Rivelare le vere tendenze significative nel rinverdimento globale

Nel loro articolo “Uncovering true significant trends in global greening”, Oliver Gutiérrez-Hernández e Luis V. García descrivono un’analisi approfondita dei dati satellitari sulla vegetazione che copre l’arco temporale di 42 anni (1982-2023). L’aspetto più sorprendente emerso dai loro studi è l’evidenza di un marcato “rinverdimento” del pianeta, ossia un aumento complessivo della copertura vegetale su larga scala, che i ricercatori definiscono un “straordinario trend di rinverdimento globale”. Tale definizione deriva dall’osservazione che, sebbene il pianeta stia affrontando sfide ambientali come la deforestazione, i cambiamenti nell’uso del suolo e il riscaldamento globale, i dati aggregati e analizzati mostrano in modo consistente un trend positivo di crescita e rigoglio della vegetazione in molte regioni.

Per giungere a queste conclusioni, gli autori hanno utilizzato principalmente l’NDVI (Normalized Difference Vegetation Index), un indicatore ottenuto da osservazioni satellitari, particolarmente adatto a valutare in modo oggettivo lo stato di salute e la densità della vegetazione. L’NDVI è basato sull’assorbimento della luce nello spettro del rosso da parte delle piante (necessario per la fotosintesi) e sulla riflettanza nel vicino infrarosso: combinando questi parametri si ottiene un valore numerico che esprime in modo sintetico l’abbondanza di biomassa verde. Eseguendo analisi di serie temporali sull’NDVI, i ricercatori hanno potuto quantificare come è variata la presenza di vegetazione negli ultimi decenni.

Gutiérrez-Hernández e García, però, non si sono fermati a un’analisi puramente descrittiva dell’NDVI, ma hanno sviluppato metodi per “scovare” le tendenze davvero significative. Uno dei problemi più comuni nello studio delle serie temporali basate su dati satellitari è infatti distinguere i segnali reali dalle fluttuazioni casuali o transitorie (come variazioni interannuali dovute a fenomeni climatici specifici tipo El Niño/La Niña, incendi temporanei, o cambiamenti di breve periodo nelle pratiche agricole). Attraverso tecniche statistiche avanzate e procedure di correzione degli errori, gli autori hanno filtrato le cosiddette “false positività” per ottenere solo i trend robusti e statisticamente significativi: ne risulta un quadro più pulito e affidabile della dinamica di rinverdimento globale.

Alla base di questo marcato rinverdimento, la letteratura scientifica cita diversi fattori possibili. Da un lato, c’è l’ipotesi della “fertilizzazione da CO2”, secondo cui l’aumento della concentrazione di anidride carbonica in atmosfera favorisce la crescita della vegetazione, poiché la CO2 è un elemento chiave per la fotosintesi. Dall’altro, la presenza di politiche di riforestazione o miglioramento dell’uso del suolo in alcuni Paesi ha contribuito a incrementare la copertura vegetale. Altri aspetti, come la crescita delle temperature in determinate regioni (che potrebbe allungare la stagione vegetativa) e i mutamenti nelle pratiche agricole (intensificazione dell’agricoltura o abbandono di aree marginali, dove la vegetazione naturale si rigenera spontaneamente), possono anch’essi avere un ruolo rilevante. È interessante notare che, in alcune zone, cambiamenti climatici eccessivi o la deforestazione continuano a opporsi al rinverdimento, producendo cali di copertura vegetale a livello locale. Tuttavia, l’analisi globale qui presentata mostra chiaramente che, valutando l’insieme del pianeta, il saldo appare comunque positivo.

In termini di metodologie, l’articolo sottolinea l’importanza di integrare più dataset satellitari nel corso del tempo: i primi sistemi di osservazione risalenti agli anni Ottanta avevano risoluzione e qualità dell’immagine inferiori rispetto ai satelliti più recenti. Ciò significa che i ricercatori hanno dovuto adottare modelli di calibrazione e rettifica dei dati, in modo da rendere comparabili le misure provenienti da strumenti e periodi diversi. Inoltre, la scelta della finestra temporale (1982-2023) è abbastanza ampia da ridurre in buona parte gli effetti di eventi singolari o fenomeni ciclici che potrebbero distorcere la percezione dei trend.

