A
ECONOMIA & DIRITTO
AGROALIMENTARE
1. Introduzione
2. Il modello
Artificial Neural
Network utilizzato
3. Caso studio: le
aree multifunzionali
dell’Empolese val
d’Elsa
4. Applicazione
del modello
ANN per valutare
l’urbanizzazione di
aree multifunzionali
5. Risultati ottenuti
6. Conclusioni e
raccomandazioni
future
Economia & Diritto Agroalimentare XVI: 357-378, 2011
GIS e scenari di cambiamenti di
uso del suolo: un’applicazione
della metodologia ANN per
valutare l’urbanizzazione di
aree multifunzionali
Francesco Riccioli 1
JEL: C45, C53, Q15, Q18, R14
Abstract The paper aims to define a territorial analysis
model for land use changes in multifunctional areas (MF) located near Florence in Tuscany region. Starting from existing
project, Spatial Multicriteria Decision Analysis has been used
with the aim of multifunctional degree definition of case study
areas. Later land use changes have been performed by Artificial Neural Network model: using multitemporal analysis of
land use, a non linear model Multi Layer Perceptron (MLP)
neural network has been used in order to generate transition
rules of land use and potential transition maps. Final step has
generated a map of vulnerability to changes in MF areas.
Sommario Lo scopo del presente lavoro è applicare una
metodologia GIS in grado di prevedere cambiamenti di uso
del suolo in aree di particolare pregio da un punto di vista
socioeconomico ed ambientale. Le problematiche connesse ad
una corretta pianificazione del territorio sono particolarmente
marcate in ambienti fortemente antropizzati dove oltre alla
salvaguardia ambientale è importante considerare uno sviluppo antropico inserito in un contesto di crescita sostenibile.
Partendo da un precedente lavoro, attraverso un modello di
Analisi Multicriteriale Geografica, sono state individuate aree
Dipartimento di economia, ingegneria, scienze e tecnologie agrarie e forestali, DEISTAF, Università degli studi di Firenze; e-mail: [email protected]. La versione definitiva dell’articolo è pervenuta in redazione il 21 febbraio 2011.
1 www.fupress.com/eda
© 2011 Firenze University Press
357
GIS e scenari di cambiamenti di uso del suolo
multifunzionali nella zona dell’Empolese Val d’Elsa. Successivamente è stato implementato un
modello di rete neurale (ANN) per la previsione dei cambiamenti di uso del suolo con lo scopo
di analizzare come si svilupperà l’incremento delle aree urbanizzate e se potrà interessare le aree
multifunzionali.
1. Introduzione
È possibile definire la complessità di un territorio come l’interazione fra attività umane
ed ambiente. L’ultimo secolo è stato caratterizzato da un intenso sviluppo antropico con conseguenti perdite di risorse naturali: in questo contesto, si inserisce la problematica di corrette
scelte di pianificazione territoriale volte alla salvaguardia ambientale, da una parte, e al conseguimento di uno sviluppo antropico, dall’altra. A tal riguardo, diversi studi (Prieler, 2005,
European Environment Agency, 2006, Bernetti e Marinelli, 2009) mettono in evidenza
come le principali dinamiche evolutive siano orientate verso la diminuzione del paesaggio
rurale a favore di due fenomeni come l’abbandono e l’espansione (non sempre regolamentata) delle aree urbane. Le numerose e complesse variabili implicate nei cambiamenti di uso
del suolo richiedono lo sviluppo di strumenti di supporto alle decisioni e modelli di previsione in grado di semplificare le scelte pianificatorie, arrivando a coinvolgere più discipline.
La Geomatica risulta essere fra quelle maggiormente coinvolte, incentrata sulla ricerca di
strumenti che diano la maggiore conoscenza possibile riguardo ai cambiamenti del territorio,
considerandone gli innumerevoli aspetti, quali l’occupazione, il consumo, la trasformazione
dei suoli non urbani e l’espansione di quelli urbani. Anche le recenti politiche territoriali,
ambientali, energetiche e paesaggistiche, che sovente si legano con gli impegni mondiali in
materia di cambiamenti climatici, risultano essere strettamente connesse con la conoscenza
dell’uso del territorio. Per citare un esempio, nel documento del Comitato economico e sociale europeo (16 settembre 2004) è stato affrontato il problema delle aree rurali confinanti
con quelle urbane, mettendo in evidenza le problematiche relative alla continuità ed alla
stabilità dell’attività produttiva agricola nelle cinture urbane, alla pressione dello sviluppo
edilizio. Negli ultimi anni, numerose applicazioni GIS (Sistemi Informativi Geografici) si
sono specializzate in tale direzione: ne sono un chiaro esempio i modelli di Intelligenza Artificiale (AI) utilizzati per descrivere complessi scenari previsionali attraverso la simulazione
del ragionamento umano riprodotto tramite algoritmi genetici, network neurali artificiali,
automi cellulari e tecniche logiche fuzzy. Utilizzata in varie discipline, da quelle economiche
a quelle mediche o ingegneristiche (Pijanowski et al., 2002), il presente lavoro si basa proprio
sull’applicazione di un modello di Intelligenza Artificiale per la previsione dei cambiamenti
di uso del suolo, ovvero la metodologia ANN, Artificial Neural Network. Attraverso tale
modello si cercherà di prevedere la “delicata” evoluzione del tessuto urbano in particolari
358
contesti paesaggistici classificati in base alla loro multifunzionalità, considerati per questo
di “pregio” dal punto di vista socioeconomico ed ambientale. Il motivo di basare lo studio su aree multifunzionali risiede nel fatto che il concetto di multifunzionalità è al centro
di importanti provvedimenti politici europei, come ad esempio i Piani di sviluppo rurale
(PSR) del II pilastro della Politica agricola comunitaria. In particolare, il PSR della Regione
Toscana 2007-2013 (AA.VV, 2005) si basa su quattro assi (priorità) generali e 15 obiettivi
specifici, incentrati essenzialmente sul miglioramento degli ambiti agricoli e forestali, non
solo attraverso la produzione, ma anche attraverso la conservazione della biodiversità, la protezione idrogeologica e la funzione paesaggistica, ovvero attraverso tutta una serie di funzioni
tradizionalmente non considerate e riassumibili nel concetto di multifunzionalità. Concetto
complesso, la cui definizione è stata espressa da diversi autori in letteratura. Idda (Idda et al.,
2002), Casini (Casini, 2003), definiscono la multifunzionalità come “l’insieme di contributi
che il settore agricolo può apportare al benessere sociale ed economico della collettività e che
quest’ultima riconosce come propri dell’agricoltura”. “Agricoltura, insomma, non vuol dire
solo cibo, ma anche ambiente, biodiversità, paesaggio, sicurezza idrogeologica, servizi alla
popolazione, cultura e tradizioni: in altre parole, vuol dire qualità della vita. Il riconoscimento della multifunzionalità dell’agricoltura, cioè la capacità del settore primario di dare origine
a produzioni congiunte (beni fisici, servizi diversi ed esternalità ambientali) costituisce un
elemento di valore strategico per lo sviluppo del settore e un’importante opportunità economica per le imprese agricole” (Mazzeo, 2006).
