Mappe della deforestazione prodotte per l'uso nella piattaforma ICE CoT.

Le ICE CoT EUDR Deforestation Maps sono disponibili su licenza di ICE

Benchmark Administration Limited.

Space Intelligence crea mappe di copertura del suolo con risoluzione di 10 m per aiutare i trader e gli operatori di materie prime a rispettare gli obblighi di conformità EUDR..

Le mappe che produciamo stabiliscono la linea di base di dove il territorio era e non era foresta al 31 dicembre 2020, e di dove si è verificata deforestazione e sono cresciute nuove foreste da allora fino a oggi.

Queste mappe seguono la definizione di foresta dell'EUDR:

'Foresta': terreno con una superficie superiore a 0,5 ettari caratterizzato dalla presenza di alberi di altezza superiore a 5 metri e una copertura della volta arborea superiore al 10 %, o di alberi capaci di raggiungere queste soglie in situ, esclusi i terreni a uso prevalentemente agricolo o urbano.

E la definizione di deforestazione dell'EUDR, definita come:

'Deforestazione': la conversione, antropogenica o meno, delle foreste

a uso agricolo [dopo la data limite del 31 dicembre 2020]

Seguire queste definizioni comporta il difficile processo di determinare con esattezza dove vi fosse agricoltura nel 2020 e dove vi sia oggi, anche se tale agricoltura si trova spesso sotto la copertura arborea o è essa stessa costituita da alberi (ad esempio nei sistemi agroforestali come il cacao o il caffè). In effetti, le aree alberate possono non soddisfare la definizione di foresta per diversi motivi:

Utilizziamo i seguenti dataset satellitari, acquisendo immagini durante tutto l'anno per raccogliere informazioni su come ogni porzione di territorio cambia nelle diverse stagioni. Per tenere conto delle diverse risoluzioni iniziali e proiezioni cartografiche, tutti i dataset vengono allineati e corretti per il terreno sulla stessa griglia con pixel di 10 m x 10 m. Questa griglia utilizza una proiezione equivalente (ESPG: 6933) per garantire che ogni pixel abbia la stessa dimensione.

Utilizziamo tutti i dati di campo disponibili per i paesi mappati, sopralluoghi effettuati appositamente, foto aperte geolocalizzate, dataset cartografici esistenti e l'analisi da parte dei nostri esperti di dati satellitari ad altissima risoluzione (<1 m), per creare un insieme di polygon che con elevata certezza appartengono a specifiche classi di copertura del suolo.

Ciò include un notevole impegno nel creare polygon che siano con certezza piantagioni arboree, colture arboree e agricoltura sotto copertura arborea, oltre a foresta aperta e chiusa. Questi polygon sono fondamentali per separare queste classi, che nei dati satellitari spesso appaiono superficialmente simili.

Creiamo inoltre un dataset di test indipendente di punti, non utilizzato per creare le mappe, ma per determinare quando sono sufficientemente accurate per l'uso.

I dataset satellitari vengono combinati in data cube che coprono un periodo di sei mesi. Questo periodo comprende gli ultimi sei mesi del 2020 (per produrre mappe che mostrano la situazione fino al 31 dicembre 2020) e i sei mesi più recenti (per coprire il periodo fino a oggi). Il periodo più recente verrà aggiornato annualmente, utilizzando i dati fino al 30 settembre di quell'

anno solare.

Le nuvole e le ombre delle nuvole vengono rimosse dai dati satellitari ottici e tutti i dataset vengono corretti per il terreno e radiometricamente, oltre che allineati.

I nostri data scientist addestrano ed eseguono quindi un algoritmo di machine learning che combina i polygon di verità e il data cube satellitare, per prevedere le mappe di fine 2020 e del periodo più recente. Queste vengono verificate rispetto al dataset di test indipendente. In base ai risultati e all'ispezione visiva della mappa da parte dei nostri esperti, miglioriamo la mappa rieseguendola con modifiche ai polygon di verità, ai dataset satellitari utilizzati o ai parametri

dell'algoritmo di machine learning, fino a ottenere per un paese una mappa finale che soddisfi i nostri requisiti di accuratezza.

Le mappe con risoluzione di 10m vengono post-elaborate per apportare le seguenti modifiche:

È importante comprendere le prestazioni ('accuratezza') dei prodotti di copertura del suolo per sapere se le mappe sono adatte a un determinato caso d'uso.

