Il modello di cambiamento e la futura riduzione dei pascol

I modelli di cambiamento di uso del territorio hanno in genere tre componenti: (1) le mappe di copertura del territorio di più di un periodo nel tempo, (2) una funzione di cambiamento che modifica i valori e l’arrangiamento spaziale della prima mappa di copertura, (3) la conseguente mappa di previsione di cambiamento futura. Il modello discusso in questo capitolo ha queste tre componenti e ricalca la metodologia proposta dal lavoro di Schneider e Pontius (2001). Secondo questo approccio, la predizione del futuro scenario di cambiamento del land-use/land-cover, è ottenuta attraverso due fasi sequenziali: l’analisi della localizzazione e l’analisi della quantità del cambiamento. Il primo passo è stato quello di creare la mappa di idoneità alla successione secondaria dei pascoli attraverso una regressione logistica. Dopodiché, attraverso estrapolazioni lineari sono state definite le probabili quantità di perdita di pascoli futura. Infine, ipotizzando le driving force del cambiamento costanti nel tempo, le quantità predette sono state associate alla posizione (mappe di previsione della futura riduzione dei pascoli).

Localizzazione del cambiamento

Tutte le variabili sono state importate sotto forma di mappe raster in IDRISI 32 (Clarke University), con risoluzione delle celle di 40x40 m. La variabile dipendente è stata trasformata in variabile booleana, con valore 1 dove il pascolo del 1960 è divenuto bosco o cespuglieti nel 2000, e 0 per il restante territorio provinciale. Successivamente, mediante il tools “statidrisi”, le variabili sono state esportate in un database. L’unità statistica rilevata è quindi la porzione di territorio 40x40m che era pascolo nel 1960. Il software utilizzato per l’esplorazione dei dati e la regressione logistica è stato SPSS ver.13.0.

Tab.7.1 Variabli independenti considerate nel modello

Variabli independenti Tipo Unità

dal database GIS

Altitudine categorico 100 metri

Pendenze continuo gradi

Esposizioni categorico 1-5

Fitoclima categorico 1-5

Pedologia categorico 1-9

Aree protette categorico 0-1

Distanza dalle strade 2000 continuo metri

Distanza dai boschi 1960 continuo metri

Distanza dalle aree residenziali 2000 continuo metri

dal database censuario

Var% popolazione 2000-1962 continuo %

Densità di popolazione, 2000 continuo persone/ha Densità di popolazione, 1962 continuo persone/ha

SAU 1982 continuo ha

SAU 2000 continuo ha

SAT 1962 continuo ha

SAT 2000 continuo ha

Var% SAU 2000-1982 continuo %

Var% SAT 2000-1962 continuo %

Superfici a Pascolo 2000 continuo ha

Superfici a Pascolo 1962 continuo ha

Numero di ovini-caprini 2000 continuo N° capi

Numero di bovini-bufalini 2000 continuo N° capi Densità di capi 2000 continuo capi/ha di pascolo

Numero di aziende 2000 continuo N° aziende

Densità di aziende 2000 continuo aziende/ha di territorio

Numero di aziende 1962 continuo N° aziende

Densità di aziende 1962 continuo aziende/ha di territorio

Var% aziende 2000-1962 continuo %

Var% densità di aziende 2000-1962 continuo %

Prima di procedere con la regressione logistica, un campionamento random è stato effettuato per selezionare N osservazioni distribuite nell’area di studio (20% dell’intero set di dati). Questa procedura è stata utilizzata per ridurre l’eventuale autocorrelazione spaziale nei dati. L’autocorrelazione spaziale si riferisce alla mancanza di indipendenza che è spesso presente tra osservazioni in insiemi di dati incrociati o in dati geografici dove località vicine sono più

Fig. 7.1 Variabili indipendenti categoriche a) pedologia e b) fitoclima considerate nel modello

strettamente correlate dei luoghi distanti. In generale, l’autocorrelazione spaziale risulta come stime inefficienti dei parametri e inesatte misure della significatività statistica (Serneels e Lambin, 2001; Claessens et al., 2006).