L’area di studio considerata è l’Empolese Val d’Elsa in provincia di Firenze dove, in un
precedente lavoro (Riccioli, 2007 e 2009), attraverso tecniche GIS di supporto alle decisioni
(SDSS - Spatial Decision Support System) con particolare utilizzo dell’Analisi MultiCriteriale Geografica, sono state individuate aree multifunzionali (MF).
Partendo da queste aree, verranno da prima definite variabili implicate nei cambiamenti
di uso del suolo (LUCC2) con lo scopo di costruire successivamente un modello di rete neurale artificiale in grado di predire quale sarà l’incremento delle aree urbanizzate e quale di
questo potrà interessare le aree multifunzionali.
2. Il modello Artificial Neural Network utilizzato
“Osservare un sistema è anzitutto costruire un modello attraverso il filtro delle nostre
conoscenze. Quando disegniamo uno schema mentale noi semplifichiamo la realtà basandoci più sulle relazioni qualitative che quantitative, linearizzando il comportamento degli
2 Dall’inglese Land Use Cover Change.
359
GIS e scenari di cambiamenti di uso del suolo
elementi, separando componente spaziale da componente temporale ed a volte ignorando
quest’ultima, trattando l’oggetto di studio isolatamente rispetto all’ambiente circostante.
Quando i problemi diventano più complessi, quando le relazioni quantitative, le caratteristiche non lineari, la risoluzione spazio-temporale sono informazioni necessarie, allora la
nostra capacità di studio e previsione dei cambiamenti del sistema risulta alquanto limitata.
Dobbiamo perciò ricorrere a metodi numerici predittivi che sfruttano le notevoli potenzialità dei calcolatori elettronici” (Costanza e Ruth, 1998).
In letteratura, svariati sono i lavori che cercano di spiegare, catalogare e confrontare i
modelli utilizzati per analizzare i cambiamenti di uso del suolo. Alcuni autori raggruppano
i modelli in base al loro scopo finale o alla scala di lavoro (Baker, 1989); Lambin (1997)
propone una classificazione delle metodologie di monitoraggio dei LUCC in aree tropicali
analizzando l’utilità dei modelli descrittivi, empirici, statistici e dinamici per lo studio dei
fenomeni di deforestazione e degradazione del suolo e la simulazione della loro evoluzione
futura sotto differenti scenari, mentre Agarwal et al., 2002 seleziona 19 modelli di LUCC e
li analizza in base alla loro capacità di rappresentare la complessità spaziale, temporale e antropica di un sistema. Solo per citare qualche esempio di modelli utilizzati nei cambiamenti
di uso del suolo, si ricorda la Programmazione Matematica Positiva, metodologia utilizzata essenzialmente per massimizzare o minimizzare un obiettivo e formalizzata da Howitt
(1995) e sviluppata da Paris e Howitt (1998) che si caratterizza come un metodo capace di
calibrare modelli di programmazione matematica per comportamenti osservati durante un
periodo di riferimento, utilizzando l’informazione derivata dalle variabili duali dei vincoli
di calibrazione. Gli Alberi Decisionali, tecnica appartenente al campo del Datamining e del
Knowledge Discovery in Databases (KDD), viene utilizzata principalmente per la classificazione di istanze di un dataset rispetto ad una variabile target, a partire dai valori posseduti
dall’istanza stessa relativamente a una serie di variabili di input. La caratteristica più interessante di questa metodologia è la sua capacità di poter utilizzare una grande quantità di dati
e di variabili anche apparentemente non correlate, aspetto importante nell’attuale società
informatizzata che fornisce una notevole quantità di dati, georeferenziati e non, derivanti
da diversi campi di studio. Le Reti Bayesiane, tecnica appartenente, come la precedente, al
campo del Datamining e del KDD, anch’essa utilizzata per la classificazione delle istanze
di un dataset come gli Alberi Decisionali, si differenzia da quest’ultimi in quanto permette
anche la descrizione dei rapporti casuali interni alle variabili in esame senza dover prendere
in considerazione variabili obiettivo/target. Modelli basati sulla teoria dell’evidenza di Dempster-Shafer (DS) hanno come obiettivo esplicito il superamento dei limiti della concezione
bayesiana tramite il concetto di inferenza plausibile (Shafer, 1976). Essa vanta un ampio
spettro di applicazioni pratiche nei domini più diversi per la trattazione del ragionamento
sotto condizioni di incertezza. L’Analisi MultiCriteriale, classificata come uno strumento
di supporto alle decisioni di un decisore o un gruppo di decisori, si basa su procedimenti
360
matematici in grado di individuare la soluzione migliore (ideale) dato un set di alternative,
criteri, indicatori, obbiettivi ed attributi relativi ad un determinato problema.
La scelta del modello è ricaduta sulla metodologia delle Reti Neurali Artificiali essenzialmente per la notevole capacità di adattamento ai dati osservati, specialmente in presenza
di database caratterizzati da informazioni incomplete, affetti da errori o imprecisioni (non
da outliers), per la capacità di generalizzazione e l’assenza di ipotesi iniziali sulla distribuzione dei dati, ed infine, ma non per questo meno importante, per la completa ed ormai
collaudata integrazione con i Sistemi Informativi Geografici (fatto questo che permette di
analizzare i dati e le variabili del caso studio attraverso mappe cartografiche).
Le reti neurali artificiali possono essere definite come modelli matematici non lineari
che hanno come scopo principale quello di riprodurre attività tipiche del cervello umano. La
decisione dell’utilizzo di modelli non lineari è scaturita dalla possibilità, rispetto ai modelli
lineari, di poter modellare più transizioni (cambiamenti di uso del suolo) in una sola volta.
In letteratura (Lopez et al., 2001, Pijanowski et al., 2002, Engelen et al., 2002, Martinuzzi et al., 2007), numerosi sono gli esempi di reti neurali artificiali utilizzate nella creazione di modelli previsionali in ambito territoriale: tali modelli hanno, infatti, la capacità
di approssimare qualsiasi tipo di funzione, senza tenere conto del suo grado di non linearità
Fig. 1 – Schema di una rete neurale artificiale
361
GIS e scenari di cambiamenti di uso del suolo
e senza una conoscenza a priori della sua forma funzionale. Per contro, le reti neurali artificiali presentano un elevato grado di incertezza nello scegliere la struttura della rete ottimale
e nell’implementarla, oltre al fatto, come sottolinea Malczewski (2004), che la maggiore
limitazione è rappresentata dal loro black box style con il quale analizzano i problemi spaziali.
