Le elaborazioni dei dati di input sono state sviluppate in ambiente GIS utilizzando il Software ArcMap® v. 9.2 di ESRI (ESRI, 2009).
I dati sono stati acquisiti ed elaborati in formato vettoriale per poi essere convertiti in mappe raster con pixel di dimensioni pari a 60 x 60 metri.
La dimensione del pixel è stata fissata prendendo a riferimento la procedura indicata da Hengl (Hengl, 2006). Tra le metodologie proposte dall’autore è stata presa a riferimento quella che tiene in considerazione la minima dimensione cartografata (MLD). Tale misura, per i dati utilizzati in questo studio, e in particolare facendo riferimento alle carte di Uso del Suolo della Regione Emilia Romagna, è pari a 1.56 ha per gli anni 2003 e 2008, mentre per le carte che si riferiscono al 1976 è 0.375 ha. Ai fini del calcolo si è presa a riferimento la misura per gli anni 2003 e 2008.
Dall’applicazione della formula
p MLD
4
si ricava una dimensione del lato del pixel (p) pari a 60 m.
È così stata elaborata una mappa raster per ogni variabile scelta.
L’elaborazione di base di alcune variabili ha richiesto l’utilizzo di funzioni implementate nel tool Spatial Analyst, quali Distance Allocation (per le valutazioni riferite alle analisi del contesto urbano di riferimento) e Slope (per la creazione della mappe delle pendenze).
Inoltre si è fatto uso anche di strumenti aggiuntivi al software, concepiti da enti di ricerca, quali V-LATE 1.1 (Vector-based Landscape Analysis Tool sviluppato all’interno del progetto Europeo SPIN) (University of Salzburg, 2004) utilizzato per il calcolo degli indici propri dell’Ecologia del Paesaggio e Hawts Tools (Beyer, 2004), quest’ultimo utilizzato ai fini del calcolo della distanza reciproca fra poligoni a copertura urbana e agricola.
Alcune variabili considerate hanno richiesto lo svolgimento di analisi di densità, effettuate facendo uso dell’algoritmo di densità Kernel (Silverman, 1986) che consente il calcolo della densità di elementi puntuali e lineari in un raggio di ricerca prefissato, permettendo di definire al suo interno la distribuzione degli elementi stessi. Tale algoritmo richiede l’individuazione di un raggio di ricerca, fissato pari a 2 Km, valore preso a riferimento sulla base di una valutazione della soglia di accessibilità agli elementi di pregio del paesaggio definita in letteratura (Wolf & Meyer, 2010)
Le mappe risultanti dalle analisi sui singoli indicatori richiedono ulteriori elaborazioni quali l’eliminazione dei valori relativi alle aree designate come urbane dalla Carta di Uso del Suolo e dai Piani Territoriali e la successiva normalizzazione dei valori della mappa risultante, preliminare alle operazioni di clustering (descritte al paragrafo successivo), le quali richiedono dati confrontabili. L’algoritmo utilizzato nella fase di normalizzazione è di tipo min-max e fa riferimento una scala da 0 a 100 (OECD & EU, 2008).
Iqt xqt min xq to max xqto min x q to x 100
Dove Iqt corrisponde al nuovo valore da calcolare, xqt al valore da trasformare,
min xqto e max xqto sono i valori “minimo” e “massimo” assunti dall’attributo.
A valle delle elaborazioni, alcune variabili richiedono una ulteriore normalizzazione, effettuata tramite lo strumento Reclassify del tool Spatial Analyst, per rendere i valori ottenuti dalle operazioni precedenti, coerenti con il significato che tali indicatori assumono in riferimento all’impronta agro- ambientale.
La traduzione delle variabili di natura qualitativa relative alle transizioni di uso del suolo e alla prossimità delle aree agricole alle differenti categorie di uso del suolo prese in considerazione in variabili di natura quantitativa è stata effettuata tramite l’attribuzione, attraverso il supporto di un panel di esperti multidisciplinare, di punteggi in funzione del significato positivo/negativo che tali valori assumono nella valutazione complessiva dell’ “Impronta Agro-ambientale”.
