Il contesto storico nel quale ci troviamo e le conseguenze del cambiamento climatico impongono in maniera crescente una ricerca di strumenti innovativi capaci di stimare e preservare la biodiversità, anche nei contesti urbani. Particolare importanza ricoprono le alberature nelle città per le loro funzioni ecologiche, ma anche sociali. Le recenti innovazioni nell’ambito del Remote Sensing (RS), integrate con tecniche di classificazione basate su Machine Learning (ML) e Deep Learning (DL) permettono applicazioni innovative nell’ambito del monitoraggio e della gestione delle alberature urbane. L’attuale classificazione del territorio è resa possibile mediante un approccio quantitativo che presuppone l’impiego sinergico di diverse tecnologie, tra cui l’utilizzo di satelliti multispettrali e/o iperspettrali e software GIS. Il lavoro proposto ha come obiettivo la comparazione dei risultati di classificazione di alcune specie arboree, in un contesto fortemente urbanizzato, tramite l’utilizzo di un dato multispettrale Pléiades e un dato iperspettrale PRISMA. L’area di studio scelta per l’applicazione dei modelli di classificazione occupa una superficie di 20 Km2 nella zona Ovest della città metropolitana di Napoli, Italia. Si tratta di un’area selezionata per le caratteristiche insediative e vegetazionali articolate e rappresentative di un gradiente di urbanizzazione variabile. Nell’area, infatti, sussistono sia aree che conservano un tasso di maggiore naturalità sia aree fortemente urbanizzate, caratterizzate da un’elevata frammentazione della vegetazione presente. Gli algoritmi di classificazione scelti per la comparazione sono il Random Forest (RF) e una Convolutional Neural Network (CNN), entrambi implementati nel software open source QGIS. La classificazione supervisionata è stata ottenuta impiegando il dato iperspettrale PRISMA sottoposto preventivamente a pansharpening e utilizzando alcune verità a terra per l’addestramento e la validazione dei modelli. I risultati ottenuti hanno mostrato in generale un’accuratezza migliore in fase di validazione del modello per la CNN, mentre il RF, grazie ad una maggiore capacità di generalizzazione, ha ottenuto performance migliori in fase di test, evidenziando il potenziale di questo approccio per ottimizzare le tecniche di gestione della vegetazione urbana e promuovere la conservazione della biodiversità.
Keywords: Telerilevamento; PRISMA; Pléiades; biodiversità; alberature urbane