Per black box style si intende la volontà, da parte degli utilizzatori, di nascondere intenzionalmente il processo decisionale implementato negli approcci di Intelligenza Artificiale,
rendendo oscuro il percorso che porta ad un determinato risultato che, per quanto valido
risulti, resta difficilmente giustificabile.
Il modello ANN utilizzato si basa sull’utilizzo del MultiLayer Perceptron (MLP). Alla
base di tale modello c’è il neurone, attraverso il quale si tende a simulare la struttura della
mente umana. Xia e Gar-On Yeh (2002) propongono una semplice struttura di rete neurale
(figura 1) composta da tre strati (layer): uno strato di input (che nel nostro caso è rappresentato dalle variabili implicate nei cambiamenti di uso del suolo), uno strato nascosto ed
uno strato di output (rappresentato dai cambiamenti di uso del suolo).
Il primo strato (input) è rappresentato da neuroni i-esimi dove, a ciascuno dei quali, è
associata una variabile x implicata nei cambiamenti di uso del suolo. A sua volta, a ciascuna
variabile viene associato un peso w, generando il segnale che verrà inviato al neurone dello
strato successivo (formula 1).
net j = ∑ x i i w i,j (1)
j
dove
netj = segnale inviato dal i-esimo neurone dello strato di input al j-esimo neurone dello
strato nascosto
xi = variabile implicata nel cambiamento di uso del suolo del i-esimo neurone dello strato
di input
wi,j = peso relativo allo strato di input ed allo strato nascosto
Successivamente, il segnale (valore) mostrato nella formula 1 (netj) viene inviato al
j-esimo neurone appartenente allo strato nascosto. Tale strato viene attivato se e solo se si
raggiunge un determinato valore soglia predeterminato (j). La funzione di attivazione può
essere lineare, a gradino o sigmoidale, scelta in base alla relazione fra i neuroni e le variabili
di input (formula 2, relativa ad una funzione di attivazione sigmoidale).
ϕj =
1
1+ e
−net j
(2)
362
Dallo strato nascosto, se attivato, il segnale verrà trasferito allo strato successivo rappresentato dall’output formato da l-esimi neuroni i cui valori (pl) rappresentano la probabilità
di conversione da un dato uso del suolo in un altro (formula 3).
p l = ∑ w j,lϕ j (3)
j
dove
pl = probabilità di conversione del l-esimo neurone dello strato di output
wj, l = peso relativo allo strato nascosto ed allo strato di output
ϕj = funzione di attivazione del j-esimo neurone dello strato nascosto
L’algoritmo usato per la generazione degli output è il “back-propagation”, ovvero un
apprendimento supervisionato attraverso il quale l’output stimato dalla rete (pl, formula 3)
viene confrontato con un output desiderato o conosciuto (out, ovvero gli effettivi cambiamenti
di uso del suolo avvenuti nel periodo esaminato). Lo scopo di tale confronto è ottenere un
output stimato il più possibile simile all’output desiderato. La differenza fra i due output
produce un errore (e) utilizzato per correggere i pesi (inizializzati con valori casuali all’inizio
dell’addestramento). Nel nostro caso, l’errore è quantificato attraverso lo scarto quadratico
medio (formula 4). Questa fase di addestramento (training set) viene ripetuta finché l’errore
risulta inferiore ad una soglia prestabilita.
e l = ∑ (out l − p l )2 (4)
l
dove
el = errore relativo al l-esimo neurone dello strato di output
outl = output conosciuto del l-esimo neurone dello strato di output
pl = output stimato del l-esimo neurone dello strato di output
Nel meccanismo di “back-propagation”, tale errore è propagato a “ritroso” negli strati
precedenti del modello associandolo ai pesi. Tale meccanismo segue la Delta rule3 ovvero
una regola di apprendimento basata sulla diminuzione del gradiente d (formula 5) per l’aggiornamento dei pesi (formula 6).
La Delta rule si basa sul “gradient discent” un algoritmo di ottimizzazione non lineare, per individuare il
minimo locale di una funzione.
3 363
GIS e scenari di cambiamenti di uso del suolo
⎧
e lϕ l
⎪
(5)
δ lt = ⎨ ϕ ∑ δ w
l
jt+1 jlt+1
⎪
j
⎩
dove
δlt = gradiente di errore del l-esimo neurone dello strato di output al tempo t
el = errore relativo al l-esimo neurone dello strato di output
ϕl = funzione di attivazione del l-esimo neurone dello strato di output
δjt+1 = gradiente di errore del j-esimo neurone dello strato nascosto al tempo t+1
wjlt+1 = peso relativo allo strato nascosto e lo strato di output al tempo t+1
Δwji(t+1) = η δji xi + α Δwji(t)(6)
dove
∆wji(t+1) = differenza dei pesi fra lo strato nascosto e lo strato di input dopo un numero di
iterazioni t+1
h = velocità di apprendimento del neurone ovvero velocità di discesa verso il minimo della
curva di errore4
d = gradiente di errore
a = momentum factor, costante di proporzionalità che analizza la probabilità di oscillazione
dei pesi5
∆wji(t) = differenza dei pesi fra lo strato nascosto e lo strato di input dopo un numero di
iterazioni t
In definitiva, lo scopo del MLP risulta quello di minimizzare tale gradiente “aggiustando” i pesi casuali apportando loro graduali e progressive variazioni. In pratica, il modello,
attraverso un certo numero di iterazioni, varia il valore dei pesi, facendo quindi variare il
valore degli output n volte. Quando il gradiente sarà sufficientemente ridotto, la fase di
training avrà prodotto un output stimato molto vicino all’output desiderato. Alla fine della
fase di training, il modello sarà, quindi, in grado di riconoscere la relazione incognita fra le
variabili d’ingresso e quelle d’uscita, riuscendo a creare previsioni nel tempo dove i dati di
output non sono noti a priori. Lo scopo finale dell’apprendimento supervisionato è una previsione del valore di output per ogni valore valido di input basandosi soltanto su un numero
limitato di esempi di corrispondenza (coppie di valori input-output).
4 Se la velocità risulta troppo bassa la fase di training potrebbe risultare troppo dispendiosa in termini di
tempo e risorse, se troppo alta potrebbe portare a risultati poco accurati.
