole Vergini USA. Con uno strumento chiamato TimeSync, gli analisti scorrono decenni di immagini satellitari e fotografie aeree ad alta risoluzione in ciascun punto, assegnando anno per anno quale sia la copertura del suolo, come venga usato e che tipo di cambiamento incendio, taglio, danno da tempesta o declino lento E8 avvenuto. PoichE9 alcune situazioni importanti, come la perdita forestale o le superfici urbane impermeabili, sono relativamente rare, il team campiona deliberatamente in sovrabbondanza queste categorie per garantire che i modelli le apprendano bene. Modelli di machine learning random forest vengono quindi addestrati separatamente per il cambiamento, la copertura e luso del suolo, e le loro prestazioni sono testate con rigorose tecniche di validazione incrociata che tengono conto del disegno di campionamento.

Cosa rivelano le nuove mappe

Con mappe annuali dal 1985 in avanti, LCMS puF2 tracciare le storie di ambienti ben note. Intorno al Great Salt Lake dello Utah, cattura il drammatico ritiro delle rive durante gli anni di siccitE0 recenti, mostrando la copertura dellacqua che si restringe fino a diventare fondali nudi mentre luso del suolo resta classificato come "altro", a indicare che la recinzione per il pascolo o lo sviluppo segue lesposizione del letto lacustre. Lungo la costa del Golfo della Florida, LCMS mette in evidenza la fascia di foresta abbattuta dalluragano Michael nel 2018 come un esplosione di rapida perdita di vegetazione seguita da una graduale ricrescita, mentre luso sottostante rimane in gran parte forestale. Nella Front Range del Colorado, separa il lento declino degli alberi dovuto agli scolitidi dalle cicatrici improvvise dei grandi incendi e mostra dove la vegetazione comincia a ricostituirsi. In questi esempi emerge un modello ricorrente: la copertura del suolo puF2 oscillare rapidamente tra alberi, arbusti e erbe dopo un disturbo, ma luso del suolo puF2 rimanere stabile per anni.

Dalle mappe a decisioni migliori

Per i gestori forestali e i responsabili delle politiche, il vantaggio pratico piF9 immediato di LCMS E8 una stima piF9 accurata di quanta terra E8 effettivamente gestita come foresta, non solo dove ci sono alberi. Quando gli autori combinano le mappe di uso del suolo LCMS con la rete di parcelle in campo di lunga data del Servizio Forestale degli Stati Uniti, scoprono che le stime statistiche dellarea forestale diventano circa tre volte piF9 precise rispetto alluso esclusivo delle parcelle a livello regionale. CiF2 significa che le agenzie possono monitorare le tendenze e valutare le politiche con meno visite sul campo e maggiore fiducia. PiF9 in generale, LCMS fornisce dati aperti, aggiornati annualmente, e strumenti online che permettono agli utenti di animare i cambiamenti, riassumere le condizioni per contea o per foresta e progettare le proprie analisi. Separando chiaramente come appare la terra, come le persone la usano e come la vegetazione risponde, questo sistema offre una finestra piF9 limpida sul paesaggio americano che cambia e una base piF9 solida per mantenerlo in salute.

Citazione: Housman, I.W., Healey, S.P., Heyer, J. et al. Coincident maps of changing land cover, land use, and forest condition in the United States, 1985-present. Sci Data 13, 575 (2026). https://doi.org/10.1038/s41597-026-06743-0

Parole chiave: cambiamento della copertura del suolo, mappatura delluso del suolo, telerilevamento, monitoraggio forestale, serie temporali satellitari