Sentinel-2 time series and machine learning models for fuel type classification in Mediterranean vegetation

Wildfires pose a significant threat to Mediterranean European ecosystems, particularly in highly fire-prone areas such as the island of Sardinia, Italy, where prolonged dry periods and extensive fuel accumulation amplify their frequency and intensity. Fire risk in European Mediterranean countries (Portugal, Spain, Italy, and Greece) is increasing due to more arid climatic conditions, such as drought and rising temperatures. Effective fire management strategies rely on accurate fuel type classification, which is essential for predicting fire behavior and implementing risk mitigation measures. This thesis proposes a methodological approach using machine learning (ML) algorithms applied to the time series of Copernicus Sentinel-2 satellite data to classify fuel types in Sardinia. The proposed classification models rely on a dataset of spatially distributed parameters characterizing vegetation and land conditions (vegetation index time series, topography, canopy height, and FAPAR) to produce a regional-scale fuel type map with a spatial resolution of 10 meters (Sentinel-2 pixel size). The supervised classification approach is based on a dataset of samples collected through photointerpretation and using a web application developed by some institutes of the National Research Council of Italy (CNR). This study adapted the hierarchical fuel classification system of the European H2020 FirEUrisk project to the specific Mediterranean vegetation and topography of Sardinia. During this thesis work conducted at the CNR, an extensive dataset was collected for training and validating two models: Gradient Tree Boosting (GTB) and Support Vector Machine (SVM), implemented in Python. The implementation required developing Python scripts using Jupyter Notebook, an open-source web application for interactive computing. The classification models achieved promising results in the testing phase, with overall accuracy levels of 79% and 76% for the SVM and GTB models, respectively. These results demonstrate the effectiveness of the models in distinguishing fuel types crucial for creating high-resolution fuel type maps. However, challenges were identified in distinguishing some fuel classes, such as shrubland and grassland. The results of this thesis are of significant interest for the FirEUrisk project and for generating a regional-scale map for one of the project's pilot areas: Sardinia.

Gli incendi boschivi (wildfires o forest fires) sono tra i fenomeni più rilevanti per gli ecosistemi dell’Europa mediterranea, in particolare nelle aree più soggette agli incendi, come la Sardegna, in Italia, dove il rischio di incendio è aggravato dalla diversità dei tipi di combustibile. Il rischio incendi nei paesi europei che si affacciano sul bacino del Mediterraneo (Portogallo, Spagna, Italia e Greci) è in aumento anche a causa delle condizioni climatiche più aride (siccità e temperature in aumento). L e strategie di gestione degli incendi si basano sulla conoscenza accurata dei tipi di combustibile, per prevedere il comportamento del fuoco e implementare misure di mitigazione del rischio. Questa tesi propone un approccio metodologico basato su algoritmi di machine learning (ML) applicati alle serie temporali dei dati satellitari Copernicus Sentinel-2 per classificare i tipi di combustibile in Sardegna; i modelli testati e proposti in questa tesi si basano su un dataset di parametri spazialmente distribuiti che caratterizzano lo stato della vegetazione e del territorio (serie temporali di indici di vegetazione, topografia, altezza della canopy e FAPAR) per la generazione di una mappa di classi di combustibile a scala regionale alla risoluzione spaziale di 10m (dimensione del pixel dei dati Sentinel-2). La classificazione proposta di tipo supervisionato, si basa anche su un dataset di campioni raccolto per fotointerpretazione e utilizzando un’applicazione web sviluppata da alcuni istituti del Consiglio Nazionale delle Ricerche (CNR). Lo studio ha adattato il sistema gerarchico di classificazione dei combustibili del progetto europeo H2020 FirEUrisk alla specifica vegetazione e topografia mediterranea della Sardegna. Durante il lavoro di tesi presso il CNR, è stato raccolto un esteso dataset per l’addestramento e la validazione di due modelli: Gradient Tree Boosting (GTB) e Support Vector Machine (SVM) implementati in Python. L’implementazione ha richiesto lo sviluppo di codici/script Py utilizzando Jupyter Notebook, un'applicazione web open-source per il calcolo interattivo. I modelli di classificazione hanno prodotto risultati in fase di test promettenti con livelli di overall accuracy del 79% e del 76% per i modelli SVM e GTB, rispettivamente. Questi risultati dimostrano l'efficacia dei modelli nel distinguere i tipi di combustibile, cruciali per creare mappe ad alta risoluzione dei tipi di combustibile. Tuttavia sono state evidenziate criticità nella distinzione di alcune classi di combustibile come, per esempio, le classi arbustive ed erbacee. I risultati di questa tesi sono di rilevante interesse per il progetto FirEUrisk e per la generazione di una mappa a scala regionale per una delle aree pilota del progetto: la Sardegna.