5 Il momentum in pratica analizza i pesi per stabilire in che direzione ricercare il minimo errore.
364
3. Caso studio: le aree multifunzionali dell’Empolese val d’Elsa
L’area Empolese Val d’Elsa è localizzata in un territorio di bassa collina con un’altitudine media compresa fra i 250 e i 300 metri s.l.m. vicina a tre importanti poli urbanizzati
quali Firenze, Prato e Pistoia. È proprio la vicinanza a questi agglomerati urbani che rende
interessante lo studio del grado di urbanizzazione di aree sensibili in quest’area che si presenta critica dal punto di vista della pianificazione territoriale. Criticità confermata dalla
contemporanea vicinanza di aree ambientali altrettanto importanti, quali ad esempio l’area
del Monte Albano e delle colline pistoiesi.
Da un punto di vista statistico descrittivo (fonte dati ISTAT), l’Empolese Val d’Elsa ha
una estensione di circa 280 Kmq ed una densità di circa 400 abitanti per Kmq ed è costituita da sei comuni, fra i quali spiccano, in ordine decrescente di popolazione, Empoli, con
44.094 abitanti ed una densità di 708 abitanti per Kmq e Fucecchio con 21.139 abitanti
ed una densità di 457 ab/Kmq. I due comuni meno abitati risultano essere Cerreto Guidi
con 9.955 abitanti ed una densità di 457 abitanti per Kmq e Capraia e Limite con 5.920
abitanti ed una densità pari a 194 per Kmq. Gli ultimi due comuni che fanno parte dell’area
di studio sono rappresentati da Vinci con 13.778 abitanti ed una densità di 253 abitanti per
Kmq e Montelupo Fiorentino con 11.240 abitanti ed una densità di 457 abitanti per Kmq.
Gli usi del suolo prevalenti sono costituiti da aree urbane 2.487 ha e da superfici agricole6, estese su circa 18.500 ettari di cui prevalentemente adibite a vigneto (circa 2.060 ettari)
e bosco (3.277 ettari): i vigneti sono particolarmente presenti a Vinci (750 ettari) pari al
36% sui vigneti totali, mentre i boschi sono principalmente estesi nel comune di Capraia e
Limite (863 ettari) e Fucecchio (836 ettari), ricoprendo rispettivamente il 26% ed il 25%
dell’area forestale totale.
Utilizzando un modello di Analisi Multicriteriale Geografica, per il cui approfondimento si rimanda ad un precedente lavoro (Riccioli, 2007 e 2009), sono state analizzate
le seguenti 5 funzioni svolte da attività agricole sul territorio: la funzione socioeconomica,
quella paesaggistica, quella idrogeologica, quelle di manutenzione territoriale e quella naturalistica. Tali funzioni sono state quantificate attraverso indici multidimensionali ed aggregate attraverso operatori multicriteriali. Sono state, quindi, considerate multifunzionali
(superfici MF) le porzioni di territorio che mostrano la contemporanea presenza di tutte
le 5 funzioni (figura 2).
Circa il 12% della superficie totale del caso studio (3.355 su 28.706 ettari) risulta essere
multifunzionale (figura 2 e tabella 1).
Dati basati sul V Censimento ISTAT dell’Agricoltura (2001). Tali dati non sono stati aggiornati perché il lavoro si basa su uno studio precedente che utilizza dati del V censimento dell’agricoltura.
6 365
GIS e scenari di cambiamenti di uso del suolo
Fig. 2 – Aree multifunzionali dell’Empolese Val d’Elsa
Tab. 1 – Superfici MF suddivise per comune (dati espressi in ettari)
Comune
Vinci
Fucecchio
Empoli
Cerreto Guidi
Montelupo
Capraia e Limite
Totale
sup. MF
sup. comunale
% su sup. totale MF
% sul tot. comunale
864
741
570
530
398
250
3.355
5.442
26%
22%
17%
16%
12%
7%
100%
16%
11%
9%
11%
16%
10%
12%
6.513
6.228
4.933
2.460
2.500
28.706
Analizzando la superficie multifunzionale in relazione a quella totale comunale, sia
Montelupo (2.460 ettari di superficie totale comunale) che Vinci (5.442 ettari) risultano
essere i comuni con la più alta estensione di aree MF con il 16%, seguiti da Fucecchio
(6.513 ettari) e Cerreto Guidi (4.933 ettari) con una percentuale di aree MF pari al 11%
sul totale comunale.
366
Se il dato viene letto in base alla superficie totale multifunzionale, si evidenzia come
tali aree siano prevalentemente situate nel comune di Vinci, ricoprendo una superficie di
864 ettari (26% sugli ettari totali delle aree MF) e nel comune di Fucecchio, dove ricoprono
circa 741 ettari pari al 22% sul totale delle aree MF. I comuni considerati meno multifunzionali risultano essere Montelupo fiorentino con 398 ettari MF (12% sul totale) e Capraia
e Limite con 250 ettari pari al 7% sul totale.
4. Applicazione del modello ANN per valutare
l’urbanizzazione di aree multifunzionali
4.1 Creazione delle regole di transizione di uso del suolo
La fase preliminare di indagine si è focalizzata sull’analisi dei cambiamenti di uso del
suolo emersi nel decennio 1990-2000 utilizzando una cartografia tematica vettoriale di uso
del suolo del caso di studio. Tale analisi è stata influenzata, come ricorda Matheron (1978 e
1989), oltre che dagli obiettivi prefissati, dai dati disponibili. La fonte utilizzata si è quindi
basata sul progetto Corine Land Cover (CLC) - Normativa Europea sull’Informazione Geografica (ENV 12657) l’unica a nostra disposizione che ci consentisse di analizzare la zona
attraverso una lettura multitemporale.
È possibile osservare come, in tale periodo, 7 tipologie di uso del suolo sono state
interessate da cambiamenti: nel dettaglio si registrano un incremento di boschi, di colture
legnose agrarie e di superfici urbane da una parte, ed un decremento di zone agricole eterogenee7 e di seminativi dall’altra. Tralasciando l’incremento delle prime 2 tipologie di uso
del suolo riscontrato, l’attenzione è stata rivolta esclusivamente all’aumento di aree urbane
a discapito di zone agricole eterogenee e di seminativi.