In Space Intelligence prendiamo questo aspetto molto seriamente e valutiamo l'accuratezza dei nostri prodotti e la loro incertezza in modo statisticamente rigoroso, seguendo

le buone pratiche descritte nella letteratura scientifica1 e negli standard internazionali (2,3). Fissiamo obiettivi di prestazione in base ai requisiti di uno specifico contratto.

L'accuratezza può essere verificata in diversi modi, ma l'unico approccio che fornisce una valutazione significativa dell'accuratezza di un pixel casuale nella mappa di output è l'approccio 4. È l'approccio utilizzato da Verra nella nuova Consolidated REDD+ Methodology (VM0048) e raccomandato dalle linee guida di buona pratica (1-3), ma non sempre seguito dalle aziende desiderose di esibire statistiche di accuratezza elevate. Per un'ulteriore valutazione di ciascun approccio, consultare pagina 4.

È importante precisare che l'uso di una singola metrica (come l'accuratezza complessiva) non è un modo affidabile per descrivere l'accuratezza di una mappa.

Un metodo molto più interpretabile e trasparente consiste nell'utilizzare una matrice di errore che mostri le accuratezze di commissione e omissione per ciascuna classe (valutando in sostanza se la mappa sovrastima o sottostima determinate classi). Ad esempio, in un'area con un tasso di deforestazione dell'1%, non segnalare alcuna deforestazione darebbe un'accuratezza complessiva del 99% pur essendo del tutto inadatto allo scopo. In questo caso è meglio riportare che la mappa ha un'accuratezza del 100% per la foresta invariata e dello 0% per la deforestazione: ed è quindi chiaramente inadeguata.

Per l'EUDR, l'attenzione è rivolta a separare la foresta naturale da tutti gli altri tipi di copertura del suolo (che devono includere classi con alberi, come il cacao). Ciò consente di stimare la probabile accuratezza della valutazione secondo cui un determinato polygon, ad esempio nel 2020, era in quel momento foresta naturale oppure era già non foresta.

In Space Intelligence riteniamo che la valutazione indipendente di punti isolati secondo le migliori pratiche sia il modo migliore per valutare l'accuratezza delle mappe foresta/non foresta (l'approccio 4 citato in precedenza). Questa valutazione viene svolta dai nostri ecologi e data scientist altamente qualificati, che esaminano centinaia di punti 'alla cieca' seguendo uno schema di campionamento statisticamente valido, utilizzando immagini satellitari o aeree ad alta risoluzione, inclusi eventuali altri dati di campo esistenti forniti da partner locali. Per allinearsi al modo in cui le nostre mappe vengono utilizzate per i test in ICE CoT, dove si considerano i pixel di 'foresta centrale' leggermente distanti dal bordo, i punti molto vicini al bordo delle porzioni di foresta sono esclusi dalla valutazione.

Il nostro obiettivo è superare un'accuratezza di commissione e omissione del 90% sia per la classe foresta sia per quella non foresta, con un'accuratezza complessiva superiore al 95%.

Spesso superiamo considerevolmente questi valori, ma ciò dipende dai tipi di

vegetazione e dalla complessità del paesaggio. Ad esempio, in un paesaggio brasiliano

caratterizzato da ampi blocchi di foresta tropicale e grandi campi di soia, con disboscamenti di dimensione media pari a decine di ettari, ci aspetteremmo accuratezze complessive superiori al 99%. Ma in un paesaggio complesso con piccoli agricoltori, piccole porzioni deforestate (<1 ha) e colture che includono alberi (ad es. cacao), tali livelli di accuratezza non sono raggiungibili e andrebbero considerati con sospetto.

Grazie ai nostri metodi avanzati (che combinano più tipi di dati satellitari) e

alla conoscenza del territorio, accuratezze di commissione e omissione superiori al 90% sono possibili anche in questi paesaggi complessi.

I test che ICE CoT esegue sulle nostre mappe si basano sulle accuratezze delle nostre mappe e sulla consapevolezza che gli errori nelle mappe si concentrano in particolare ai bordi delle aree forestali e di deforestazione, nonché sulla probabile accuratezza delle unità GPS da campo utilizzate per mappare i confini dei terreni.

La Cambogia è un territorio con elevati tassi di deforestazione, dove la maggior parte dei disboscamenti è su piccola scala per diverse colture, incluse colture arboree come palma da olio, gomma e noci di betel. La foresta è un insieme complesso di formazioni secche, umide e pluviali, comprese aree paludose e mangrovie.

