Regione Emilia-Romagna 
ASSESSORATO AGRICOLTURA, ECONOMIA ITTICA, ATTIVITA' FAUNISTICO-VENATORIE.
Indice generale______________________
____________________________
____________________________
CAPITOLO I
 
LA DEFINIZIONE DELLA VOCAZIONE DI SPECIE DI INTERESSE GESTIONALE
 
Premessa
Questa sezione è un aggiornamento della cartografia relativa alle vocazioni del territorio regionale rispetto alla precedente edizione della carta ((Toso et al., 1999) per le seguenti specie: Pernice rossa, Starna, Fagiano, Lepre, Lupo, Cinghiale, Cervo, Capriolo. Tale aggiornamento è basato sull’utilizzo di  nuova cartografia di maggiore dettaglio, di un nuovo reticolo cartografico a maglia più fine e di nuove  tecniche di analisi di complessità del paesaggio. I dati faunistici utilizzati per la realizzazione delle carte di vocazione sono gli stessi della precedente edizione tranne che per Capriolo, Cervo e Lupo. Per il Capriolo sono stati elaborati i dati dei censimenti realizzati nelle zone delle province di Forlì-Cesena, Bologna, Modena e Reggio Emilia, per il Cervo i dati delle Province di Forlì-Cesena, Modena e Reggio Emilia.. Per il Lupo è stato impiegato il data-base del Progetto-Lupo,  fornito dal Dr. Ettore Randi dell’ISPRA.
 
Materiali e metodi
Reticolo cartografico
Per la realizzazione delle carte di vocazione è stato utilizzato un reticolo ottenuto suddividendo gli elementi della Carta Tecnica Regionale (CTR) in scala 1: 5000 in 3 x 3 sottoelementi. Da ogni elemento della CTR sono stati ricavati 9 sottocelle suddividendo i lati dell’elemento CTR i sia in senso latitudinale sia in senso longitudinale. Il territorio della regione Emilia-Romagna risulta in tal modo costituito da 21636 elementi cartografici che costituiscono la base elementare di rappresentazione della vocazione.
 
Dati cartografici di base
E’ stato utilizzato il set di dati cartografici già utilizzati per la precedente versione della carta di vocazioni, con l’esclusione della copertura Corine Land Cover, sostituita dalla nuova Carta di Uso del Suolo 2008 - Edizione settembre 2010 (Archivio cartografico della Regione Emilia-Romagna). E’ stato inoltre utilizzato un set di immagini satellitari Landsat riferite al 2001. 
Per ogni Unità Campione (aree di rilevamento dei dati biologici; UC) e per ogni cella del reticolo (Unità di applicazione dei modelli; UA) è stato calcolato il set di variabili illustrato in Appendice A.
 
Modelli
La logica utilizzata in questo approccio si basa sull’integrazione di modelli multi-criterio e modelli statistici multivariati. 
Gli approcci alla modellizzazione ecologica sono molteplici e dipendenti dal tipo di processo che si intende descrivere. Negli studi di ecologia animale e negli studi di valutazione ambientale finalizzati alla gestione e/o conservazione delle componenti faunistiche di un territorio, i modelli più comunemente utilizzati sono sostanzialmente i modelli che si basano sull’intersezione di più criteri di valutazione della qualità/idoneità/potenzialità di un territorio (modelli multi-criterio), e i modelli stocastici multivariati (modelli statistici). In entrambi i casi, l’approccio può variare molto da modello a modello, ma mantiene delle caratteristiche proprie di quello specifico approccio di modellizzazione. I classici modelli HSI (Habitat Suitability Index) del USFWS (1981) sono esempi calzanti dei modelli multi-cirterio, ma possono essere sviluppati anche utilizzando approcci di tipo statistico o bayesiano (USFWS 1981).
 