La seguente fase si è orientata sulla definizione delle variabili implicate nei cambiamenti di uso del suolo che, da un esame della letteratura (Lombardo et al., 2005; Pijanowski et
al., 2002), risultano essenzialmente legate alla morfologia del territorio e ad attività antropiche. In base ai dati a disposizione, sono state scelte variabili territoriali quali la pendenza
e l’orografia e variabili antropiche come gli insediamenti umani (città, paesi, piccoli agglomerati urbani) e le vie di comunicazione (viabilità). Al fine dell’indagine, sono stati quindi
implementati in un Sistema Informativo Geografico 4 layer cartografici che diversificano i
Per zone agricole eterogenee sono da considerarsi le colture temporanee associate a colture permanenti,
sistemi colturali e particellari complessi, aree prevalentemente occupate da colture agrarie con presenza di
spazi naturali importanti, aree agroforestali.
7 367
GIS e scenari di cambiamenti di uso del suolo
cambiamenti di uso del suolo in base alla: distanza dalle strade, distanza dai centri abitati,
pendenza, altitudine.
È stata, quindi, effettuata un’analisi statistica sull’indipendenza spaziale dei 4 layer sopraelencati attraverso test basati sulla comparazione di coppie di layer (mappe) al fine di verificare l’affidabilità delle variabili scelte. Come suggerisce Bonham-Carter (1994), i metodi
più utilizzati risultano essere il coefficiente di contingenza quadratica media e l’indice V di
Cramer. Il primo è un indice normalizzato (non dipendente dalla numerosità del collettivo),
assume il suo valore minimo, 0, in caso di perfetta indipendenza, ossia quando frequenze
osservate e frequenze teoriche coincidono. Il valore massimo è pari a 1 nel caso di tabelle
quadrate 2x2, o tabelle rettangolari con una dimensione pari a 2, altrimenti è maggiore di 1.
Il secondo varia tra 0 e 1, vale 0 nel caso di indipendenza, vale 1 nei seguenti casi:
• i due caratteri sono perfettamente associati e la tabella è quadrata;
• X dipende perfettamente da Y e il numero di righe è minore di quello delle colonne;
• Y dipende perfettamente da X e il numero di righe è maggiore di quello delle colonne.
Per le considerazioni sopra espresse, per le quali è considerato maggiormente affidabile,
è stato scelto di analizzare il grado di correlazione di ciascuna variabile con i cambiamenti
di uso del suolo attraverso l’indice V di Cramer. Tale indice ha rivelato una buona intensità
del legame di dipendenza fra i dati analizzati con valori superiori a 0,15 come suggerito da
Eastman (2006).
Le quattro variabili implicate nel cambiamento di uso del suolo sono state inserite
come dati di input nel modello di Rete Neurale Artificiale con lo scopo di “addestrare” la
macchina combinandole con pesi casuali. Nella fase di addestramento, sono stati fissati 2
vincoli relativi al massimo errore tollerabile fra l’output stimato e quello desiderato (inferiore o uguale allo 0,0001) ed al numero di iterazioni (fissato in 5000). Di seguito vengono
riportati i parametri tecnici utilizzati nel modello:
• Velocità di apprendimento (h) = 0,005
• Momentum factor (a) = 0,5
• Valore di errore tollerato (e) = 0,0001
• Numero di iterazioni (t) = 5000
Osservando tali vincoli, il MLP ha prodotto output stimati apprendendo dalle relazioni
note fra le variabili d’ingresso e quelle d’uscita (output desiderato) e generando delle vere
e proprie “regole (probabilità) di transizione”. Tali probabilità sono state successivamente
utilizzate per prevedere scenari di futuri cambiamenti di uso del suolo.
Nella figura 3, che mostra il risultato dell’applicazione di tali regole, si evidenziano
quali zone a seminativo e zone agricole eterogenee avranno in futuro un’alta probabilità di
essere inglobate nel tessuto urbano. I valori più alti (quelli con una scalatura di grigio più
intensa) appartengono alle zone che hanno maggiori probabilità di diventare urbane ovvero,
368
considerando le 4 variabili implicate nel cambiamento di uso del suolo: le zone prossime
alle strade, le zone prossime ai centri abitati, le zone dove la pendenza è minore, le zone
maggiormente pianeggianti.
Fig. 3 – Aree potenzialmente interessate all’urbanizzazione
4.2 Validazione delle probabilità di transizione di uso del suolo
La fase successiva è stata quella di verificare l’esattezza dei dati attraverso una loro validazione. Il processo di validazione prevede il confronto fra una mappa di uso del suolo in
uno specifico anno ottenuta utilizzando le regole di transizione generate dal MLP (mappa
previsionale) ed una mappa di uso del suolo di riferimento (mappa di riferimento). In base
alla cartografia disponibile è stato stabilito il 2006 come anno di riferimento, ovvero l’anno
più recente del quale si ha a disposizione il Corine Land Cover8 (preso come mappa di riferimento). Il passo successivo è stato quello di creare una mappa previsionale al 2006. Da un
Disponibile sul sito dell’European Environment Agency http://www.eea.europa.eu/ [ultimo accesso 4 novembre 2010].
8 369
GIS e scenari di cambiamenti di uso del suolo
esame della letteratura, uno fra i metodi utilizzati con successo per creare scenari ipotetici di
cambiamenti di uso del suolo si basa su approcci markoviani (Aaviksoo, 1995 e Logofet e Lesnaya, 2000). Utilizzando la mappa delle transizioni potenziali (figura 3) è stata quindi creata
la mappa di uso del suolo al 2006 applicando le catene markoviane (Eastman e Toledano,
2000), ovvero un processo stocastico nel quale le probabilità di transizione (formula 3) sono
state utilizzate in una matrice (Pt) per poter ottenere una proiezione al 2006 (Wt+1) dei cambiamenti avvenuti nell’intervallo di tempo 1990-2000 (Wt), come mostrato nella formula 7.
Wt+1 = Wt • Pt(7)
stato j (t)
dove
Wt+1 = Uso del suolo al tempo t+1
Wt = Uso del suolo al tempo t
Pt = matrice delle probabilità di transizione, ovvero una matrice stocastica n x n di valori pij
p11
p21
pn1
stato i (t+1)
p12
p1n
p22
p2n
pn2
pnn
dove n sono il numero degli stati discreti nella catena markoviana e pij sono le probabilità
di transizione (comprese fra 0 e 1) dallo stato j allo stato i nell’intervallo di tempo fra t e
t+1. Come descritto da Coquillard e Hill (1997) la matrice ottenuta descrive un sistema
che cambia attraverso incrementi discreti di tempo, in cui il valore di ogni variabile, in un
dato momento, è la somma di percentuali dei valori delle variabili nell’istante precedente.
La somma delle frazioni lungo una riga della matrice è uguale ad uno; la diagonale raccoglie
invece le percentuali di pixels che non subiscono cambiamenti fra la data iniziale e finale.
La tabella 2 mostra la matrice di transizione, relativa ai soli cambiamenti di uso del
suolo considerati (seminativi e zone agricole eterogenee coinvolti in processi di urbanizzazione).
