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