I modelli multi-criterio
I modelli multi-criterio si basano sull’individuazione di alcuni criteri che l’esperto individua come rilevanti per determinare l’idoneità del territorio per una determinata specie. I più comuni modelli del genere fanno riferimento agli HSI (Habitat Suitability Index) del USFWS (1981). I modelli multi-criterio possono derivare sia da dati pregressi (modelli empirici), sia da espressioni verbali (linguistici). In entrambi i casi, si possono formulare relazioni tra singoli criteri (variabili o caratteristiche ambientali) e l’idoneità del territorio per la specie o per il gruppo di specie di particolare interesse (guild). L’idoneità, secondo la procedura di formulazione di un HSI viene scomposta secondo componenti funzionali dell’ambiente mirati a soddisfare particolari requisiti della specie (cibo, riparo, riproduzione, etc.) o relativi a fasi (classi di età) o stagioni particolari (stagione riproduttiva, o di svernamento, etc.). L’idea è quella di individuare quelle componenti ambientali utili per soddisfare tutti i requisiti che l’esperto ritiene fondamentali attraverso l’utilizzo di criteri che li soddisfano.  
Spesso i criteri sono definiti in maniera deterministica, precisa e possono essere definiti come crisp, e cioè che individuano soglie di variazione dell’idoneità molto nette; per esempio l’espressione linguistica “fino a 200 m slm e oltre i 1100 m la specie non è presente, da 400 a 900 m la specie è in condizioni altitudinali ottimali, mentre nelle fasce intermedie si ha un progressivo incremento (da 200 a 400 m) o deterioramento (da 900 a 1100 m) delle condizioni di idoneità legate all’altitudine” viene interpretata in maniera estremamente precisa, considerando il livelli soglia come esatti. Un simile approccio è stato utilizzato nella formulazione dei modelli per i vertebrati italiani formulati per la Rete Ecologica Nazionale (Boitani et al. 2002). In alternativa, queste soglie possono essere anche definite mediante la logica fuzzy (lanuginosa) che consente di includere nel processo di modellizzazione l’incertezza insita nei dati pregressi o nelle espressioni linguistiche (Robertson et al. 2004). La logica fuzzy consente di attribuire a ciascuna soglia un certo grado di incertezza (p.es. l’espressione precedente andrebbe modificata con “la soglia altitudinale va dai 200 ai 1100 m con un certo grado di appartenenza all’insieme ‘specie non presente’ e all’insieme ‘specie presente’”) e di gestirla nelle successive operazioni di combinazione dei criteri (per ulteriori approfondimenti si rimanda a Robertson et al. 2004). 
 
I modelli multicriterio che sono stati applicati nella redazione dell’aggiornamento della carta della vocazione dell’Emilia Romagna, sono partiti dall’assunto che vi siano vincoli ecologici alla presenza delle specie e che, in fase preliminare all’applicazione dei modelli statistici - che si basano su processi di campionamento – siano stati applicati al territorio per delimitarne le zone di presenza potenziale. 
Nel nostro caso abbiamo utilizzato le schede con i criteri di vocazione definite nell’ambito della Rete Ecologica Nazionale per i vertebrati (REN; Boitani et al. 2002). Abbiamo individuato due criteri principali: l’altitudine e le categorie di uso del suolo. Per ogni specie, le schede della REN hanno permesso di individuare le categorie di uso del suolo non idonee e i limiti altitudinali.
quota
In alcuni casi sono state apportate specifiche variazioni per adattare le schede alla carta di uso del suolo che consentiva un dettaglio superiore (CORINE IV livello) a quello utilizzato per la redazione delle schede della REN (CORINE III livello).
 