I
SOCLUSTER EC
LASSIFICAZIONELa classificazione del territorio rurale effettuata in questa ricerca si basa su tecniche di clustering e classificazione a massima verosimiglianza non supervisionata.
Come noto la classificazione di elementi in uno spazio multidimensionale può essere assoluta, se si dispone di un’ampia libreria contenente le caratteristiche di ogni classe, o relativa. Quest’ultima si suddivide in classificazione supervisionata (supervised o discriminant analysis) se si hanno a disposizione un insieme di dati già classificati (training areas), o non supervisionata (unsupervised o clustering) se l’assegnazione delle classi prescinde da dati esterni.
Nel presente studio si è utilizzata la tecnica di classificazione non supervisionata, in particolare si è fatto riferimento a tecniche di clustering, ovvero a una procedura di analisi multivariata dei dati che ha lo scopo di selezionare e raggruppare elementi omogenei in un insieme di dati sulla base della loro distanza reciproca in uno spazio multidimensionale (Jain, et al., 1999).
In letteratura sono presenti differenti tipologie di algoritmi di clustering che possono essere classificati in base al principio con cui operano il raggruppamento
(Figura 62).
Il software ArcGIS implementa, fra gli strumenti di Spatial Analyst, l’algoritmo di clustering IsoCluster (Ball & Hall, 1965) derivato dall’algoritmo K-Means (MacQueen, 1967).
L’algoritmo preso in considerazione utilizza una procedura nella quale, durante ogni iterazione, tutti i campioni sono assegnati ad un cluster in base alla minima distanza Euclidea. La fase successiva consiste nel calcolo di un nuovo valore medio per ogni cluster, consentendo alla procedura di ripartire. Il numero di classi ottimale per il risultato finale non è conosciuto a priori.
Il risultato della procedura GIS rappresenta la firma che descrive ciascun cluster risultante dalle operazioni svolte sui raster presi in considerazione.
La firma può anche essere rappresentata su un grafico cartesiano avente come asse delle ascisse le classi individuate, e come asse delle ordinate i valori medi assunti dalle variabili considerate.
La procedura di clustering è preliminare alla fase di classificazione dei dati che consiste nell’attribuzione di ogni pixel a un dato cluster, definito a priori, a seguito della creazione, sopradescritta, della firma spettrale.
Nel presente studio è stato scelto l’algoritmo di classificazione a massima
verosimiglianza (di seguito indicato come MLC).
La classe cui sarà attribuito l’oggetto della classificazione è quella più “vicina”, dove con vicinanza non s’intende una distanza in senso metrico, ma una probabilità nei termini di verosimiglianza.
Per la funzione sono necessari un raster multi spettrale (costituito dai raster relativi ad ogni variabile presa in considerazione) e un file contente la firma spettrale (ottenuto tramite la procedura di IsoCluster).
4
4
RRIISSUULLTTAATTII
4.1 ARCHITETTURA GENERALE DELLA METODOLOGIA
La struttura del metodo proposto fa riferimento ad una organizzazione del territorio rurale in ambiti omogenei per caratteristiche agro-ambientali, economiche e socio-demografiche. Successivamente, approfondendo il livello di dettaglio, prima a un singolo ambito territoriale fra quelli precedentemente individuati e poi anche a livello della superficie interessata dalle singole aziende agricole poste in particolari contesti territoriali, si giunge a una descrizione articolata del territorio rurale (Figura 63).
In relazione a tali ambiti territoriali viene costruita una metodologia sviluppata su differenti livelli di analisi a dettaglio crescente accomunati da una procedura operativa comune (Figura 64).
Figura 63: La struttura “ad albero” del sistema di classificazione del territorio rurale