Analisi multitemporale con foto aeree storiche dei cambiamenti dell’uso del suolo nel Parco Nazionale del Gran Paradiso

At the level of the Alps, a significant change in land use is being observed. Analyzing these changes is essential for understanding current challenges and as a basis for developing policies that promote sustainable land management capable of preserving the delicate environmental balance of the Alps. One of the most effective models for analyzing these changes from spatial and temporal perspectives is the use of aerial and/or satellite imagery, which, aided by artificial intelligence, can be classified into land use and land cover classes, allowing for the investigation and quantitative measurement of changes over large areas. The adoption of technologies based on artificial intelligence has become a common practice in the field of forest ecology due to their ability to manage and analyze large volumes of data, such as in image classification. These models have the advantage of using rapid, precise, standardized, and replicable methodologies, provided there is a sufficient amount of input data. The growing demand for greater accuracy and adaptability in image analysis finds an effective solution in the use of deep learning techniques based on convolutional neural networks (CNN). The end-to-end learning process, which represents the essence of deep learning methods, allows the network to autonomously learn the optimal transformations to solve specific problems. This technology has been applied in this research to quantify land use changes that have occurred over the past seventy years within the Gran Paradiso National Park. The observed transformations, which are also common in other regions of the Alpine arc, have primarily been driven by the abandonment of traditional agricultural activities. This socioeconomic phenomenon has facilitated the expansion of forest areas, which fits into a context of global changes including climate change and land use changes. These dynamics promote the colonization of new plant species. For this research, two advanced semantic classification models based on deep learning algorithms were employed, aiming to produce detailed maps of land cover in six different categories: sparse forest (10-80% canopy cover), dense forest (80-100% canopy cover), grass-covered surfaces (canopy cover < 10%), bare soil surfaces, anthropogenic surfaces, and shadows. The analysis was based on orthomosaics (specifically from 1954, 1975, 1991, and 2022), generated by digitizing historical and contemporary aerial photographs, requiring the use of a large database of previously classified alpine images through semi-automatic techniques. This enabled the production of four classifications, one for each reference year of the employed orthomosaics. The results demonstrated a significant increase in grass and forest cover, particularly highlighting the expansion of forests. The conversion process from non-vegetated land to covered land was more pronounced in the valleys o

A livello delle Alpi si sta osservando un cambiamento importante a livello dell'uso del suolo. Analizzare questi cambiamenti è essenziale per comprendere le sfide attuali e come base per lo sviluppo di politiche che promuovano una gestione sostenibile del territorio, in grado di preservare il delicato equilibrio ambientale delle Alpi. Uno dei modelli più efficaci per analizzare questi cambiamenti dal punto di vista spaziale e temporale è l’impiego di immagini aeree e/o satellitari che, grazie anche all’impiego dell’intelligenza artificiale, possono essere classificate in classi di uso e copertura del suolo, permettendo di indagare e misurare quantitativamente i cambiamenti su ampie superfici di territorio. L'adozione di tecnologie basate sull'intelligenza artificiale è ormai una prassi diffusa nel campo dell'ecologia forestale, per via della loro capacità di gestire e analizzare ampi volumi di dati, come nel caso della classificazione di immagini. Questi modelli hanno il vantaggio di utilizzare, metodologie rapide, precise, standardizzate e replicabili, fatto salvo una buona quantità di dati in input. La crescente esigenza di maggiore accuratezza e adattabilità nell'analisi di immagini trova una soluzione efficace nell'impiego di tecniche di deep learning, basate su reti neurali convolutive (CNN). Il processo di apprendimento end-to-end, che rappresenta l'essenza del metodo di deep learning, permette alla rete di apprendere autonomamente le trasformazioni ottimali per risolvere problemi specifici. Tale tecnologia è stata applicata in questa ricerca per quantificare i cambiamenti di uso del suolo avvenuti negli ultimi settant'anni nell'ambito del Parco Nazionale del Gran Paradiso. Le trasformazioni osservate, comuni anche in altre regioni dell'arco alpino, sono state prevalentemente determinate dall'abbandono delle attività agricole tradizionali. Questo fenomeno socioeconomico ha favorito l'espansione delle aree forestali, fenomeno che si inserisce in un contesto di cambiamenti globali che annoverano i cambiamenti climatici e di uso del suolo. Queste dinamiche promuovono la colonizzazione di nuove specie vegetali. Per questa ricerca, sono stati impiegati due modelli avanzati di classificazione semantica basati su algoritmi di deep learning, con l'obiettivo di produrre mappe dettagliate della copertura del suolo in sei diverse categorie: il bosco rado (10-80% di copertura delle chiome), il bosco denso (80-100% di copertura delle chiome), le superfici a copertura erbacea (copertura delle chiome < 10%), le superfici con suolo nudo, le superfici antropiche e le ombre. L'analisi si è basata su ortomosaici (in particolare del 1954,1975, 1991 e del 2022), generati dalla digitalizzazione di fotografie aeree storiche e contemporanee, richiedendo l'utilizzo di un ampio database di immagini alpine precedentemente classificate mediante tecniche semiautomati