I modelli statistici
Un’alternativa o una possibile integrazione all’approccio multi-criterio è rappresentato dalle tecniche statistiche multivariate; queste tecniche consentono di stimare le variazioni del processo ecologico oggetto dello studio o dell’indicatore che lo descrive (variabile dipendente) mediante l’utilizzo di un insieme di predittori rappresentati dalle variabili (variabili indipendenti) che misurano le caratteristiche del sistema (Fabbris 1997, Tabachnick & Fidell 2000, Härdle & Simar 2003). In questo caso la componente di idoneità non viene scomposta come per gli HSI, ma viene descritta nella sua interezza, partendo da dati empirici che ne caratterizzano le proprietà e che vengono sintetizzate dalla variabile dipendente che si assume descriva l’andamento dell’idoneità. 
Le tecniche multivariate più utilizzate si basano su generalizzazioni del modello lineare
dove la variabile dipendente viene descritta da un associazione lineare di un insieme k di variabili indipendenti (xi) più una componente aleatoria e che è tipica della variabile dipendente e non può essere spiegata dall’insieme delle k x inserite nel modello. 
I modelli che si basano sul modello lineare variano sostanzialmente sulla base delle caratteristiche dell’indicatore del processo che viene caratterizzato. Nel caso che si decida di utilizzare la densità come indicatore della qualità ambientale di una specie, la tecnica più utilizzata è l’analisi di regressione lineare multipla (Barrai 1984, Sokal & Rohlf 1995, Fabbris 1997). Questa tecnica si basa sulla stima di coefficienti (detti coefficienti di aumento unitario parziale) tali da minimizzare la distanza tra la retta e lo sciame di punti nello spazio a k dimensioni quando si utilizzino k predittori (anche dette variabili indipendenti o variabili predittive, x). Esistono tecniche (stepwise selection) che si basano su rimozioni o aggiunte di una variabile indipendente alla volta rispettivamente al set di variabili completo o a un modello con solo la variabile. Queste tecniche prevedono il confronto del modello che si genera passo dopo passo (stepwise) in seguito all’aggiunta o rimozione di una variabile, con il modello precedente utilizzando diverse diagnostiche di adattamento, e consentono quindi di selezionare, all’interno di un set di variabili indipendenti misurate, quelle che contribuiscono maggiormente a descrivere i dati osservati. L’interpretazione dei coefficienti è piuttosto semplice poiché il valore assoluto del coefficiente indica l’entità del contributo di quella variabile ecologica alla variazione della variabile dipendete (indicatore, p.es. densità), mentre il segno indica la direzione dell’effetto (un coefficiente negativo determina una riduzione della variabile dipendente, mentre un coefficiente positivo ne determina un aumento). Tale immediata interpretazione in realtà è inficiata da due considerazioni, le unità di misura in cui vengono misurate le variabili indipendenti (le x) non sono sempre le stesse in tutto il set di variabili e le variabili spesso non sono tra loro indipendenti (sono cioè correlate). A queste difficoltà si può ovviare standardizzando i coefficienti (rendendone cioè la media uguale a 0 e la varianza uguale a 1, coefficienti standardizzati, beta) e utilizzando variabili tra loro non correlate. Nel caso le variabili utilizzate non fossero tra loro indipendenti, è possibile utilizzare una procedura utilizzata nell’analisi fattoriale denominata Analisi delle Componenti Principali (ACP; Tabachnick & Fidell 2000). Questa procedura permette estrarre dalla matrice di dati ambientali un numero ridotto di componenti, rappresentate da una serie di equazioni lineari. Ciascuna Componente Principale (CP) riassume un gruppo di variabili tra loro correlate che sono responsabili di parte della varianza della matrice ambientale. Le CP così ottenute possono essere tali da essere indipendenti e quindi essere facilmente utilizzabili in un modello di regressione multipla al posto delle variabili originarie. 
Nel caso la variabile fenomenica o variabile indipendente non sia invece misurata con una scala continua, bensì in classi (p.es. classi di densità), la regressione lineare multipla non è utilizzabile, ma si possono utilizzare altre tecniche tra cui le più utilizzate e note sono l’Analisi della Funzione Discriminante (AFD; Tabachnick & Fidell 2000) e l’Analisi di Regressione Logistica (RegLog; Hosmer & Lemeshow 1989). 
L’Analisi della Funzione Discriminante (DFA) rappresenta la più comune tra le procedure di classificazione tra 2 o più gruppi (Barrai 1984, Williams et al. 1990, Tabachnick & Fidell 2000). La AFD si basa anch’essa sul modello lineare, con una variante importante e cioè che la variabile dipendente non ha un diretto significato biologico, ma serve unicamente per caratterizzare la combinazione lineare in modo che sia quanto più possibile differente tra i gruppi (Barrai 1984).
Le funzioni discriminanti FD che vengono estratte sono pari al numero di gruppi da discriminare meno 1 (n - 1). Le procedure di parametrizzazione dell’equazioni delle FD possono utilizzare i rapporti tra le varianze (rapporto tra varianze tra i gruppi e varianza entro i gruppi, oppure il rapporto tra la varianza entro i gruppi e la varianza totale) dei punteggi delle funzioni discriminanti che vengono calcolati per ciascun caso (UC) appartenente a un gruppo, o la distanza multidimensionale tra i gruppi (distanza di Mahalanobis). 
L’analisi di regressione logistica nasce invece come uno strumento per stimare la probabilità di un evento (nel caso degli MVA, l’idoneità ambientale) sulla base di un insieme di variabili predittive che caratterizzano ciascuna unità statistica (nel caso degli MVA, le Unità Campione) secondo il seguente modello:
dove  
p(x) = probabilità che l’evento (idoneità) accada. 
xi= i-esima variabile indipendente (caratteristica ambientale) 
bi=coefficiente parziale di variazione unitario  
come si può notare, una trasformazione denominata logit data dal logaritmo naturale del rapporto tra la probabilità che l’evento accada e il suo complementare (questo rapporto è definito odds) e indicata con g(x)  può essere rappresentata da un’equazione analoga al modello lineare:
 
La selezione delle variabili da inserire nel modello può essere effettuata mediante una procedura di selezione stepwise basata sulla una procedura di massimizzazione della funzione di verosimiglianza (likelihood). 
Il modello di regressione logistica è stato esteso anche ai casi di variabili dipendenti politomiche (con più di 2 classi), la cui descrizione trascende dagli obiettivi di questo documento, ma che può essere approfondita in Bohrnstedt e Knoke (1998), mentre ne può essere valutata una sua applicazione in un modello di valutazione ambientale per il lupo nell’Appennino settentrionale in Massolo e Meriggi (1998).
 
