Classificazione object-based di dati multibeam mediante algoritmo Random Forest per la cartografia bionomica ad alta risoluzione degli habitat marini

Abstract

Questo studio, inserito nel progetto PNRR MER, mira alla mappatura di Posidonia oceanica tramite ecoscandaglio multibeam (MBES) a risoluzione sub-metrica (0,2 m). Nell'area pilota di Levanto è stato ottimizzato un modello di classificazione supervisionata per massimizzare l'accuratezza predittiva e incrementare il dettaglio tematico, isolando nello specifico la classe della "matte morta".

La classificazione integra backscatter, batimetria e derivative morfometriche del DTM. L'architettura canonica Random Forest è stata sostituita da un modello Decision Tree Bagging, ottimizzando lo spazio delle feature tramite test statistici (Boruta, RFE, analisi di collinearità). La trasferibilità e la robustezza del modello sono state poi testate in quattro diverse aree comprese tra il Mar Ligure e il Mar di Sardegna, variando la complessità da 3 a 5 classi tassonomiche. I risultati mostrano un'Overall Accuracy superiore all'85%, con picchi del 95% a Levanto per i modelli base a 3 classi (roccia, sedimento, prateria). L'introduzione della classe matte morta innesca un fisiologico trade-off tra risoluzione tematica e accuratezza globale: il modello isola eccellentemente l'habitat nel sito pilota, ma fatica a generalizzare nelle aree in cui la classe risulta spazialmente sottorappresentata. La validazione multisorgente (tramite ortofoto da AUV e satellite) conferma la capacità del classificatore di superare i disallineamenti delle carte a mesoscala, permettendo di definire con precisione inedita il limite inferiore della prateria applicando il 99° percentile della distribuzione batimetrica. L'integrazione GEOBIA-MBES ad altissima risoluzione si conferma uno strumento altamente performante per la cartografia bionomica, a patto di garantire un addestramento che campioni l'intera eterogeneità morfologica locale. Permangono tuttavia i limiti fisici del sensore acustico nel risolvere il mascheramento morfologico tra substrato roccioso e P. oceanica, e nella firma acustica di C. nodosa.

This study, part of the PNRR MER project, aims to map Posidonia oceanica using a sub-metric resolution (0.2 m) multibeam echosounder (MBES). In the Levanto pilot area, a supervised classification model was optimized to maximize predictive accuracy and increase thematic detail, specifically isolating the "dead matte" class.

The classification integrates backscatter, bathymetry, and morphometric derivatives from the DTM. The canonical Random Forest architecture was replaced by a Decision Tree Bagging model, optimizing the feature space through statistical tests (Boruta, RFE, collinearity analysis). The model's transferability and robustness were then tested in four different areas between the Ligurian Sea and the Sardinian Sea, varying the complexity from 3 to 5 taxonomic classes.

Results show an Overall Accuracy exceeding 85%, with peaks of 95% in Levanto for the basic 3-class models (rock, sediment, meadow). Introducing the dead matte class triggers a physiological trade-off between thematic resolution and overall accuracy: the model excellently isolates the habitat in the pilot site but struggles to generalize in areas where the class is spatially underrepresented. Multisource validation (using AUV orthophotos and satellite data) confirms the classifier's ability to overcome the misalignments of mesoscale maps, allowing for an unprecedentedly precise definition of the meadow's lower limit by applying the 99th percentile of the bathymetric distribution. The very high-resolution GEOBIA-MBES integration proves to be a highly performing tool for bionomic mapping, provided that the training phase samples the entire local morphological heterogeneity. However, physical limits of the acoustic sensor remain in resolving the morphological masking between rocky substrate and P. oceanica, and in the acoustic signature of C. nodosa.