Methodological approaches able to integrate data from sample plots with cartographic processes are widely applied. Based on mathematic-statistical techniques, the spatial analysis allows the exploration and spatialization of geographic data. Starting from the punctual information on land use types obtained from the dataset of the first phase of the ongoing new Italian NFI (INFC), a spatialization of land cover classes was carried out using the Inverse Distance Weighting (IDW) method. In order to validate the obtained results, an overlay with other vectorial land use data was carried out. In particular, the overlay compared data at different scales, evaluating differences in terms of degree of correspondence between the interpolated and reference land cover.
La necessità di ottenere informazioni sulle caratteristiche dei popolamenti arborei e su analoghi usi del suolo, in campo ambientale e forestale, limitando il rilievo degli attributi in campo perché molto oneroso, ha spinto ormai da tempo la ricerca verso l’adozione di nuovi approcci e metodologie capaci di integrare il processo cartografico con i rilevamenti di tipo campionario, per aumentare le sinergie e i reciproci benefici.
Negli ultimi anni la procedura più usata per derivare informazioni cartografiche tematiche è stata l’interpretazione di fotogrammi aerei e telerilevati con l’uso di supporti
Oggi l’uso di metodologie classiche d’inventariazione delle risorse forestali si scontra con la necessità di ottenere sia una maggiore quantità e un miglioramento nella qualità dei dati sia un dettaglio d’informazione elevato; ciò comporta una naturale ibridazione metodologica con nuove tecniche di rilievo. Il ricorso a tecniche di telerilevamento con l’uso di foto aeree per l’individuazione dei punti bosco è da sempre consuetudine in molti inventari regionali (
Lo scopo del presente lavoro è stato quello di sperimentare l’applicazione di processi semplici di spazializzazione su base geografica (
Nello specifico si è proceduto attraverso le seguenti fasi:
analisi dei dati preliminari;
adattamento della metodologia di spazializzazione e individuazione dei parametri d’impostazione;
creazione di tematismi
validazione dei dati elaborati tramite il confronto con altre fonti informative cartografiche a scala e dettaglio differenti.
Il nuovo Inventario Nazionale per le Foreste e i Serbatoi di Carbonio - INFC, si propone l’obiettivo di aggiornare e approfondire la conoscenza del patrimonio forestale del territorio Italiano, secondo uno schema di analisi che si articola in tre fasi distinte. La prima fase è consistita nella individuazione del tipo di copertura del suolo delle unità di campionamento di circa 300000 punti (in Sicilia 25709 punti) della maglia inventariale derivanti da campionamento sistematico, con una densità di un punto per km2 e ogni punto localizzato in modo casuale all’interno di ogni cella (
I punti d’interesse inventariale sono stati individuati secondo un sistema di classificazione di copertura del suolo con due livelli di approfondimento (classe e sottoclasse), ottenuta per quanto possibile tramite fotointerpretazione a video della copertura forestale su ortofoto digitali b/n (AGEA 2000-2002). L’attribuzione delle classi e sottoclassi, secondo lo schema INFC, prevede in primo luogo l’individuazione, per ogni punto, del poligono omogeneo (per copertura del suolo) posto all’interno di un intorno di analisi quadrangolare di circa 2.2 ha; in questa prima fase il dettaglio al suolo fa quindi riferimento a questo intorno di analisi prestabilito.
Per assegnare una classe di copertura ai poligoni individuati, secondo le definizioni
La prima fase dell’INFC rappresenta il dato preliminare di partenza per l’elaborazione della spazializzazione: si propone una trasposizione dell’informazione puntuale dell’uso del suolo ad una superficie. Il campionamento di prima fase INFC ha un errore generale contenuto, le stime provvisorie delle formazioni forestali, comprensive di aree temporaneamente prive di soprassuolo e degli impianti di arboricoltura da legno, al netto delle superfici incluse di varia natura entro le aree boscate, risultano corredate di incertezze campionarie decisamente contenute; per la Sicilia l’errore standard calcolato è 1.6 (
Per la procedura di analisi spaziale, si è fatto ricorso ad un metodo di interpolazione di dati per estendere l’informazione puntuale dei dati INFC all’intera superficie analizzata, utilizzando una procedura di “
L’interpolazione spaziale, attraverso un operatore
I dati necessari per l’interpolazione possono essere dati puntuali provenienti da diverse fonti. Nel presente lavoro, l’obiettivo è stato quello di ottenere una stima di
L’equazione generica è (
dove
dove
Il modello matematico usato é un interpolatore esatto: restituisce in fase di stima, per i punti che coincidono a quelli esistenti di valore noto, lo stesso valore misurato o osservato attribuendo ad essi peso pari a 1 ed ai restanti peso pari a 0 (
Il numero di punti utilizzati in questa spazializzazione per la Sicilia è di 25435, dato che l’elaborazione non ha riguardato i punti localizzati nelle isole minori (274).