Applicazione e verifica
I modelli così formulati devono essere successivamente applicati allo stesso insieme di casi (UC) utilizzato per la parametrizzazione del modello (training set) e su nuove aree (validation set), che possono essere definite Unità di Applicazione (UA). Le dimensioni delle unità di applicazione devono essere comparabili a quelle delle UC. 
L’applicazione dei modelli deve essere condotta, per quanto possibile, sia sui dati originari (siano essi suddivisi in training set e validation set), sia su un nuovo set di dati proveniente da altre aree geografiche. In questo modo, l’applicazione consente sia di verificare la capacità del modello di descrivere i dati originari, sia altri dati provenienti dalla stessa area o da altre aree. La capacità del modello di descrivere il training set indica l’adeguatezza con i dati di partenza, ma non implica che il modello sia in grado di descrivere altrettanto bene altri contesti ambientali. Un modello che descrive adeguatamente i dati originari è un modello preciso, mentre se riesce a descrivere i dati provenienti da altre aree è anche robusto, nel senso che risponde in maniera soddisfacente alle variazioni delle variabili predittive; in altri termini, le variabili che spiegano la variazione della variabile dipendente (idoneità ambientale) nell’area di origine dei dati sono le stesse che la descrivono nell’area di applicazione.  
Se l’obiettivo del modello è di individuare le componenti che determinano la sostenibilità ambientale per una determinata specie, è anche necessario che il modello dia risultati biologicamente interpretabili, e cioè che i coefficienti delle equazioni lineari utilizzate nei vari modelli diano chiare indicazioni sull’effetto che ciascuna componente ambientale ha sulla variabile indipendente. Nel caso invece che l’obiettivo sia quello di stimare al meglio la qualità ambientale, la capacità predittiva (la capacità del modello di stimare i valori osservati nel training set e nel validation set) del modello assume un ruolo rilevante e l’interpretabilità degli effetti delle singole variabili risulta un valore aggiunto, ma non indispensabile. Ciò condiziona la valutazione dell’adeguatezza del modello da un punto di vista interpretativo. Nel primo caso, la ragionevolezza biologica  dei risultati (cioè che l’effetto di una variabile non sia in contrasto con quanto noto) è un assunto fondamentale, nel secondo invece può anche essere meno rigorosamente vincolante. 
In questa specifica applicazione, visto l’obiettivo di stima della vocazione del territorio, l’interesse si incentra prevalentemente sulle capacità predittive dei modelli, senza entrare in merito all’effetto delle singole variabili. 
A partire da ogni training set è possibile formulare numerosi modelli con caratteristiche simili, ma sostanzialmente differenti perché originati con modelli differenti (p.es. regressione logistica o analisi della funzione discriminante) o con procedure di selezione e stima dei parametri differenti (p.es. selezione stepwise foreward o backward). Per questo motivo è utile avere dei criteri di selezione dei modelli formulati. Tra i criteri vi è innanzitutto la coerenza con gli obiettivi del modello (interpretativi/esplicativi o predittivi) e quindi la sua ragionevolezza e la fit rispetto al training set e soprattutto, quando disponibile, al validation set. Ovviamente, sarebbe auspicabile ottenere modelli ragionevoli con un’elevata fit, ma spesso l’una proprietà esclude l’altra. 
Nel caso di modelli di classificazione a risposta dicotomica, qualora vi siano più modelli che rispondono adeguatamente ai sopraccitati criteri, si dovrebbe confrontare la loro capacità descrittiva/predittiva mediante l’analisi delle matrici di confusione (p.es. Manel et al. 2001; Tab. 1). Queste si basano sull’analisi dei valori predetti e dei valori osservati: la valutazione del numero di corretti positivi e corretti negativi (rispettivamente a e d) e dei falsi positivi e falsi negativi (rispettivamente b e c) consente di stimare alcuni indici numerici che possono successivamente essere utilizzati nella scelta del modello (Kappa, odds ratio, etc.). 
In particolare, la sensitività (proporzione di positivi correttamente classificati: d/(b+d)) e la specificità (proporzione di negativi correttamente classificati: d/(b+d)), permettono di visualizzare l’adattamento ai dati dei modelli formulati mediante particolari rappresentazioni grafiche denominate curve ROC (Receiver Operating Characteristic; Figura 1), le cui applicazioni in studi ecologici stanno diventando sempre più frequenti (Manel et al. 1999; Guisan & Zimmermann 2000; Osborne et al. 2001; Pearce & Ferrier 2000; Zeigenfuss et al. 2000). Le ROC rappresentano l’andamento delle classificazioni (utilizzando come indicatori la specificità e la sensitività) in base ai livelli di probabilità scelti come soglia di classificazione all’uno o all’altra classe. Ogni curva ha un’area sottesa che è espressa in proporzione (area = 1 per un modello perfetto) e viene confrontata con un modello casuale rappresentato dalla diagonale del grafico (Figura 1). A parità di ragionevolezza, è auspicabile utilizzare il modello con un’area sottesa maggiore (nell’esempio DicLogR_LM; Tab. 1).
 