Tab. 2 – Matrice di transizione all’anno 2006
Uso del suolo al tempo t+1 (2006)
Uso del suolo al tempo t
(2000)
Urbano
Seminativi
Zone agr. eterog.
Urbano
1,0000
0,0000
0,0000
Seminativi
0,0817
0,9183
0,0000
Zone agr. eterog.
0,1190
0,0027
0,8783
370
La mappa previsionale al 2006 è stata confrontata con la mappa di riferimento (CLC
2006) attraverso il coefficiente di concordanza di Cohen (Kappa di Cohen). Trattandosi di
mappe raster, l’indice è stato calcolato confrontando la distribuzione spaziale e la quantità
dei pixel di ciascuna categoria di uso del suolo. Dall’analisi statistica è emerso un buon grado di accordo con valore pari a 0.7754 (come suggerito da Landis e Koch, 1977) validando
statisticamente le probabilità di transizione di uso del suolo ottenute.
4.3 Applicazione delle regole di transizione alle aree multifunzionali
Al fine di evidenziare la probabilità che le aree multifunzionali hanno di essere coinvolte in un processo di urbanizzazione, è stato operato un overlay cartografico utilizzando
l’operatore logico di intersezione AND sovrapponendo alle aree MF (figura 2) le aree con
probabilità di conversione all’urbano (figura 3). Il risultato è mostrato nella figura 4, nella
quale sono evidenziate, in diverse tonalità di grigio, le aree multifunzionali potenzialmente
interessate all’urbanizzazione (MFu).
Fig. 4 – Aree MF potenzialmente coinvolte in un processo di urbanizzazione
371
GIS e scenari di cambiamenti di uso del suolo
5. Risultati ottenuti
Nella tabella 3 sono evidenziati nel dettaglio gli ettari delle aree potenzialmente interessate all’urbanizzazione suddivise per comune, in percentuale sul totale degli ettari MFu
ed in percentuale sul totale delle aree MF.
Le aree MFu si estendono su oltre i 327 ettari prevalentemente localizzati in Fucecchio
con 78 ettari pari al 24% del totale MFu, Empoli con oltre 75 ettari (23% del totale) e
Cerreto Guidi con quasi 63 ettari pari al 19% del totale.
Se confrontate sul totale delle aree multifunzionali presenti nel caso studio (3.355 ha),
le aree MF interessate all’urbanizzazione rivestono il 9,8% del totale MF prevalentemente
distribuite nei comuni di Fucecchio, Empoli e Cerreto Guidi con superfici che si estendono
rispettivamente sul 2,3%, 2,2% e 1,9% del totale.
Tab. 3 – Statistiche sulle aree MFu (dati espressi in ettari)
Comune
Fucecchio
Empoli
Cerreto Guidi
Capraia e Limite
Montelupo
Vinci
Totale
MFu
% su sup. MFu
% su sup. MF
78,51
75,47
62,79
43,63
40,55
26,39
327,34
24%
23%
19%
13%
12%
8%
100%
2,3%
2,2%
1,9%
1,3%
1,2%
0,8%
9,8%
Esaminando la figura 4, è possibile suddividere le aree MFu in base alla probabilità di
essere soggette all’urbanizzazione in aree con alta probabilità (aree più scure) ed aree a bassa
probabilità di conversione (aree più chiare).
Per definire il diverso grado di probabilità, l’analisi si è basata sull’uso di quantificatori
logici sfocati utilizzando per la conversione dei termini verbali in numeri sfocati un’appropriata scala di termini linguistici9. Chen e Hwang (1992) propongono otto diverse tipologie
di scale le quali si differenziano per i termini linguistici usati. Esse sono riferite ai termini
alto e basso con diverse sfumature intermedie, a seconda del problema decisionale da analizzare. La scala adottata nel presente lavoro si basa sui termini alto e basso grado di appartenenza ad un determinato insieme, soluzione semplice, naturale ed efficace nel descrivere la
probabilità di una zona ad essere interessata in un processo di urbanizzazione. Utilizzando
Tecnica detta anche ad infiniti valori dove la variabile logica può assumere un qualsiasi valore di verità
nell’intervallo continuo [0,1] (Zadeh, 1965).
9 372
tale tipologia di scala (figura 5) sono state identificate aree con alta probabilità ed aree a
bassa probabilità di conversione.
Fig. 5 – Scala di conversione di termini linguistici
Dalla figura 5 è possibile notare come un’area con un valore sfocato compreso fra 0,25
e 1 abbia un’alta probabilità di conversione all’urbano, mentre un’area con un valore sfocato
compreso fra 0 e 0,75 abbia una bassa probabilità di essere interessata da un processo di
urbanizzazione.
In base a tale distinzione, le aree MF che hanno la maggior probabilità di essere soggette ad urbanizzazione si estendono su 60,5 ettari, pari a circa il 18% della superficie totale
delle aree MFu (327 ha) e al 1,8% della superficie totale delle aree MF (3.355 ha). Viceversa, le aree MF che hanno una più bassa probabilità di urbanizzazione si estendono su
circa 86,6 ettari, pari al 26% della superficie totale delle aree MFu (327 ha) e al 2,6% della
superficie totale delle aree MF (3.355 ha).
Basandosi su quanto detto sopra, è fondamentale sottolineare come l’importanza delle
aree multifunzionali vada letta non solo attraverso la loro estensione, ma, soprattutto, in
funzione della loro ubicazione e della percentuale di ettari potenzialmente soggetti ad urbanizzazione, dato il fatto che si trovano in contesti territoriali molto eterogenei. Le aree MF
di Vinci e di Capraia e Limite si estendono in prossimità del Monte Albano e delle colline
pistoiesi, crocevia e delimitazione orografica che, di fatto, “separa” la piana urbana dell’asse
Firenze - Prato - Pistoia, dal Circondario val d’Elsa. Di fondamentale importanza le aree MF
di Empoli, vere e proprie oasi in grado di preservare caratteristiche socio-economiche ambientali, importanti nonostante la vicinanza alle attività industriali ed aree urbane presenti
nel comune. Infine, meritano di essere menzionate le aree MF situate a Fucecchio, le quali
373
GIS e scenari di cambiamenti di uso del suolo
hanno un alto valore naturale, considerando la particolare vicinanza con i Siti di interesse
comunitario (SIC) e le Zone speciali di conservazione (ZPS) ricadenti nell’area protetta
del Padule di Fucecchio secondo la Direttiva comunitaria 92/43 CEE “Habitat”, chiamata
“Rete Natura 2000” progetto per la salvaguardia della Biodiversità attraverso la conservazione di habitat naturali e seminaturali, della flora e della fauna selvatica.