Per quanto riguarda gli aspetti interpretativi, Gutiérrez-Hernández e García evidenziano che un maggiore “verde” non va letto come sinonimo di assenza di problemi ambientali. Infatti, il cambiamento climatico porta con sé anche modifiche nei cicli dell’acqua, nella distribuzione delle specie, nei regimi di incendi e, in taluni casi, un aumento delle temperature può favorire alcune piante a scapito di altre, alterando gli ecosistemi. Di conseguenza, il rinverdimento globale potrebbe non avere solo effetti positivi: può infatti favorire specie infestanti o invasive in aree dove le piante autoctone vengono colpite da stress termici o idrici. Il quadro che emerge è dunque complesso, con dinamiche regionali spesso molto diverse tra loro: alcune zone mostrano un rinverdimento marcato, altre paiono stagnanti o addirittura regredire. Ma, nel computo complessivo, la tendenza positiva prevale.

Infine, l’articolo si spinge a proporre alcune riflessioni sul futuro. Se da un lato è rassicurante constatare che il Pianeta sembra in grado di “rispondere” all’aumento di CO2 e a politiche ambientali più virtuose con un incremento del verde, dall’altro è indispensabile continuare a monitorare la qualità di queste foreste, praterie e superfici agricole. Aumentare la massa fogliare è un passo importante per la riduzione della concentrazione di CO2 atmosferica e per il miglioramento dei servizi ecosistemici, ma le politiche di conservazione dovranno tener conto anche dell’eterogeneità regionale, della biodiversità e della capacità di adattamento delle foreste in un contesto di cambiamento climatico rapido. In definitiva, i risultati presentati da Gutiérrez-Hernández e García offrono una visione inedita e incoraggiante di un Pianeta che, pur messo a dura prova, mostra nel suo insieme una sorprendente resilienza vegetale e che, con le giuste strategie, potrebbe persino potenziare tale trend di rinverdimento globale nei prossimi decenni.

Discussione

Nel contesto attuale di cambiamenti climatici globali, la comprensione accurata delle tendenze della vegetazione è di vitale importanza per valutare l’impatto ambientale e per formulare politiche di sostenibilità efficaci. Il nostro studio affronta criticità metodologiche precedentemente trascurate nelle analisi delle tendenze spaziotemporali della vegetazione, applicando un nuovo flusso di lavoro denominato Tendenze Significative Vere (TST).

I metodi tradizionali, come il test non parametrico di Mann-Kendall, sono spesso utilizzati per rilevare le tendenze nelle serie temporali ecologiche. Tuttavia, questi metodi possono generare risultati fuorvianti se non vengono considerati fattori come la correlazione seriale e l’autocorrelazione spaziale. Nel nostro flusso di lavoro TST, abbiamo implementato la pre-bianchizzazione per controllare la correlazione seriale nei dati, riducendo significativamente la possibilità di rilevare falsi positivi.

Inoltre, abbiamo utilizzato la pendenza di Theil-Sen, una tecnica robusta che fornisce stime meno sensibili agli outlier rispetto ai metodi tradizionali. Questo è particolarmente utile in studi ecologici dove i dati possono essere altamente variabili e soggetti a distorsioni temporanee.

Il test di Mann-Kendall Contestuale (CMK) è un’altra innovazione significativa del nostro studio. Questo test tiene conto non solo della correlazione tra dati consecutivi ma anche delle interazioni spaziali tra le unità di dati, offrendo una panoramica più accurata delle tendenze in larga scala.

Infine, abbiamo applicato la correzione adattiva del Tasso di Scoperta Falsa (FDR) per affrontare il problema dei multipli confronti statistici, che è comune in studi che coinvolgono grandi set di dati spaziali. Questo approccio ha permesso di ridurre notevolmente il rischio di identificare erroneamente tendenze significative.

I risultati ottenuti mediante il flusso di lavoro TST indicano che una percentuale significativamente inferiore della superficie terrestre mostra tendenze veramente significative di rinverdimento rispetto a quanto identificato dai metodi convenzionali. Solo il 38.16% della superficie terrestre è stata identificata come sperimentante tendenze significative, rispetto al 50.96% rilevato attraverso metodi tradizionali. Inoltre, abbiamo osservato che, nelle aree con valori NDVI superiori a 0.15, l’85.43% delle tendenze significative indicava un rinverdimento, confermando una predominanza del rinverdimento nelle regioni vegetative più robuste.

Questi risultati rafforzano l’importanza di utilizzare metodi analitici avanzati e accuratamente calibrati nelle analisi ecologiche e climatiche. L’approccio TST offre una prospettiva più realistica e scientificamente affidabile sulle tendenze di rinverdimento globale, essenziale per le decisioni politiche e la pianificazione ambientale futura.

Discussione

L’analisi delle tendenze spaziotemporali della copertura vegetale globale presenta sfide significative dovute alla complessità dei dati e alla loro variazione nel tempo e nello spazio. Nel nostro studio, abbiamo identificato e affrontato diverse limitazioni metodologiche che spesso compromettono la validità delle analisi tradizionali di trend vegetativi utilizzando indicatori come NDVI e LAI.