Come caso di studio, riassumiamo di seguito i risultati di una mappa di copertura del suolo del 2020 realizzata da Space Intelligence nell'ambito di una serie di mappe che studiano la dinamica della copertura del suolo del paese nell'arco di oltre 13 anni. Le mappe mostrano un'elevata accuratezza e una confusione minima tra foresta e non foresta, escludendo con successo dalla classe foresta le piantagioni di legname, le colture arboree e le piantagioni di gomma, come richiesto per una valutazione EUDR.

Tabella 1: accuratezze tematiche della baseline forestale della Cambogia di Space Intelligence per il 2023, valutate in modo indipendente mediante un disegno di campionamento probabilistico, che mostrano un'elevata accuratezza complessiva ma anche una bassa confusione tra le classi. Tutti i valori includono l'intervallo di confidenza al 95°.

Figura 1: un estratto della baseline forestale della Cambogia di Space Intelligence, con la foresta in verde, la non foresta in nero e l'acqua in blu. I punti rossi sono alcune delle migliaia di punti casuali di valutazione dell'accuratezza utilizzati per valutare l'accuratezza della mappa.

L'accuratezza può essere verificata in diversi modi, ma l'unico approccio che fornisce una valutazione significativa dell'accuratezza di un pixel casuale nella mappa di output è l'approccio 4. È l'approccio utilizzato da Verra nella nuova Consolidated REDD+ Methodology (VM0048) e raccomandato dalle linee guida

di buona pratica1-3, ma non sempre seguito dalle aziende desiderose di esibire statistiche di accuratezza elevate.

Approccio 1: un confronto dei dati di addestramento in input (normalmente polygon tracciati a occhio con classi come 'foresta' o 'non foresta') con la mappa di output. Normalmente l'unità utilizzata è la proporzione di pixel classificati correttamente ('accuratezza complessiva'), con i singoli pixel come unità di valutazione, non i polygon interi.

Valutazione: sebbene comune, questo metodo non è scientificamente appropriato, poiché non vi è indipendenza tra i dataset di test e di addestramento.

Un ulteriore problema è l'uso dei pixel anziché dei polygon come base del confronto. I pixel adiacenti (ad esempio tutti i pixel che compongono un campo disboscato in una foresta) vengono trattati come campioni indipendenti, mentre in realtà sono vicini e condividono molte più caratteristiche di due pixel casuali nella mappa di output.

Per entrambi questi motivi, sovrastimerà inevitabilmente l'accuratezza.

Approccio 2: un confronto analogo della mappa di output con polygon, ma utilizzando polygon prodotti in modo indipendente e non usati per addestrare la mappa. Normalmente l'unità utilizzata è la proporzione di pixel classificati correttamente ('accuratezza complessiva'), con i singoli pixel come unità di valutazione, non i polygon interi.

Valutazione: presenta lo stesso problema descritto sopra, ovvero trattare come indipendenti pixel adiacenti non indipendenti, sovrastimando l'accuratezza

Approccio 3: utilizzo di dati raccolti in situ (dati di campo).

I dati di campo sono spesso proposti come il 'gold standard' dei dati di validazione e si presume che abbiano un'accuratezza superiore rispetto ad altre fonti di dati.

Valutazione: tuttavia, a causa dell'accessibilità e del costo elevato rispetto, ad esempio, all'interpretazione di dati di telerilevamento ad alta risoluzione, le dimensioni ridotte del campione e la piccola porzione dell'area disponibile per il campionamento fanno sì che i risultati non possano essere estrapolati in modo affidabile a regioni estese.

Tendono inoltre a essere spazialmente distorti, il che può costituire un problema nella valutazione dei prodotti di copertura del suolo, poiché le aree accessibili sono in genere più disturbate.

Approccio 4: la valutazione indipendente di un insieme di punti isolati, distribuiti sull'intera mappa di output secondo un approccio di campionamento statisticamente valido (di solito una griglia o un campione casuale stratificato).

Valutazione: questo approccio fornisce una valutazione affidabile dell'accuratezza delle diverse classi di una mappa e degli intervalli di confidenza di tale valutazione. È possibile aggiungere altri punti in modo statisticamente valido finché gli intervalli di confidenza della valutazione dell'accuratezza non sono sufficientemente ristretti da soddisfare i requisiti.