La metodologia
L’indice permette la stima di valori incogniti di una variabile continua, creando un vettore di risposte concentriche intorno ai punti noti (
La copertura del suolo è un attributo di tipo qualitativo e non esprime un valore numerico specifico per classe di copertura. L’impiego dell’interpolazione IDW implica, nei confronti delle variabili di
L’interpolazione delle classi di copertura del suolo non può essere eseguita per tutte le categorie contemporaneamente. Infatti, eseguendo un’elaborazione che avesse tenuto contemporaneamente in conto tutte le classi di copertura del suolo si sarebbe commesso un errore: l’indice stima i dati incogniti creando una scala di valori ognuno dei quali fa riferimento ad una copertura del suolo specifica. Ciò significa che si sarebbe associato ad ogni attributo un valore intero tra 1 e
Per non incorrere in errori di stima, la procedura di spazializzazione è stata perciò eseguita valutando un solo tipo di copertura del suolo alla volta, accomunando tutti gli altri punti, pur appartenenti ad unità diverse, ad un solo tipo “fittizio” di convenienza. Quindi, per ogni classe di copertura è stata interpolata un’unità reale ed una fittizia, attribuendo loro valori di 1 (unità di copertura reale) e 0 (unità fittizia). Questo ha permesso di stimare, per la classe considerata, la superficie interessata dall’interpolazione. La superficie residua del
Usando per ogni elaborazione (una per ogni classe di copertura del suolo) tutti i punti disponibili è stata mantenuta inalterata la superficie d’indagine ed il dettaglio, imposto dalla densità delle unità campionarie (un punto ogni km2).
Individuate le singole unità di superficie di uso del suolo è stata generata un’unica superficie complessiva attraverso la sovrapposizione di tutte le unità, interpolate ognuna singolarmente, ed in un secondo momento unite in un unico strato. Tale operazione non rischia di generare errori di sovrapposizione tra superfici proprio perché sono state opportunamente utilizzati tutti i punti disponibili per la classificazione, ciò consente di generare sempre lo stesso numero di
La sovrapposizione, quindi, è stata condotta semplicemente tramite l’unione di superfici
Per l’elaborazione dei dati è stato utilizzata l’estensione
L’algoritmo matematico di spazializzazione è stato impostato per tenere in considerazione al massimo 9 punti per volta (
Altro parametro richiesto per l’elaborazione è l’esponente, il quale regola il grado di “
Per ogni unita di copertura del suolo e per i due livelli di dettaglio (classe e sottoclasse) sono state calcolate tante superfici
I
Per verificare l’errore di stima commesso dalla procedura di spazializzazione sono stati effettuati dei controlli quantitativi. Un primo
Non potendo effettuare rilevamenti a terra (
In alcuni casi le differenze delle classificazioni messe a confronto hanno reso necessario un adeguamento dei diversi sistemi di nomenclatura e quindi delle corrispondenti legende derivabili (
Per
La comparazione per la scala comprensoriale (Monti Sicani) ha previsto una riclassificazione delle aree per renderle conformi al sistema INFC; questo è stato ottenuto attraverso una semplificazione nomenclaturale, mantenendo il dettaglio cartografico-territoriale legato al dato iniziale. Nella scala aziendale, invece, il dettaglio cartografico è quello delle tipologie forestali (
La procedura di validazione attraverso le comparazioni è stata ottenuta mediante l’
Dalla procedura di spazializzazione è stata ottenuta una superficie omogenea per tutto il territorio regionale, che riporta le aree in cui si localizzano i tipi di uso e copertura del suolo classificati per i due livelli, classe (
La classe più rappresentata è quella relativa alle “
La sottoclasse “
Dal confronto tra i dati puntuali (maglia inventariale INFC) ed i dati spazializzati emerge una corrispondenza che esaminata con il test del chi-quadro di Pearson è pari a 0.43; le differenze in termini percentuali oscillano tra 0.1 e 1.2 (per esempio, sottoclasse “
L’area messa a confronto è quella della superficie regionale con esclusione delle isole. Il confronto riguarda il dato INFC spazializzato ed il dato CLC 2000 al 3° livello (
Il valore di corrispondenza più elevato è quello relativo alle classi INFC (
L’area confrontata è quella del comprensorio dei Monti Sicani (33404 ha); in questo caso è stato realizzato un doppio confronto INFC-CLC e INFC - Categorie forestali Monti Sicani, verificando il grado di corrispondenza tra i dati (
Il dato più evidente è l’elevata corrispondenza in entrambi i casi della sottoclasse “
Per la scala aziendale, in Sicilia generalmente coincidente con i demani forestali regionali, l’area di confronto è quella del “
Nello specifico la classificazione è stata semplificata a due categorie, paragonabili alla classe “S
L’obiettivo preposto è stato quello di estrapolare, da un dato puntuale (INFC), un dato areale che distribuisca l’informazione individuata del dato puntuale ad una superficie, attraverso l’utilizzo di semplici procedure implementate nei più comuni software GIS. La finalitàè quella di ottenere velocemente e a basso costo un dato che esprima e traduca in una chiave di lettura diversa e più leggibile il rilievo campionario di un set di dati di origine puntuale.