Una delle principali criticità risiede nel trattamento della correlazione seriale nei dati di serie temporali, che se trascurata, può portare a una sovrastima della significatività delle tendenze osservate. Abbiamo superato questa sfida mediante l’implementazione di tecniche di pre-bianchizzazione che rimuovono l’autocorrelazione dai dati prima dell’analisi delle tendenze, garantendo così che i risultati riflettano più accuratamente le variazioni ambientali reali.

Inoltre, l’autocorrelazione spaziale tra le unità di dati nelle griglie spaziali può influenzare significativamente le analisi, soprattutto quando si valutano estese superfici terrestri. Abbiamo applicato metodi avanzati per quantificare e correggere questa autocorrelazione, assicurando che le tendenze identificate non siano il risultato di similitudini spaziali non rilevate.

L’impiego di test multipli nel corso dell’analisi è un’altra area di potenziale errore, dato che l’incremento del numero di test può erroneamente aumentare le probabilità di rilevare tendenze significative puramente per caso. Per mitigare questo rischio, abbiamo utilizzato la correzione False Discovery Rate (FDR), che adatta dinamicamente il livello di significatività statistica in base al numero di test effettuati, minimizzando così la possibilità di errori di Tipo I.

Il fulcro della nostra innovazione metodologica è rappresentato dal flusso di lavoro True Significant Trends (TST), che integra questi miglioramenti in un processo unificato per l’analisi delle tendenze. Questo approccio non solo migliora l’affidabilità delle analisi delle tendenze vegetative, ma fornisce anche una base più solida per le conclusioni scientifiche e le decisioni politiche basate su di esse.

I risultati derivanti dall’applicazione di TST hanno mostrato una riduzione significativa nella percentuale di aree identificate come soggette a cambiamenti nella copertura vegetale, sottolineando l’importanza di un rigoroso controllo metodologico. In particolare, abbiamo trovato che l’85.43% delle tendenze significative indicate da TST erano di rinverdimento nelle aree con NDVI superiore a 0.15, rispetto a percentuali maggiori rilevate con metodi meno rigorosi.

In sintesi, il nostro studio dimostra che l’integrazione di controlli per correlazioni seriali e spaziali e la correzione per test multipli è cruciale per ottenere una valutazione accurata e scientificamente valida delle tendenze della copertura vegetale globale. Attraverso l’approccio TST, siamo in grado di fornire una rappresentazione più precisa e affidabile del rinverdimento globale, offrendo implicazioni vitali per la ricerca ambientale e la gestione delle risorse naturali.

Discussione

L’analisi delle tendenze spaziotemporali della vegetazione è cruciale per comprendere gli impatti dei cambiamenti ambientali globali e per la pianificazione della conservazione. Nel nostro studio, abbiamo affrontato le sfide metodologiche comuni nelle analisi tradizionali, che spesso portano a risultati fuorvianti a causa di inadeguata considerazione della correlazione seriale, autocorrelazione spaziale e errori legati ai test multipli.

Abbiamo migliorato l’approccio tradizionale implementando un flusso di lavoro avanzato denominato True Significant Trends (TST), che integra controlli sofisticati per questi fattori. La componente più innovativa del nostro metodo è il controllo della correlazione seriale, che abbiamo gestito attraverso un processo di pre-bianchizzazione. Questa tecnica è fondamentale perché i dati temporali spesso incorporano correlazioni tra misurazioni consecutive che possono distorcere l’analisi delle tendenze se non adeguatamente trattate.

Il nostro studio ha anche affrontato l’autocorrelazione spaziale, un problema frequente nei dati geografici dove i punti dati vicini tendono ad essere più simili tra loro rispetto a quelli più distanti. Abbiamo applicato metodi statistici avanzati per quantificare e correggere questa autocorrelazione, assicurando che le tendenze identificate riflettano veri cambiamenti ambientali piuttosto che artefatti dei dati.

Inoltre, la questione del test multiplo è stata affrontata attraverso l’uso della correzione del tasso di scoperta falsa (FDR), che è essenziale per mantenere un equilibrio appropriato tra identificazione delle tendenze significative e minimizzazione degli errori di Tipo I. Questo approccio riduce il rischio di falsi positivi, che sono particolarmente problematici in studi con grandi set di dati come il nostro.

L’applicazione di questi metodi avanzati nel nostro flusso di lavoro TST ha rivelato che una percentuale minore della superficie terrestre mostra tendenze di vegetazione significative rispetto a quanto rilevato dai metodi convenzionali. Questo dimostra che l’analisi accurata richiede un’attenzione rigorosa alle metodologie statistiche, particolarmente in studi ecologici e ambientali dove la precisione è cruciale.