La multicollinearità delle variabili indipendenti è stata analizzata. La linearità delle relazioni bivariate tra ciascuna delle variabili indipendenti con la variabile dipendente è stata testata (Hosmer e Lemeshow, 1989). Le variabili continue che non esibivano un comportamento lineare con la variabile dipendente, sono state trasformate nella forma logaritmica o quadrata. Le variabili indipendenti che presentavano un alta multicollinearità tra loro e che non contribuivano significativamente alla spiegazione dei land cover change (sig>0.05), sono state escluse dalla regressione.

Attraverso lo strumento “image calculator” di IDRISI 32, le K variabili predittive selezionate sono state moltiplicate per il relativo βk per poi ottenere, attraverso la formula (1), la

mappa dell’idoneità alla forestazione dei pascoli per la provincia di Rieti. È da chiarire che i valori di idoneità non sono vere e proprie probabilità. I valori di idoneità indicano solo la relativa priorità al cambiamento, non necessariamente l’assoluta vicinanza al cambiamento. Se la mappa dell’idoneità è perfetta, l’ordine dei valori di idoneità dovrebbe coincidere con l’ordine in cui il paesaggio cambia; i più alti valori di idoneità corrispondono ai territori cambiati per prima (Schneider e Pontius, 2001).

Quantificazione del cambiamento

Per predire la quantità di cambiamento in land-use/cover sono possibili vari metodi: regressioni multivariate, regressioni bivariate o estrapolazioni lineari nel tempo. Queste ultime, anche se più semplici, possono fornire i risultati migliori (Schneider e Pontius, 2001). In questo studio è stata usata una estrapolazione lineare. Le informazioni disponibili, utili alla previsione della quantità di forestazione dei pascoli, sono i trend rilevati dall’analisi delle informazioni cartografiche, le superfici boscate riportate negli Annuari di Statistiche Forestali e le superfici a prato-pascolo dei Censimenti Generali dell’Agricoltura.

La quantità di forestazione dei pascoli rilevata dal confronto delle cartografie TCI/CNR e della Regione Lazio, è stata utilizzata per valutare la capacità del modello nel prevedere la forestazione dei pascoli avvenuta tra il 1960 e il 2000.

La previsione della futura forestazione, invece, non è stata effettuata utilizzando i dati cartografici. Mancano, infatti, mappe delle coperture intermedie tra il 1960 e il 2000, utili a confermare la bontà del trend rilevato. Inoltre, l’incremento dei boschi cartografico del 91%, è da ritenersi sovrastimato per una probabile errata classificazione di questi territori nella carta

territorio di 3619 ha mediante foto aeree (Pelorosso et al., 2007b), confermerebbe questa sovrastima, riportando, un incremento del 20% delle superfici boscate nel periodo 1954-1999. Si presuppone, inoltre, che uno sviluppo della forestazione dei pascoli così elevato come rilevato dall’analisi cartografica (39.858 ha), non sia ripetibile nel prossimo futuro. L’interpolazione dei dati TCI/CNR-LUM2000, per la previsione della futura forestazione dei pascoli, non è stata quindi effettuata.

La scelta è quindi ricaduta sull’unica altra fonte di informazione possibile: i dati censuari. Il dato boschi dell’Annuario di Statistiche Forestali, anche se sottostimato, è stato scelto perché, rispetto al Censimento Generale dell’Agricoltura, è più in linea con le informazioni cartografiche. Con lo stesso criterio, la dinamica dei pascoli del Censimento Generale dell’Agricoltura è stata scelta rispetto al dato dell’Annuario di Statistiche Forestali (Pelorosso e Boccia, 2008). L’incremento dei boschi, riportato nei censimenti, è stato interpretato come un processo di cambiamento delle copertura delle terre realizzato, prevalentemente, per successioni secondarie di pascoli abbandonati. Questa semplificazione si è resa necessaria per utilità di calcolo e, comunque, tiene conto dell’importanza in termini di superficie, di questa dinamica di forestazione rispetto alle altre.

Infine la quantità stimata di incremento di superfici boscate è stata associata alle celle della mappa dell’idoneità alla forestazione con i più alti valori di probabilità, ottenendo 2 mappe di predizione della riduzione dei pascoli al 2010 e al 2020.

7.3 Risultati