La metodologia di spazializzazione adottata (IDW) per dati di natura qualitativa mostra molti limiti. Nel caso specifico l’estrapolazione di un dato quale l’uso del suolo, per sua natura molto complesso, ha comportato un’estremizzazione del suo utilizzo tramite un adattamento metodologico creato ad hoc. Partendo dai limiti dell’indice si è semplificato il problema analizzando due classi di uso alla volta per poi riunificare il tutto in un unico dato. Tale soluzione adottata costituisce un semplice accorgimento metodologico che ha consentito facilmente di escludere l’uso di altre metodologie certamente più precise ma più complesse.
La spazializzazione di un dato qualitativo senza far ricorso a procedure di
In sintesi, le superfici derivate dalla spazializzazione dei dati inventariali hanno mostrato un contributo percentuale corrispondente a quello delle classi di copertura relative ai punti inventariali.
La comparazione dei dati INFC (prima fase) con altri dati spazializzati a diversa scala ha evidenziato i limiti del dettaglio e la necessità di approfondimento del rilievo campionario e della cartografia.
A livello di classe i dati mostrano, in tutti i casi, una buona congruenza con le altre classificazioni esistenti. Passando dalla scala regionale a quella comprensoriale le differenze dalla classe INFC aumentano; un dettaglio maggiore determina una maggiore precisione e quindi una più alta frammentazione (
Le incongruenze riscontrate si localizzano principalmente nelle aree di margine (bordi) tra diversi tipi di uso, e ciò è spiegabile con il fatto che le superfici ottenute sono determinate da un algoritmo matematico che considera solo dei punti.
Le diversità tra classificazioni evidenziano inoltre limiti di comparazione imputabili alla difficoltà di attribuire le aree a unità di copertura perfettamente coincidenti utilizzando sistemi di definizioni differenti.
Il dato CLC mostra, nelle comparazioni, corrispondenze maggiori al livello di classe INFC (scala regionale) rispetto al livello di sottoclasse. Le classificazioni alla scala comprensoriale e aziendale presentano complessivamente una migliore rispondenza rispetto al dato CLC, visto che le definizioni delle classi di copertura del suolo di CLC prendono in considerazione parametri diversi nell’individuazione delle tipologie di copertura.
La classificazione su basi tipologiche ha invece definizioni più simili agli
Confrontando il numero di
Nonostante i limiti, è stato ottenuto un risultato che ha valenza su scala regionale. La discreta densità dei punti della maglia inventariale di prima fase ha consentito di stimare una superficie che permette di avere in modo semplice e veloce un dato generalizzato sulla tipologia di copertura del suolo. Tale modello certamente rappresenta un compromesso tra l’accuratezza/costi consentiti rispetto ad altre metodologie più complesse.
I dati relativi alla validazione consentono di stabilire che è possibile, seppure con incertezza, stimare facilmente superfici di unità di uso del suolo verosimili. Aumentando la densità dei punti campionari, tale modello potrebbe essere un valido supporto per la stima di unità di copertura superficiali, utili per gli scopi della pianificazione territoriale a scala regionale e comprensoriale. Dal confronto tra i dati di prima fase INFC ed i dati cartografici di maggiore dettaglio emerge la necessità, di un approfondimento del rilievo campionario, ottenibile attraverso il previsto Inventario Forestale della Regione Sicilia (attualmente in fase di realizzazione) che, mantenendo lo stesso impianto metodologico utilizzato nell’INFC, permetterà una conoscenza più dettagliata delle classi di copertura del suolo e tipologiche di interesse forestale, preforestale e pastorale. In quest’ottica il modello utilizzato nel presente lavoro potrà rappresentare un supporto per la restituzione cartografica delle unità di copertura del suolo con dettaglio maggiore.