Il nostro approccio non solo ha migliorato la precisione dell’analisi delle tendenze vegetative, ma ha anche offerto una visione più affidabile e scientificamente valida delle dinamiche di vegetazione globale. Le implicazioni di questo studio sono vasti, fornendo dati critici per la gestione ambientale e la formulazione di politiche basate su prove scientifiche solide.

In conclusione, il nostro studio sottolinea l’importanza di metodi analitici sofisticati nell’analisi delle tendenze spaziotemporali della vegetazione. Con il flusso di lavoro TST, abbiamo stabilito un nuovo standard per la ricerca ecologica, migliorando notevolmente la nostra capacità di identificare e comprendere le vere tendenze di vegetazione su scala globale.

2. Materiali e metodi 2.1. Dati di telerilevamento Questa ricerca ha impiegato i dati NDVI dell’Advanced Very High-Resolution Radiometer (AVHRR) forniti dai Vegetation Health Products della NOAA’s STAR (NOAA, 2024). Questi dati provengono dall’AVHRR montato sui satelliti in orbita polare della NOAA. I valori di NDVI sono derivati da dati di riflettanza superficiale corretti per le influenze atmosferiche, raccolti dal sensore AVHRR. Il dataset NDVI di AVHRR, originariamente a una risoluzione di 4 km, è stato rielaborato a una risoluzione di 10 minuti tramite interpolazione bilineare, coprendo 570,652 pixel a livello globale.

Inizialmente sono state processate 2184 immagini, equivalenti a 52 immagini raster settimanali all’anno, per un periodo di 42 anni dal 1982 al 2023. Per gestire i valori dei pixel mancanti o errati (contaminazione da nuvole, rumore del sensore, ecc.), e per colmare le lacune nel nostro dataset, sono stati applicati due metodi di interpolazione per ottenere una serie completa e accurata: l’interpolazione temporale lineare è stata utilizzata per integrare le immagini mancanti, mentre l’interpolazione armonica è stata impiegata per correggere i valori dei pixel errati mediante l’adattamento di una regressione armonica (Roerink et al., 2000).

Infine, è stata generata una serie temporale spaziotemporale annuale, rappresentando il valore mediano del NDVI per ogni anno dal 1982 al 2023. La mediana è stata scelta perché è meno sensibile agli outlier e ai valori estremi (Forthofer et al., 2007), offrendo una misura più robusta della tendenza centrale per catturare le tendenze vegetative annuali consistenti.

2.2. Flusso di lavoro di ricerca per le Tendenze Significative Vere (TST) La Figura 1 illustra il flusso di lavoro delle Tendenze Significative Vere (TST), descritto in dettaglio nelle sezioni seguenti. Nelle informazioni supplementari (documento allegato), offriamo una spiegazione più approfondita delle basi statistiche, includendo descrizioni dettagliate e equazioni matematiche relative ai metodi statistici impiegati, che sostengono l’intero quadro di questo flusso di lavoro.

2.2.1. Controllo della correlazione seriale Abbiamo applicato un processo di pre-bianchizzazione alla serie temporale dei valori mediani NDVI di 42 anni utilizzando il modulo Prewhiten incluso nel Earth Trends Modeler (ETM) del TerrSet 2020 Geospatial Monitoring and Modeling Software (Eastman e ClarkLabs, 2021). La pre-bianchizzazione si riferisce alla rimozione della correlazione seriale nella componente di errore (rumore) di una serie (Kulkarni e von Storch, 1995; von Storch, 1999). Yue e Wang (2002) hanno criticato la procedura originale di pre-bianchizzazione per l’aumento della probabilità di accettare l’ipotesi nulla di assenza di tendenza. Per superare questo, abbiamo utilizzato il metodo iterativo proposto da Wang e Swail (2001), che affronta efficacemente questa problematica. Questa procedura elimina la correlazione seriale di primo ordine nei dati della serie temporale utilizzando una tecnica di pre-bianchizzazione a più fasi. Tipicamente, il processo di pre-bianchizzazione riduce la dimensione del campione di uno, poiché non esiste un valore precedente per la prima osservazione. In ETM (Eastman e ClarkLabs, 2020), tuttavia, la trasformazione di Prais-Winsten è utilizzata per stimare il valore per la prima data, permettendo di mantenere l’intero dataset (Kmenta, 2004; Prais e Winsten, 1954).

2.2.2. Analisi robusta delle tendenze tenendo in considerazione la correlazione spaziale incrociata Partendo dalla serie temporale mediana NDVI di 42 anni, pre-bianchizzata, abbiamo applicato lo stimatore di pendenza Theil-Sen (TS) a questa serie per determinare la magnitudine e la direzione della pendenza, seguito dal test di Mann-Kendall Contestuale (CMK), una modifica del tradizionale test di Mann-Kendall (MK), per valutare la significatività statistica a un livello alfa di 0,05. Queste analisi sono state condotte utilizzando il modulo Kendall nel software TerrSet (2020) Geospatial Monitoring and Modeling (Eastman e ClarkLabs, 2023).