6. Conclusioni e raccomandazioni future
Il cambiamento operato dalle nuove tecnologie informatiche, telematiche e spaziali sta
proponendo l’immissione sul mercato di modelli in grado di cambiare il modo di affrontare
le attuali dinamiche di pianificazione del territorio. L’obiettivo è la realizzazione di strumenti di supporto alle decisioni caratterizzati da rapidità, costi contenuti, semplicità d’uso con il
fine di conseguire una migliore conoscenza del territorio e dell’ambiente.
Il presente lavoro parte dallo studio del territorio di un’area delicata dal punto di vista
urbanistico, nella quale l’aspetto territoriale gioca un ruolo di prim’ordine in quanto fonte
di risorse da preservare (l’area dell’Empolese, pur essendo ricca di aree di pregio ambientale,
è molto vicina ad importanti agglomerati urbano industriali).
Partendo da un precedente lavoro, il caso studio è stato analizzato in base a quello che
le attività rurali dell’uomo possono offrire dal punto di vista economico, sociale ed ambientale, evidenziando aree multifunzionali. Grazie ad un modello di Analisi MultiCriteriale
Geografica, ciascun dei tre aspetti (economico, sociale ed ambientale) è stato valutato attraverso indici multidimensionali che, opportunamente aggregati con regole multicriteriali,
hanno permesso di evidenziare la multifunzionalità del territorio. La decisione di focalizzare
l’attenzione su aree multifunzionali è dettata dalla crescente importanza che tali aree rivestono nelle recenti linee politiche di sviluppo rurale.
L’attenzione si è, quindi, spostata sull’analisi dei cambiamenti di uso del suolo al fine
di evidenziare cosa è cambiato nel tempo, come si potrà evolvere lo sviluppo antropico e in
che modo esso potrà interessare le aree multifunzionali. Lo scopo principale è perseguire un
equilibrio socioeconomico ed ambientale che non pregiudichi lo sviluppo urbano, bensì ne
regolamenti la crescita. È stata, quindi, effettuata un’analisi multitemporale degli usi del suolo,
implementando un modello ANN utilizzando il MultiLayer Perceptron (un modello di analisi
non lineare), al fine di creare una mappa di aree potenzialmente interessate all’urbanizzazione.
I dati sono stati validati attraverso una procedura che ha sfruttato le catene di Markov per
creare una mappa di uso del suolo previsionale al 2006 opportunamente confrontata con una
mappa di riferimento (Corine Land Cover 2006) attraverso l’indice statistico di Cohen. Successivamente, la mappa di aree potenzialmente interessate all’urbanizzazione è stata utilizzata
per individuare quali fra le aree multifunzionali saranno coinvolte in tale processo.
374
Al fine di poter utilizzare e leggere i risultati del modello proposto, risulta importante
partire dal presupposto che le dimensioni delle aree multifunzionali e la tendenza di sviluppo del tessuto urbano siano costanti nel tempo. Questo perdurare delle condizioni è una
limitazione del modello (come sottolinea Tang et al., 2005) che può essere superata tramite
l’utilizzo di nuovi dati, come ad esempio l’evoluzione della rete viaria o cambiamenti di
uso del suolo maggiormente dettagliati soprattutto dal punto di vista temporale (Verburg
et al., 2002).
Il presente lavoro si può classificare, quindi, come una possibile applicazione delle già
collaudate metodologie di Intelligenza Artificiale basate su reti neurali artificiali, applicate
in campo ambientale per creare modelli previsionali di cambiamenti di uso del suolo. Collegando tale applicazione alla definizione di aree multifunzionali, si intende dotare il decisore
pubblico di un potente strumento di pianificazione in grado di “supervisionare” lo sviluppo
urbano, controllando, da una parte, lo sviluppo antropico e, dall’altra, le aree territoriali
ritenute interessanti dal punto di vista economico, sociale ed ambientale.
La metodologia proposta è un buon compromesso fra speditività, adattabilità del
modello alle variabili di input selezionate o selezionabili e comprensione dei risultati, ma
risulta essere integrabile e/o modificabile per affinare ulteriormente la ricerca. Ad esempio,
al fine di ampliare l’universo temporale ed al tempo stesso aumentare il grado di dettaglio
di analisi, potrebbe risultare utile derivare usi del suolo da foto satellitari. L’estrazione di
regole decisionali potrebbe coinvolgere un numero maggiore di variabili implicate nei
cambiamenti di uso del suolo, magari tramite l’uso di modelli a scelta discreta (Choice
Experiment) in grado di descrivere comportamenti utili nel capire le dinamiche evolutive.
Inoltre, per la creazione di scenari di previsione futuri, i dati analizzati potrebbero essere
utilizzati per implementare un Automa Cellulare in grado di considerare le dinamiche
evolutive, considerando il così detto “intorno”, ovvero le zone adiacenti all’area analizzata. In conclusione, è da sottolineare come la simulazione spazio-temporale, integrata
con le informazioni socio-economiche, sia la nuova frontiera di analisi territoriale. Come
sottolinea Steyaert (1993) le dinamiche evolutive nel mondo reale si svolgono tipicamente in tre dimensioni, dipendenti dal tempo ed estremamente complesse. Complessità
che include spesso comportamenti non lineari e componenti stocastiche. Lo studio di
tali comportamenti passa attraverso la formulazione di ipotesi e regole per spiegarne il
funzionamento. Le regole possono, a loro volta, essere espresse attraverso formule matematiche o relazioni logiche che, sovente, portano ad una serie di semplificazioni teoriche
per ridurre il numero delle equazioni utilizzate. I modelli matematici basati su linguaggi
di programmazione che realisticamente simulano l’evoluzione dei patterns spaziali nel
tempo sono sempre più utilizzati per un’analisi quantitativa, e non solo più qualitativa,
delle complesse problematiche a livello locale, regionale o globale.
375
GIS e scenari di cambiamenti di uso del suolo
Bibliografia
AA.VV. (2005), Proposta di Programma si Sviluppo Rurale della regione Toscana per il periodo 2007/2013,
Regolamento (ce) n. 1698/05 del Consiglio del 20 settembre 2005.
Aaviksoo K. (1995), “Simulating vegetation dynamics and land-use in a mire landscape using a Markov model”, Landscape and Urban Planning, n. 31, pp. 129–142.
Agarwal C., Green G.M., Grove J.P., Evans T.P., Schweik C.M. (2002), A review and assessment of land
use change models, CIPES collaborative report series, No.1.
Baker W.L. (1989), “A review of models of landscape change”, Landscape Ecology, vol. 2, n. 2, pp.