Figura 1: esempio di un grafico ROC per l’analisi della capacità predittiva di quattro modelli di idoneità ambientale per il capriolo, formulati mediante analisi della funzione discriminante (AFD) o regressione logistica (DicLogR), e con o senza l’utilizzo di metriche di paesaggio (LM) come variabili predittive (tratto da Massolo et al. 2003).
Tabella 1: Esempio di confronto statistico tra diverse curve rappresentate in un grafico ROC relative a quattro modelli di idoneità ambientale per il capriolo, formulati mediante analisi della funzione discriminante (AFD) o regressione logistica (DicLogR), e con o senza l’utilizzo di metriche di paesaggio (LM) come variabili predittive (tratto da Massolo et al. 2003). In tabella sono riportate le superfici che sottendono alle curve relative ai 4 modelli e il livello di significatività della differenza rispetto a un modello che classifica casualmente (diagonale del grafico ROC).
 
Oltre a questo genere di valutazione grafica, esistono anche altri indicatori e criteri per comparare le performance dei modelli; il più diffuso è il criterio di Akaike (AIC, Akaike Information Criterion; Akaike 1974). L’AIC si basa sulla verosimiglianza del modello rispetto ai dati (likelihood), che nei modelli basati sul modello lineare è spesso rappresentata dalla percentuale di varianza spiegata dal modello  e sul numero di parametri (k). L’AIC è inoltre condizionato dalla numerosità del campione e, nel caso la numerosità sia considerata bassa (n/K<40), deve essere corretto (AICc) per valutarne l’effetto.
E’ una misura relativa di bontà del modello ai dati e consente di individuare i modelli più verosimili, confrontando la differenza  tra i possibili modelli proposti e il modello con l’AIC più basso (che funge quindi da riferimento). Modelli con  AIC tra 0 e 2 sono modelli che non presentano differenze sostanziali rispetto al modello migliore, valori tra 4 e 7 danno già indicazione di una sostanziale differenza, mentre valori maggiori di 10 indicano modelli assolutamente non comparabili al modello di riferimento. Sulla base di questi scarti è possibile pesare i modelli secondo la seguente equazione che fornisce indicazione su quale sia il modello che è più probabilmente il migliore (Akaike 1979).
Dove la radice quadratica della distanza di ciascun modello dal migliore  viene rapportata alla sommatoria delle distanze di tutti gli R modelli considerati 
Per una disamina maggiormente approfondita sulla teoria e sulle tecniche per la selezione dei modelli si rimanda a testi e lavori di approfondimento (Boyce et al. 2002, Burnam & Anderson 2002, Johnson & Omland 2004).
 
Variabili utilizzate
 
FRAZIONI DI SUPERFICIE  (nome campi: Snnnn) 
 
Frazioni della superficie dell’elemento territoriale occupate da: 
 