Lo stimatore di pendenza Theil-Sen (TS) calcola la pendenza mediana da tutte le possibili comparazioni a coppie dei valori osservativi. Questa tecnica non parametrica per stimare la magnitudine delle tendenze nei dati di serie temporali è stata introdotta da Theil (1950) e successivamente raffinata da Sen (1968). Un metodo comunemente utilizzato è il test MK per valutare la significatività della pendenza TS. Come l’approccio TS, il test MK valuta le pendenze tra tutte le coppie possibili di punti dati (Mann, 1945). Nel test MK, i dati sono ordinati cronologicamente, con ogni punto dati che serve da riferimento per i punti dati successivi nel tempo (Kendall, 1975). Abbiamo utilizzato il test CMK, una versione avanzata del tradizionale test MK, per valutare la significatività statistica delle tendenze interannuali (Neeti e Eastman, 2011). A differenza del test MK originale, il test CMK incorpora progressivamente informazioni contestuali dai primi otto vicini per correggere la correlazione spaziale mentre si occupa della correlazione incrociata.

Secondo Neeti e Eastman (2011), il metodo CMK riduce il rilevamento di tendenze spurie aumentando la fiducia nella presenza di quelle consistenti. Inoltre, l’applicazione della pendenza TS offre il vantaggio distintivo di filtrare la variabilità interannuale più breve di 0,29 volte la lunghezza della serie. Insieme, queste tecniche sono non parametriche e robuste contro l’influenza degli outlier.

2.2.3. Controllo adattivo del Tasso di Scoperta Falsa (FDR) Abbiamo applicato il controllo adattivo del False Discovery Rate (FDR) utilizzando la procedura di Benjamini et al. (2006) ai dati grigliati di significatività generati dal test CMK per le tendenze mediane NDVI interannuali. L’analisi è stata condotta su dati a livello di pixel nell’area di studio, coprendo 570,652 pixel nella regione mascherata. Per l’implementazione, abbiamo utilizzato il pacchetto multtest in R (Pollard et al., 2023), sfruttando un wrapper personalizzato per dati raster fornito dal pacchetto terra (Hijmans, 2024; R Core Team, 2021).

L’approccio FDR originale introdotto da Benjamini e Hochberg (BH) ha fornito un quadro robusto per controllare il tasso di scoperta falsa. L’FDR è definito come la proporzione attesa di ipotesi nulle falsamente respinte tra tutte le ipotesi che sono state respinte come significative (Benjamini e Hochberg, 1995). Tuttavia, esso assume una soglia costante per tutte le ipotesi, il che potrebbe non essere ottimale in ogni contesto, in particolare in situazioni di dipendenza spaziale positiva o quando c’è eterogeneità tra le ipotesi. Benjamini et al. (2006) hanno proposto una procedura adattiva lineare step-up che affina gli approcci precedenti, inclusa la metodo adattivo di Benjamini e Hochberg (2000). Introduce un processo a due fasi più preciso che migliora la stima del numero di ipotesi nulle vere e regola di conseguenza la soglia di significatività. Questo approccio migliora il controllo dell’FDR, in particolare in contesti con statistiche di test dipendenti positivamente o con una bassa proporzione di nulle vere.

3. Risultati e discussione La Figura 2 evidenzia le tendenze interannuali significative del NDVI rilevate sulla superficie terrestre globale, dove sono disponibili i dati NDVI di AVHRR, identificate nel corso di 42 anni, dal 1982 al 2023, utilizzando il flusso di lavoro delle Tendenze Significative Vere (TST). Questa analisi del NDVI di AVHRR rivela che circa il 38,16% della superficie terrestre globale ha sperimentato tendenze vegetative statisticamente significative. Delle tendenze significative osservate, il 76,07% erano aumenti nella vegetazione (rinverdimento) e il 23,93% erano diminuzioni (aridizzazione).

Analizzando le aree con un valore NDVI superiore a 0,15, le tendenze di rinverdimento rappresentano l’85,43%, mentre le tendenze di aridizzazione il 14,57%.