Si ringrazia il Prof. F. Maetzke per la revisione del testo ed i consigli forniti. Un particolare ringraziamento al Referee per le critiche ed i suggerimenti indicati. Il lavoro è stato realizzato nell’ambito della cooperazione esistente tra Dipartimento di Colture Arboree dell’Università di Palermo e il Dipartimento Foreste della Regione Siciliana e reso possibile dalla disponibilità dei dati dell’Inventario delle Foreste e dei Serbatoi di Carbonio con autorizzazione all’uso e pubblicazione gentilmente concessa dal Corpo Forestale dello Stato.
La scelta dell’ampiezza del pixel di 100 m è dettata dal fatto che tale dimensione determina un contorno delle superfici stimate più uniforme; più piccolo è il pixel maggiore sarà la scala di valori compresi tra il punto considerato e i prossimi più vicini aumentando la precisione di stima, in ogni caso tale dimensione non rappresenta un valore di dettaglio al suolo dell’immagine risultante che rimane quello derivante dalla maglia inventariale puntuale originaria.
Disegno di campionamento sistematico. Dislocazione casuale dei punti all’interno di maglie di un km2 (in basso a sinistra) ed intorno di analisi di superficie complessiva di 22500 m2 ripartito in 9 quadranti ciascuno di 2500 m2.
Esempio di attribuzione dei valori: i 9 punti più vicini a quello con i pixel classificati, i valori di grigio presenti si riferiscono ad una scala compresa tra 0 e 1.
Esempio di calcolo di superficie
Esempio di confronto tra le classificazioni nell’area del Bosco della Ficuzza: l’immagine a sinistra rappresenta il dato spazializzato, al centro il dato relativo a CLC ed a destra il risultato della sovrapposizione tra le classificazioni (in rosso la differenza e in verde l’uguaglianza).
Distribuzione della copertura del suolo per il livello di classe dopo la spazializzazione dei punti di I fase INFC (si omette di riportare alcuni colori delle sottoclassi in quanto non apprezzabili visivamente nella mappa visto il loro basso valore di copertura di superficie).
Distribuzione della copertura del suolo per il livello di sottoclasse dopo la spazializzazione dei punti di I fase INFC (si omette di riportare alcuni colori delle sottoclassi in quanto non apprezzabili visivamente nella mappa visto il loro basso valore di copertura di superficie).
Confronto tra i punti inventariali e le superfici (%) dopo la spazializzazione.
Confronto tra INFC e CLC tra le classi e tutte le sottoclassi.
Confronto tra INFC e CLC: per la classe “Superfici boscate e ambienti seminaturali” e le sottoclassi relative.
Confronto tra INFC, CLC e Sicani: valori in % di congruenza; in tale analisi l’area coinvolta è quella relativa ai “Sicani” di circa 33404 ha.
Confronto tra “Ficuzza”, INFC e CORINE: valori in % di congruenza; in tale analisi l’area coinvolta è quella relativa a “Ficuzza” di circa 7345 ha.
Esempio di comparazione tra le definizioni di copertura e uso del suolo di interesse forestale tra INFC (
Classe INFC | Sottoclasse INFC | Categoria CLC di 3° livello | |
---|---|---|---|
Superfici boscate e ambienti seminaturali | Formazioni forestali e Formazioni forestali rade | 311 | Boschi di latifoglie |
312 | Boschi di conifere | ||
313 | Boschi misti di conifere e latifoglie | ||
322 | Brughiere e cespuglieti | ||
323 | Aree a vegetazione sclerofilla | ||
324 | Aree a vegetazione boschiva ed arbustiva in evoluzione | ||
Praterie pascoli e incolti | 321 | Aree a pascolo naturale e praterie | |
Aree temporaneamente prive di soprassuolo | - | ||
Aree con vegetazione rada o assente | 331 | Spiagge, dune e sabbie | |
331 | Rocce nude, falesie, rupi, affioramenti | ||
332 | Aree con vegetazione rada |