1.1.1. Tessuto continuo:  1111 e 1112 aggregati 
1.1.2. Tessuto discontinuo (Ed):  1120 
1.2.1. Insediamenti industriali, commerciali:  1211, 1212, 1213, 1214, 1215 aggregati 
1.2.2. Reti ed aree infrastrutturali stradali:  1221, 1222, 1223, 1224, 1225, 1226 aggr. 
1.2.3. Aree portuali:  1231, 1232, 1233  aggegati 
1.2.4. Aree aeroportuali ed eliporti:  1241, 1242, 1243  aggregati 
1.3.1. Aree estrattive:  1311, 1312  aggregati 
1.3.2. Discariche e depositi di rottami:  1321 1322 1323  aggregati 
1.3.3. Cantieri:  1331, 1332  aggregati 
1.4.1. Aree verdi:  1411, 1412 aggregati 
1.4.2. Aree ricreative e sportive:  1421, 1422, 1423, 1424, 1425, 1426, 1427, 1428 
                                                                                                                   aggregati 
1.4.3. Cimiteri (Vm):  1430 
2.1.1. Seminativi in aree non irrigue (Sn):  2110 
2.1.2. Seminativi in aree irrigue:  2121, 2122, 2123  aggregati 
2.1.3. Risaie (Sr):  2130 
2.2.1. Colture specializzate:  2211, 2212  aggregati 
                             2211 
                             2212 
2.2.2. Oliveti (Co):  2220 
2.2.3. Arboricoltura da legno:  2231, 2232  aggregati 
                                2231 
                                2232 
2.3.1. Prati stabili (Pp):  2310 
2.4.1. Colture temporanee associate a colture permanenti (Zt):  2410 
2.4.2. Sistemi colturali e particellari complessi (Zo):  2420 
2.4.3. Aree prevalentemente occupate da colture agrarie con presenza di spazi  
         naturali importanti (Ze):   2430 
3.1.1. Boschi di latifoglie:  3111, 3112, 3113, 3114, 3115  aggregati 
                                   3111 
                                   3112 
                                   3113 
                                   3114 
                                   3115 
3.1.2. Boschi di conifere (Ba):  3120 
3.1.3. Boschi misti di conifere e latifoglie (Bm):  3130 
3.2.1. Praterie e brughiere di alta quota (Tp):  3210 
3.2.2. Cespuglieti e arbusteti (Tc):  3220 
3.2.3. Aree a vegetazione arbustiva e arborea in evoluzione:  3231, 3232  aggregati 
                                                           3231 
                                                           3232 
3.3.1. Spiagge, dune e sabbie:  3311 
3.3.2. Rocce nude, falesie e affioramenti (Dr):  3320 
3.3.3. Aree con vegetazione rada:  3331, 3332  aggregati 
3.3.4. Aree percorse da incendi (Di):    3340 ASSENTE 
4.1.1. Zone umide interne (Ui):  4110 
4.1.2. Torbiere (Ut):  4120 
4.2.1. Zone umide e valli salmastre:  4211, 4212, 4213  aggregati 
4.2.2. Saline (Us):  4220 
5.1.1. Corsi d'acqua, canali e idrovie:  5111, 5112, 5113, 5114  aggregati 
                                          5111 
                                          5112 
                                          5113 
                                          5114 
5.1.2. Bacini d'acqua:  5121, 5122, 5123, 5124  aggregati 
5.2.1. Mari:   5211  ASSENTE 
 
 
TESS_URB :   frazione di copertura dei tipi di uso suolo 11nn 
DIST_ANT :     frazione di copertura dei tipi di uso suolo 1nnn 
SEMIN :          frazione di copertura dei tipi di uso suolo 21nn 
COLT_PER :   frazione di copertura dei tipi di uso suolo 22nn 
COLT_ETE :   frazione di copertura dei tipi di uso suolo 24nn 
TOT_BOS  :    frazione di copertura dei tipi di uso suolo 31nn 
CESP_ARB :   frazione di copertura dei tipi di uso suolo 32nn 
ZON_IMP :     frazione di copertura dei tipi di uso suolo 33nn 
CORSI_ID :    frazione di copertura dei tipi di uso suolo 51nn
 
INDICE DI DIVERSITA’ DI SHANNON GLOBALE  (nome campo: SHAT) 
 
 
Un valore, calcolato con le frazioni di superficie globale di: 
 
1.1. Zone urbanizzate:  tutti i suoi 4’ livelli (1111, 1112, 1120) aggregati 
1.2. Insediamenti produttivi, commerciali:  tutti i suoi 4’ livelli (1211, 1212, 1213, 
                                1214, 1215, 1221, 1222, 1223, 1224, 1225, 1226, 1231, 1232, 
                                1233, 1241, 1242, 1243)  aggregati 
1.3. Aree estrattive, discariche, cantieri:  tutti i suoi 4’ livelli  aggregati 
1.4. Aree verdi artificiali non agricole:  tutti i suoi 4’ livelli  aggregati 
2.1. Seminativi:  tutti i suoi 4’ livelli  aggregati 
2.2. Colture permanenti:  tutti i suoi 4’ livelli  aggregati 
2.3. Prati stabili (foraggiere permanenti):  tutti i suoi 4’ livelli  aggregati 
2.4. Zone agricole eterogenee:  2410, 2420 aggregati 
                             2430 
 