La Figura 3 illustra l’impatto dei metodi di analisi delle tendenze sempre più sofisticati, ciascuno progettato per controllare la varianza e gli errori di Tipo I, sulla rilevazione di tendenze significative di NDVI. Il test MK applicato alla serie temporale grezza, non pre-bianchizzata, ha identificato la percentuale più alta di tendenze significative (50,96%), riflettendo la sua sensibilità al rumore e alle correlazioni temporali. Il test CMK applicato ai dati grezzi ha leggermente ridotto questa percentuale al 47,54%, indicando un modesto miglioramento nella rilevazione delle tendenze includendo il contesto spaziale. Il pre-bianchimento ha ulteriormente diminuito le tendenze rilevate, con i test MK e CMK che mostrano rispettivamente il 44,59% e il 43,08%. Il metodo delle Tendenze Significative Vere (TST), che integra il pre-bianchimento, il test CMK e la correzione adattiva FDR, ha identificato la percentuale più bassa di tendenze significative (38,16%). Questa riduzione evidenzia la maggiore robustezza del metodo TST, in quanto filtra le tendenze meno affidabili e quindi fornisce una valutazione più rigorosa e accurata delle tendenze vegetative significative.

Applicare il test MK da solo, senza pre-bianchimento, può portare a una sovrastima delle tendenze significative (Hamed e Ramachandra Rao, 1998). Questo approccio iniziale, comunemente utilizzato, può risultare in un’incidenza più alta di falsi positivi perché non tiene conto delle dipendenze temporali e spaziali nei dati. La modesta riduzione delle tendenze rilevate quando si utilizza il test CMK senza pre-bianchimento suggerisce che l’inclusione del contesto spaziale aiuta a filtrare alcune tendenze spurie considerando l’influenza dei punti dati vicini (Neeti e Ronald Eastman, 2014). Tuttavia, non affronta completamente i problemi relativi alla correlazione seriale.

Integrando il pre-bianchimento, gli aggiustamenti spaziali e la correzione adattiva FDR, il flusso di lavoro TST identifica le tendenze più affidabili. Il pre-bianchimento garantisce che le tendenze non siano artefatti della correlazione seriale, tiene conto della correlazione spaziale mentre affronta la correlazione incrociata, e la correzione adattiva FDR riduce la probabilità di false scoperte attraverso test multipli. In confronto, nello studio più strettamente correlato alla nostra ricerca, Cortés et al. (2021) hanno dato un contributo prezioso affrontando la correlazione seriale e i test multipli utilizzando metodi di permutazione per l’analisi delle tendenze. Tuttavia, il loro approccio non teneva conto della correlazione spaziale e incrociata nei test di tendenza.

I risultati del flusso di lavoro TST (Figura 2) forniscono robuste prove quantitative di un rinverdimento globale diffuso, con una parte significativa della superficie terrestre della Terra che mostra aumenti misurabili della copertura vegetale negli ultimi quattro decenni. La predominanza delle tendenze di rinverdimento, specialmente nelle regioni con valori NDVI superiori a 0,15, suggerisce un generale aumento della produttività vegetale in molte aree. Questo potrebbe essere attribuito alla fertilizzazione da CO₂, ai cambiamenti climatici e ai cambiamenti nell’uso del suolo, come indicato da altre indagini (Chen et al., 2024; Piao et al., 2019; Zhu et al., 2016). Sebbene il rinverdimento della vegetazione sia stato riportato su tutti i continenti, è particolarmente pronunciato in Eurasia, includendo regioni di Europa e Cina (Chen et al., 2019a). In contrasto, sebbene meno frequenti, le tendenze di aridizzazione indicano che alcune aree, in particolare le ecoregioni aride, stanno sperimentando una degradazione della vegetazione (Pan et al., 2018).

4. Conclusioni Applicando una nuova metodologia proposta di flusso di lavoro (Tendenze Significative Vere, TST), abbiamo rivelato una sorprendente tendenza al rinverdimento globale, con una parte significativa della superficie terrestre del pianeta che mostra aumenti nella copertura vegetale negli ultimi quattro decenni, particolarmente in Eurasia. Ogni fase del flusso di lavoro TST — incorporando il pre-bianchimento, la correlazione spaziale e incrociata, e la correzione adattiva FDR — migliora progressivamente l’accuratezza nel rilevare tendenze significative. La nuova metodologia TST suggerisce che i metodi convenzionali usati finora possono sovrastimare le aree con tendenze significative di NDVI a causa della loro limitata capacità di controllare i risultati spurii. Filtrando efficacemente i risultati spurii ad ogni stadio, il flusso di lavoro TST fornisce una comprensione più affidabile delle tendenze spaziotemporali. Raccomandiamo l’applicazione di questo approccio su diverse scale e in qualsiasi analisi di tendenze che coinvolga dati spaziotemporali per migliorare la precisione e la robustezza dei risultati.

