In questo contributo si illustra il ruolo assunto dalle nuove tecniche di analisi ed elaborazione statistica di dati geo-ambientali e pedologici nella cartografia delle risorse agro-alimentari e in particolare di quella che riguarda la diffusione dei vigneti su scala regionale per finalità pianificatorie. I dati geografico-fisici utilizzati riguardano sia parametri del clima, sia parametri geo-morfometrici del territorio che alcune importanti proprietà pedologiche. La modellazione statistica di questi dati e la loro implementazione in ambiente GIS open source ha condotto alla realizzazione di una cartografia tematica gestibile a vari livelli. Par questo studio si è fatto ricorso a tecniche di Machine learning sviluppate nell’ambiente di programmazione OpenSource R (regressione logistica, stepwise analysis, VIF) unitamente a tecniche di analisi GIS e rilievi da cartografia storica e aerofotografia. Per ciascun dato analizzato si è prestata attenzione alla sua risoluzione e con il miglio dettaglio possibile in relazione alla scala di rilevamento. Il risultato finale è una serie cartografica tematica complessa e versatile espressione di tutti o di parte dei dati analizzati e rappresentati.
Un approccio statistico per l’analisi di dati geografico-fisici caratterizzanti la diffusione di colture vitivinicole nella Provincia di Benevento (Italia meridionale).
Cusano A.Methodology
;Russo F.
Supervision
2024-01-01
Abstract
In questo contributo si illustra il ruolo assunto dalle nuove tecniche di analisi ed elaborazione statistica di dati geo-ambientali e pedologici nella cartografia delle risorse agro-alimentari e in particolare di quella che riguarda la diffusione dei vigneti su scala regionale per finalità pianificatorie. I dati geografico-fisici utilizzati riguardano sia parametri del clima, sia parametri geo-morfometrici del territorio che alcune importanti proprietà pedologiche. La modellazione statistica di questi dati e la loro implementazione in ambiente GIS open source ha condotto alla realizzazione di una cartografia tematica gestibile a vari livelli. Par questo studio si è fatto ricorso a tecniche di Machine learning sviluppate nell’ambiente di programmazione OpenSource R (regressione logistica, stepwise analysis, VIF) unitamente a tecniche di analisi GIS e rilievi da cartografia storica e aerofotografia. Per ciascun dato analizzato si è prestata attenzione alla sua risoluzione e con il miglio dettaglio possibile in relazione alla scala di rilevamento. Il risultato finale è una serie cartografica tematica complessa e versatile espressione di tutti o di parte dei dati analizzati e rappresentati.I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.