3.1. Aree boscate:  tutti i suoi 4’ livelli  aggregati 
3.2. Ambienti con vegetazione arbustiva e/o erbacea in evoluzione:  tutti i suoi 4’  
             livelli  aggregati 
3.3. Zone aperte con vegetazione rada o assente:  tutti i suoi 4’ livelli  aggregati  
                                                                                                  (3340 ASSENTE) 
4.1. Zone umide interne:  tutti i suoi 4’ livelli  aggregati 
4.2. Zone umide marittime:  tutti i suoi 4’ livelli  aggregati 
5.1. Acque continentali:  tutti i suoi 4’ livelli  aggregati 
5.2. Acque marittime:   ASSENTE
 
INDICE DI DIVERSITA’ DI SHANNON DEI BOSCHI  (nome campo: SHAB) 
 
 
Un valore, calcolato con le frazioni di superficie a bosco di: 
 
3.1.1. Boschi di latifoglie:        3111 
                             3112 
                             3113 
                             3114 
                             3115 
 
3.1.2. Boschi di conifere (Ba):  3120 
 
3.1.3. Boschi misti di conifere e latifoglie (Bm):  3130
 
PERIMETRI  (nome campi: Pxxxxx) 
 
Sviluppo del perimetro di zone ad uso del suolo omogeneo rispetto alle aggregazioni qui definite, in km / km
 
 
PBOS                  3111,  3112,  3113,  3114,  3115,  3120,  3130 
PARB                  3220,  3231,  3232 
PPRATI               2310,  3210 
PSEMIN              2110,  2121,  2122,  2123,  2130 
PCOLTP             2211,  2212,  2220,  2231,  2232 
PUMIDE              4110,  4120,  4211,  4212,  4213,  4220, 
                              5111,  5112,  5113,  5114,  5121,  5122,  5123,  5124
 
ALTMIN  
ALTMAX 
ALTMEDIA 
 
LIVTOT: lunghezza delle linee di livello 
 
RUGOSITA: LIVTOT/area.  
 
STRADE: sviluppo strade per unità di sup. 
ALBRIVE: frazione della superficie occupata da formazioni alberate lungo gli argini dei fiumi. Deriva da interpretazione di immagini LANDSAT.
 
Oltre alle variabili sopra indicate, già utilizzate per la precedente versione della carta, è stato calcolato un nuovo set di variabili relative alla analisi della complessità del paesaggio non utilizzate in fase di redazione della precedente carta.
NOME METRICA
DESCRIZIONE
PV_m.n.x
Proporzione di superficie delle UC/UA coperte dal tipo CORINE mnx.
Framm_m.n.x
Numeri di poligoni della tipologia CORINE m.n.x per unità di superficie.
CA_m.n.x
Somma delle aree di tutte le patch appartenenti alla classe m.n.x.
TLA_m.n.x
Somma delle aree di tutte le  patch presenti nelle UC/UA.
NumP_m.n.x
Numero totale delle patch della tipologia CORINE m.n.x in ogni UC/UA.
MPS_m.n.x
Dimensione media delle patch appartenenti ad una data classe.
MEDPS_m.n.x
Mediana della dimensione delle patch di ogni classe.
Pscov_m.n.x
Coefficiente di variazione delle patch.
 
PSSD_m.n.x
Standard Deviation delle aree delle patch di ogni classe. La PSSD è una misura della variabilità della dimensione delle patch e dipende dalla dimensione media e dalla differenza di dimensione tra le patch.
TE_m.n.x
Perimetri delle patch di ogni tipologia CORINE.
ED_m.n.x
Perimetri totali di ogni classe relativi all’area totale delle UC/UA. TE/TLA.
MPE_m.n.x
Media dei perimetri di ogni classe.
MSI_m.n.x
Misura la complessità di forma delle patch. MSI=1 per patch perfettamente circolari.
AWMSI_m.n.x
MSI calibrata sulla dimensione delle patch.
MPAR_m.n-x
Somma dei perimetri di ogni patch/area diviso il numero delle patch.
MPFD_m.n.x
Misura di complessità basata sulla dimensione frattale di ogni patch. Tende ad uno per patch con perimetri lineari, a due quando vi è complessità.
AWMPFD_m.n.x
Complessità (MPFD) calibrata sulla dimensione delle patch.
 