Dichiarazione di contributo degli autori secondo CRediT Oliver Gutierrez-Hernandez: Scrittura – revisione & editing, Visualizzazione, Validazione, Supervisione, Software, Metodologia, Indagine, Analisi formale, Cura dei dati, Concettualizzazione. Luis V. García: Scrittura – revisione & editing, Metodologia, Indagine.

Finanziamento Questa pubblicazione è stata finanziata dall’Universidad de Malaga e dal Consorcio de Bibliotecas Universitarias de Andalucía (CBUA) per supportare la sua pubblicazione in accesso aperto.

Dichiarazione etica Gli autori dichiarano che tutte le pratiche etiche sono state seguite in relazione allo sviluppo, alla scrittura e alla pubblicazione dell’articolo.

Di seguito una spiegazione dettagliata e scientificamente accurata della Figura 1, che illustra il flusso di lavoro della metodologia True Significant Trends (TST),:

1. Rimozione della Correlazione Seriale:
   • Pre-whitening: Questa fase fondamentale prepara la serie temporale eliminando la correlazione seriale, un passo critico per assicurare che le tendenze successive rilevate siano valide e non il risultato di artefatti nei dati.
     • Fase 1: Utilizza trasformazioni differenziali per modificare i dati originari, riducendo l’impatto di qualsiasi correlazione seriale.
     • Fase 2: Implementa la trasformazione di Prais-Winsten per ottenere un set di dati che mantenga l’integrità del dataset originale, permettendo un’analisi più accurata delle tendenze temporali.
2. Estimatore di Tendenza:
   • Non-parametrico – Stimatore di Theil-Sen (TS): Questo passaggio utilizza un approccio non parametrico per calcolare la pendenza mediana da tutte le possibili coppie di punti dati. L’uso dello stimatore Theil-Sen è particolarmente vantaggioso poiché è robusto agli outlier e fornisce una stima affidabile della direzione e della magnitudine delle tendenze nel tempo.
3. Significatività della Tendenza:
   • Test di Mann-Kendall Contestuale (CMK): Questo test è una variante avanzata del tradizionale test di Mann-Kendall, arricchito per considerare non solo la correlazione temporale ma anche quella spaziale. Il CMK migliora la precisione del test includendo informazioni contestuali dei primi otto vicini, che aiutano a correggere per la correlazione spaziale mentre si valuta la significatività statistica delle tendenze.
4. Correzione per Test Multipli:
   • Correzione Adattiva del Tasso di Scoperta Falsa (FDR): Nella fase finale, viene applicata la correzione FDR per controllare il tasso di errori di tipo I (falsi positivi), che sono comuni quando si effettuano molteplici test statistici. Questo metodo adattivo FDR è particolarmente utile in scenari con molteplici test statistici poiché si adatta al numero di ipotesi testate, migliorando così la precisione della valutazione della significatività.

Queste fasi combinano tecniche avanzate per garantire che il rilevamento di tendenze significative nei dati spaziotemporali sia il più accurato e affidabile possibile. L’approccio TST, integrando robuste metodologie statistico-spaziali, è ideale per studi avanzati che richiedono un’alta affidabilità nelle analisi delle tendenze, particolarmente in settori come l’ecologia, la climatologia e la geografia, dove i dati possono essere complessi e le interazioni spaziali significative.

La Figura 2 rappresenta una mappa globale che mostra le tendenze interannuali significative del NDVI (Normalized Difference Vegetation Index) rilevate utilizzando dati derivati dal sensore AVHRR (Advanced Very High Resolution Radiometer) per il periodo 1982-2023. La mappa evidenzia solo le regioni dove sono stati identificati cambiamenti significativi nella copertura vegetale basati sui valori mediani annuali dei dati NDVI settimanali.

Elementi Chiave della Mappa:

1. Preparazione dei Dati:
   • Pre-whitening: Per ridurre gli effetti dell’autocorrelazione seriale nei dati temporali, è stato applicato un processo di pre-bianchimento. Questo passaggio è cruciale per assicurare che i trend identificati siano genuini e non risultati di artefatti nei dati.
2. Analisi Statistica del Trend:
   • Test di Mann-Kendall Contestuale (CMK): I trend sono stati rilevati utilizzando il test CMK, che è una versione avanzata del tradizionale test di Mann-Kendall. Il CMK migliora la precisione del rilevamento dei trend integrando informazioni contestuali spaziali, consentendo un’analisi più accurata in presenza di correlazioni spaziali.
   • Correzione Adattiva del Tasso di Scoperta Falsa (FDR): Per controllare il rischio di falsi positivi dovuti al numero elevato di test statistici, i p-valori sono stati adeguatamente aggiustati usando il metodo FDR del 2006. Questa correzione adattiva è essenziale per mantenere l’integrità statistica degli esiti, specialmente quando si conducono test multipli.
3. Quantificazione e Interpretazione dei Trend:
   • Stimatore di Theil-Sen (TS): Per quantificare la magnitudine e la direzione dei trend di NDVI, è stato impiegato lo stimatore di Theil-Sen. Questo metodo non parametrico calcola la pendenza mediana da tutte le possibili coppie di osservazioni temporali, offrendo una misura resistente agli outlier e fornendo una rappresentazione affidabile delle tendenze nella copertura vegetale.
4. Legenda e Note:
   • Le aree colorate sulla mappa variano da -0.01 a +0.01, rappresentando le variazioni nella densità della vegetazione misurate dal NDVI. Le tendenze positive (rinverdimento) e negative (aridizzazione) sono visualizzate per enfatizzare dove la vegetazione sta aumentando o diminuendo.
   • Una nota chiarifica che solo le tendenze con una significatività statistica di p < 0.05 sono mostrate, assicurando che le tendenze presentate siano di significativa rilevanza statistica.