111-133.
Bernetti I., Marinelli N. (2009), Cambiamenti in atto nel paesaggio agrario toscano. Possibili scenari
evolutivi, Atti dell’Accademia dei Georgofili, vol. 4, pp. 633-677.
Bonham-Carter G.F. (1994), Geographic information systems for geoscientists, modelling with GIS, Ontario (Canada), Pergamon Press.
Casini L. (2003), “Multifunzionalità e riforma della Politica Agricola Comunitaria”, Nuovo Diritto
Agrario, n. 1, pp. 17-36.
Chen S.J., Hwang C. (1992), Fuzzy multiple attribute decision making, Berlino, Springer-Verlag.
Comitato Economico e Sociale Europeo (2004), Parere sul tema “L’agricoltura periurbana”, Bruxelles,
16 settembre 2004, NAT/204.
Coquillard P., Hill D.R.C. (1997), Modélisation et simulation d’écosystèmes des modèles déterministes
aux simulations à événements discrets, Collection “Recherche en ecologie”, Paris, Masson ed.
Costanza R., Ruth M. (1998), “Using dynamic modeling to scope environmental problems and built
consensus”, Environmental Management, vol. 22, n. 2, pp. 183-195.
Eastman J.R. (2006), IDRISI Andes, Tutorial, MA, USA, Clark Labs, Clark University.
Eastman J.R., Toledano J. (2000), Markov Chain and Cellular Automata Approaches to Land Cover
Change Modeling, Workshop presentation (invited), 4th International Conference on Integrating GIS and Environmental Modeling, Banff, Alberta, Sept. 2-8, 2000.
EEA (2006), Land accounts for Europe 1990–2000, EEA report No. 11/2006.
Engelen G., White R., Van Der Meulen M., Hahn B. (2002), Sustainable Developments of Islands: A
Policy Support Framework for the Integrated Assessment of Socio-economic and Environmental
Development, in: H.-H. M. Hsiao, C.-H. Liu and H.-M. Tsai (ed.), Sustainable Development for
Island Societies: Taiwan and the World, Taipei, Taiwan, Asia-Pacific Research Program, Academia
Sinica and SARCS Secretariat, pp. 251-287.
Howitt R.E. (1995), “Positive Mathematical Programming”, American Journal of Agricultural Economics, n. 77, pp. 329-342.
Idda L., Furesi R., Pulina P. (2002), Agricoltura multifunzionale, in: Idda L. (a cura di), Alimentazione
e turismo in Italia, Atti del XI Convengo di Studi SIEA, pp. 11-71.
Istat (2001), V Censimento Generale dell’Agricoltura, Roma.
376
Lambin E. (1997), “Modelling and monitoring land-cover change processes in tropical regions”,
Progress in Physical Geography, vol. 21, n. 3, pp. 375-393.
Landis J.R., Koch G.G. (1977), “The measurement of observer agreement for categorical data”, Biometrics, vol. 33, n. 1, pp. 159–174.
Logofet D.O., Lesnaya E.V. (2000), “The mathematics of Markov models: what Markov chains can
really predict in forest successions”, Ecological Modelling, n. 126, pp. 285–298.
Lombardo S., Pecori S., Petri M. (2005), Investigating territorial dynamic using decision tree - Atti del
convegno Cupum 2005.
Lopez E., Bocco G., Mendoza M., Duhau E. (2001), “Predicting land cover and land use change in the
urban fringe. A case in Morelia city, Mexico”, Landscape and Urban Planning, n. 55, pp. 271-282.
Malczewski J. (2004), “Gis–based land-use suitability analysis: a critical overview”, Progress in Planning, vol. 62, no. 1, pp. 3-65.
Martinuzzi S., Gould W., Gonzales O. (2007), “Land development, land use, and urban sprawl in
Puerto Rico integrating remote sensing and population census data”, Landscape and Urban Planning, n. 79, pp. 288-297.
Matheron G. (1978), Estimer et choisir, Cahiers du centre de morphologie mathématique de Fontainebleau, Fasc. 7, Ecole de Mines de Paris.
Matheron G. (1989), Estimating and choosing – an essay on probability in practice, Berlin, Springer.
Mazzeo F. (2006), Multifunzionalità in agricoltura dai concetti alle opportunità, Comunità Europea,
Stato Italiano e Regione Lombardia, Piano di Sviluppo Rurale 2000-2006.
Paris Q., Howitt R.E. (1998), “An analysis of ill-posed production problems using maximum entropy”, American Journal of Agricultural Economics, n. 80, pp. 124-138.
Pijanowski B.B., Brown D.G., Shellito B.A., Manik G.A. (2002), “Using neural networks and GIS to
forecast land use changes: a Land Transformation Model”, Computers, Environment and Urban
Systems, 26(6), pp. 553-575.
Prieler S. (2005), Built-up and associated land area increases in Europe, WP 3. Environmental Evaluation, International Institute for Applied Systems Analysis (IIASA), Land Use Change and
Agriculture Project.
Riccioli F. (2007), La funzione socio-economica delle attività vitivinicole letta attraverso il Piano di
Sviluppo Rurale toscano, in: Menghini S. (a cura di), Il ruolo del settore vitivinicolo nei processi di
sviluppo sostenibile, Milano, Franco Angeli, pag. 52-92.
Riccioli F. (2009), “Una proposta metodologica per lo studio della multifunzionalità: l’analisi MultiCriteriale Geografica”, Economia e Diritto Agroalimentare, n. 3, pp. 99-118.
Shafer G. (1976), A mathematical theory of evidence, Princeton, Princeton University.
Steyaert L.T (1993), A perspective on the state of environmental simulation modeling, in M.F. Goodchild et al., Environmental Modeling with GIS, New York, Oxford University Press, pp. 16-30.
Tang Z., Engel B.A., Pijanowski B.C., Lim K.J. (2005), “Forecasting land use change and its environmental impact at a watershed scale”, Journal of Environmental Management, vol. 76, pp. 35–45
377
GIS e scenari di cambiamenti di uso del suolo
Verburg P.H., Soepboer W., Limpiada R., Espaldon M.V.O., Sharifa M.A., Veldkamp A. (2002),
“Modelling the spatial dynamics of regional land use: The CLUE-S model”, Environmental Management, n. 30, pp. 391-405.
Xia L., Gar-On Yeh A. (2002), “Neural network based cellular automata for simulating multiple land
use changes using GIS”, Int. J. Geographical Information Science, vol. 16, n. 4, pp. 323-343.
Zadeh L. (1965), “Fuzzy sets”, Information Control, n. 8, pp. 338-353.
378
Scarica

34 ANN_neural network