Analisi della risoluzione spazio-spettrale usando immagini iperspettrali da drone e multispettrali da satellite per il monitoraggio di acque costiere basse

Perché questo studio costiero è importante

Le acque costiere basse ospitano praterie di fanerogame, barriere coralline e letti di alghe che proteggono le coste, sostengono la pesca e immagazzinano carbonio. Tuttavia questi habitat sono difficili da mappare e monitorare frequentemente usando solo imbarcazioni. Questo studio mostra come il volo di una camera iperspettrale montata su drone, combinato con viste in stile satellitare, possa fornire mappe dettagliate e ripetibili della profondità dell’acqua e degli habitat del fondo, aiutando le comunità a gestire coste fragili sotto crescenti pressioni umane e climatiche.

Osservare il mare dall’alto

I ricercatori si sono concentrati sulla spiaggia di Las Canteras, una costa urbana a Gran Canaria protetta per la sua ricca vita marina ma fortemente frequentata da residenti e turisti. Una barra rocciosa naturale calma le acque e rende il fondale chiaramente visibile dall’alto, ideale per il telerilevamento ottico. Storicamente l’area ospitava estese praterie di fanerogame, in gran parte scomparse quando le opere costiere hanno alterato il moto delle sabbie. Oggi macchie di alghe verdi, brune e rosse, insieme a sabbia e roccia, formano un mosaico sul fondale che riflette sia cambiamenti naturali sia impatti antropici.

Testare diversi “occhi” sull’acqua

Al centro del lavoro c’è un esperimento intelligente: invece di confrontare direttamente diverse camere volate o orbitali in tempi differenti, il team è partito da una singola immagine drone molto dettagliata acquisita da un sensore iperspettrale (97 bande strette del colore a risoluzione di 10 centimetri). Da questo riferimento unico, hanno matematicamente “degradato” i dati per imitare un satellite commerciale con 8 bande più ampie e una semplice camera RGB con solo 3 bande, ciascuna a risoluzioni sia fini (10 cm) sia più grossolane (2 m). Ciò ha prodotto sei versioni controllate della stessa scena, tutte prive di differenze dovute a meteo, chiarezza dell’acqua o maree. Hanno poi usato queste immagini per stimare la profondità dell’acqua (batimetria) e classificare i tipi di fondale (vegetazione, sabbia e roccia) impiegando un mix di formule consolidate e metodi di apprendimento automatico moderni.

Leggere profondità e habitat dal colore

Per ricavare la profondità, lo studio ha confrontato un approccio matematico consolidato che mette in relazione la luce in due bande di colore con la profondità, con un modello di machine learning più flessibile che apprende pattern da molte bande contemporaneamente. Per gli habitat del fondale, hanno addestrato due tipi di classificatori: macchine a vettori di supporto e reti neurali feedforward, entrambi guidati da rilievi in acqua e foto del fondale. In tutti i test, i dati iperspettrali da drone hanno fornito i risultati più accurati, con errori di profondità fino a circa 15 centimetri e circa il 94% di classificazione corretta degli habitat. Le immagini multispettrali, simili a quelle dei comuni satelliti commerciali, hanno performato quasi allo stesso livello, offrendo un forte compromesso tra dettaglio, copertura e costo. La versione più semplice RGB ha dato risultati accettabili per la profondità ma ha faticato a separare in modo affidabile i diversi tipi di fondo in questo habitat complesso, specialmente nel distinguere tra specie di alghe simili.

Cosa conta di più: nitidezza o ricchezza spettrale?

Una delle questioni chiave era se a fare la differenza più grande siano i pixel più fini o l’informazione cromatica più ricca. Per la profondità, la risposta è sorprendente: cambiare la dimensione del pixel da 10 cm a 2 m ha influenzato appena l’accuratezza. Poiché la profondità è determinata principalmente da come la luce si attenua nell’acqua, un dettaglio spaziale molto elevato aggiunge poco quando le acque sono solo di pochi metri e relativamente uniformi. Per la mappatura degli habitat, invece, sia la ricchezza spaziale sia quella spettrale contano di più. Pixel più fini riducono la mescolanza di sabbia, roccia e piante all’interno di ciascun pixel, rendendo le classi più facili da separare. E quando l’obiettivo è distinguere tipi di alghe simili, avere più bande spettrali aiuta chiaramente. Il modello di rete neurale ha sfruttato meglio queste informazioni aggiuntive, superando il classificatore più tradizionale.

Monitorare una preoccupante perdita di vegetazione marina

Oltre al test dei metodi, il team ha anche confrontato una vera immagine satellitare del 2016 con i dati drone del 2023, adattati per corrispondere alla risoluzione più grossolana del satellite. Hanno rilevato una perdita stimata di circa 7.200 metri quadrati di vegetazione marina, gran parte probabilmente attribuibile a praterie della alga verde Cymopolia barbata. Unitamente alla già documentata scomparsa delle storiche praterie di fanerogame, a una tendenza locale di riscaldamento della temperatura superficiale del mare, all’intenso uso ricreativo e a periodici problemi di qualità delle acque, i risultati suggeriscono che questa barriera urbana è sotto notevole stress.

Cosa significa per coste e comunità

Per i non specialisti, il messaggio è duplice. Primo, le moderne immagini da droni e satelliti, analizzate con il machine learning, possono ormai fornire mappe accurate e ripetibili della profondità in acque basse e della vita del fondale senza sondaggi in barca continui. Questo rende pratico osservare come gli habitat costieri cambiano nel corso degli anni o anche delle stagioni. Secondo, il caso di Las Canteras mostra perché tale monitoraggio è urgente: preziose “foreste” subacquee possono ridursi silenziosamente sotto il peso combinato di mari che si scaldano e pressioni locali. L’approccio presentato qui offre un kit di strumenti pratico per città e agenzie di conservazione per tenere sotto controllo i loro quartieri subacquei e intervenire prima che habitat chiave vadano persi.

Citazione: Mederos-Barrera, A., Eugenio, F. & Marcello, J. Spatial-spectral resolution analysis using drone hyperspectral and satellite multispectral imagery for shallow coastal water monitoring. Sci Rep 16, 14511 (2026). https://doi.org/10.1038/s41598-026-38166-7

Parole chiave: mappatura costiera, rilevamento iperspettrale con drone, batimetria di acque basse, monitoraggio degli habitat bentonici, perdita di vegetazione marina