Questa mappa fornisce una rappresentazione visiva e quantitativa dell’efficacia del metodo TST nell’analizzare e interpretare le tendenze vegetative su scala globale. I risultati evidenziano regioni specifiche dove la copertura vegetale ha subito cambiamenti significativi, offrendo spunti cruciali per ulteriori ricerche e per la formulazione di politiche di gestione ambientale e di uso del suolo.

Di seguito una spiegazione dettagliata e scientificamente accurata della Figura 3, che mostra il confronto tra diversi metodi di analisi delle tendenze significative del NDVI (Normalized Difference Vegetation Index) ottenute tramite il sensore AVHRR (Advanced Very High Resolution Radiometer) dal 1982 al 2023, :

Dettagli dei Metodi di Analisi delle Tendenze Rappresentati:

1. “MK (No Pre-whitening)”: Questa barra rappresenta l’applicazione del test di Mann-Kendall ai dati grezzi, senza alcun trattamento per eliminare l’autocorrelazione seriale. Questo metodo tradizionale è il meno robusto, come indicato dalla tonalità di blu più chiara e dalla barra più lunga, che riflette una percentuale maggiore di tendenze ritenute significative, molte delle quali potrebbero essere spurie a causa dell’influenza dell’autocorrelazione seriale.
2. “CMK (No Pre-whitening)”: Indica l’uso del test di Mann-Kendall Contestuale su dati grezzi. Questo metodo introduce una considerazione del contesto spaziale, ma non tratta l’autocorrelazione seriale, risultando in una minore percentuale di tendenze false rispetto al MK standard senza pre-bianchimento, ma ancora non ottimale per una precisa identificazione delle tendenze reali.
3. “MK (With Pre-whitening)”: Mostra l’effetto dell’applicazione del test di Mann-Kendall dopo un processo di pre-bianchimento. Il pre-bianchimento migliora notevolmente la robustezza del test riducendo gli effetti dell’autocorrelazione seriale, risultando in una percentuale significativamente inferiore di tendenze rilevate rispetto ai metodi senza pre-bianchimento.
4. “CMK (With Pre-whitening)”: Rappresenta l’approccio del test di Mann-Kendall Contestuale applicato ai dati che sono stati pre-bianchizzati. L’aggiunta del pre-bianchimento aiuta a mitigare ulteriormente i rischi associati con l’autocorrelazione seriale e, combinato con l’analisi contestuale, porta a una riduzione ancora maggiore del numero di tendenze falsamente identificate come significative.
5. “TST” (True Significant Trends): Questa barra rappresenta il metodo più avanzato e robusto, che integra il pre-bianchimento, il test CMK, e la correzione adattiva FDR (False Discovery Rate). Questo approccio comprensivo assicura che solo le tendenze più affidabili siano identificate come significative, minimizzando drasticamente il rilevamento di risultati spurii e offrendo la percentuale più bassa di tendenze rilevate, come indicato dalla tonalità di blu più scura.

Importanza del Grafico:

Il grafico illustra visivamente come l’introduzione di metodologie più sofisticate e controlli statistici possa affinare l’analisi delle tendenze spaziotemporali, migliorando significativamente la precisione e la robustezza dei risultati. La gradazione delle tonalità di blu serve a enfatizzare la crescente robustezza dei metodi analitici, con colori più scuri che indicano una maggiore affidabilità nell’identificazione delle tendenze reali e significative. Questo confronto è essenziale per comprendere l’efficacia di ciascun metodo e l’importanza dell’uso di approcci avanzati in studi che richiedono alta precisione analitica, specialmente in ambiti come l’ecologia, la climatologia e la gestione delle risorse naturali.

https://doi.org/10.1016/j.rsase.2024.101377