 
Le metriche sono state calcolate sulla composizione del paesaggio (per landscape), senza cioè distinguere tra i patch di categorie di uso del suolo differente, e sulle categorie di uso del suolo al primo (p.es. cat 1=aree antropizzati), al secondo (p.es. cat 3.1=aree boscate) e al terzo livello (p.es. cat 2.1.1=seminativi non irrigui), oltre che su una categoria originata dall’aggregazione di più categorie (Cover=243+244+311+312+313+322+323+324; vedi legenda carta uso del suolo).  
Alcune categorie erano così scarsamente rappresentate (p.es. cat 5.x.x.), da fornire indicazioni poco rappresentative e quindi sono state successivamente escluse dalla matrice ambientale. 
Con questo approccio è stato possibile rilevare le caratteristiche di frammentazione e forma dei patch in generale (p.es. le dimensioni medie dei patch calcolate usando tutti i poligoni senza distinguerli per classi), oppure di una specifica categoria di particolare interesse (p.es. dimensioni medie delle patch di boschi o di cover).
 
Letteratura citata 
Akaike, H. 1974. A new look at statistical model identification. Pages 716-722 in IEEE Trans. Automat. Contr. 
Akaike, H. 1979. A Bayesian extension of the minimum AIC procedure of autoregressive model fitting. Biometrika 66:237-242. 
Boitani, L., F. Corsi, A. Falcucci, L. Maiorano, I. Marzetti, M. Masi, A. Montemaggiori, D. Ottavini, G. Reggiani, and C. Rondinini. 2002. Rete Ecologica Nazionale. Un approccio alla conservazione dei vertebrati italiani. in. Università di Roma "La Sapienza", Dipartimento di Biologia Animale e dell'Uomo; Ministero dell'Ambiente, Direzione per la Conservazione della Natura; Istituto di Ecologia Applicata. 
Cimino, L., and S. Lovari. 2003. The effects of food or cover removal on spacing patterns and habitat use in roe deer (Capreolus capreolus). Journal of Zoology, Lond. 261:299-305. 
Guisan, A., and N. E. Zimmermann. 2000. Predictive habitat distribution models in ecology. Ecological Modelling 135:147-186. 
Lovari, S., and C. San Josè. 1997. Wood dispersion affects home range size of female roe deer. Behavioural Processes 40
Manel, S., J.-M. Dias, and S. J. Ormerod. 1999. Comparing discriminant analysis, neural networks and logistic regression for predicting species distributions: a case study with a Himalayan river bird. Ecological Modelling 120:337-347. 
Massolo, A., S. Vacca, and T. Ceccarelli. 2003. Studi di idoneità ambientale su grande scala a fini conservazionistici: il caso del capriolo italico nel P.N. del Pollino. in IV° Convegno Nazionale Associazione Teriologica Italiana, Rimini, Italia. 
McGarigal, K. 2002. Landscape pattern metrics. Pages 1135-1142 in A. H. El-Shaarawi and W. W. Piegorsch, editors. Encyclopedia of Environmentrics. John Wiley & Sons, Sussex, England. 
McGarigal, K., and B. J. Marks. 1995. FRAGSTATS. Gen. Tech. Rep. PNW-GTR-351., Department of Agriculture, Forest Service, Pacific Northwest Research Station., Portland, OR, USA. 
Osborne, P. E., J. C. Alonso, and R. G. Bryant. 2001. Modelling landscape-scale habitat use using GIS and remote sensing: a case study with great bustards. Journal of Applied Ecology 38:458-471. 
Pearce, J., and S. Ferrier. 2000. Evaluating the predictive performance of habitat developed using logistic regression. Ecological Modelling 133:225-245. 
Radeloff, V. C., A. M. Pidgeon, and P. Hostert. 1999. Habitat and population modelling of roe deer using an interactive geographic information system. Ecological Modelling 114:287-304. 
Robertson, M. P., M. H. Villet, and A. R. Palmer. 2004. A fuzzy classification technique for predicting species distributions: applications using invasive alien plants and indigenous insects. Diversity and Distributions 10:461-447. 
Toso, S., Turra, T., Gellini, S., Matteucci, C., Benassi, M-C., Zanni, M.L. 1999. Carta delle vocazioni faunistiche della Regione Emilia-Romagna. Regione Emilia-Romagna.  
Zeigenfuss, L. C., F. J. Singer, and M. A. Gudorf. 2000. Test of a Modified Habitat Suitability Model for Bighorn Sheep. Restor Ecology 8:38-46.
 
 
 
 
HTML Programming and Graphic by ST.E.R.N.A. P.IVA 01986420402 
© Copyright 2012 - Tutti i marchi riprodotti sono di proprietà delle rispettive aziende.