Diapositiva 1 - Home page
Transcript
Diapositiva 1 - Home page
LINEA 1: ATTIVITÀ 1.3 INDIVIDUAZIONE DI AREE AGRO-AMBIENTALI OMOGENEE PEDOLOGIA: aree omogenee Capitanata L’importanza di stimare accuratamente la variazione spaziale delle proprietà del suolo Modello ModelloFattoriale Fattorialedel del suolo ) suolodi diJenny Jenny(1941 (1941) S c = f (cl , o, r , p, t ) la latopografia topografia(r) (r)èèuno unodei dei principali principalifattori fattori pedogenetici pedogenetici Equazione McBratney et Equazione SCORPAN SCORPAN ((McBratney et al.,2003): al.,2003): S [ x, y, z, t ] = f ( s [ x , y , z , t ], cl [ x , y , z , t ], o[ x , y , z , t ], r [ x , y , z , t ], p[ x , y , z , t ], a [ x , y , z ], [ x , y , z ]) Modello Modello del del paesaggio paesaggio in in 3D 3D DEM DEM == rappresentazione rappresentazione quantitativa quantitativa della della superficie superficie topografica topografica Molto diffusi dagli anni ’90 DEM + Parametri topografici Rappresentazione della superficie topografica Informazioni ausiliarie per aumentare l’accuratezza di dati sparsi del suolo. Modelli idrologici DEMs + Parametri topografici INPUT Modelli di Land suitability Modelli di crescita delle piante ESISTONO PARECCHI METODI PER GENERARE DEM Rilievi di campagna Fotografie aeree Immagini Fotogrammetriche Laser-scanning Immagini da satellite Dati cartografici MODELLO DIGITALE CARTOGRAFICO (GENERATO DALLA FOTOGRAMMETRIA) MODELLO DIGITALE INTERFEROMETRICO MODELLO DIGITALE LIDAR COMUNQUE I DEM NON SONO MODELLI PRIVI DI ERRORI!!!! MOLTE CAUSE DI ERRORI Algoritmi dei parametri derivati Complessità del territorio Densità di campionamento Qualità dei dati Metodi di Risoluzione interpolazione verticale Dimensione della griglia È ASSOLUTAMENTE CRITICO STIMARE: 1. PRECISIONE del DEM (Intervallo Fiduciale) (da rilievi puntuali) 2. ACCURATEZZA del DEM (VALIDAZIONE) METODI DI INTERPOLAZIONE TRADIZIONALE TIPO 1) METODI GLOBALI 2) METODI LOCALI TECNICA PROPRIETA’ SUPERFICE DI TREND SINGOLA LOCALIZZAZIONE MOLTEPLICI LOCALIZZAZIONI a) SMOOTHING b) INSTABILITA’ c) TREND GLOBALE POLIGONO DI a) DISCONTINUITA’ THIESSEN b) PUNTI CAMPIONATI E PUNTI INTERPOLATI DIFFERENTI AREE ZONA AMBIENTALI D’ INFLUENZA MEDIA MOBILE a) VARIAZIONE CONTINUA b) SCELTA DEI PESI SPLINE a) EFFICIENZA COMPUTAZIONALE b) NESSUNA STIMA DEGLI ERRORI GEOSTATISTICA UNO STRUMENTO ESTREMAMANTE EFFICIENTE PER LA CARATTERIZZAZIONE DELLA VARIAZIONE SPAZIALE VANTAGGI DELLA GEOSTATISTICA: variabili primarie costituite da osservazioni sparse completate da mappe di variabili secondarie esaustive Satelliti Spot DEM Dati Meteo Indici Agronomici Immagini Spot Informazioni sulle caratteristiche del suolo e delle colture Fertilizzazione Protezione della pianta Esplorazione accurata e campionamento Raccomandazione Applicazione Semina Illustrations: Arvalis – Instituit du vegetal; EADS-Astrium; Spot Image (modified) ORTOFOTO area d’interesse OBIETTIVO Confrontare due tecniche di produzione DEM 1. TRADIZIONALE: THIN – PLATE SLIDE 2. GEOSTATISTICA: Kriging con trend Sito: DELIA (Sicilia) DESCRIZIONE • Il sito è rappresentato da una piccola conca alluvionale, con quote talora prossime al livello del mare, delimitata altopiani di quota intorno ai 150 m. • Il suolo e il sottosuolo sono caratterizzati da depositi terrigeni continentali (argille, sabbie e ghiaie) e da depositi di origine alluvionale. • L’uso del suolo è caratterizzato prevalentemente da aree agricole. PUNTI QUOTATI • • Campionamento di 2364 punti quotati digitalizzati su base cartografica in scala 1:5.000. Rinfittimento dei punti quotati mediante la digitalizzazione di ulteriori 1227 punti quotati su base cartografica in scala 1:10.000. SCELTA OTTIMALE DEI CAMPIONI DI VALIDAZIONE - Simulazione spaziale annealing; NTOT = 3591 Nt = 956 punti di test Nc= 2635 punti di calibrazione - Criterio di ottimizzazione: MMSD; PROCEDURE GEOSTATISTICHE GEOSTATISTICHE PROCEDURE Kriging con con external external drift drift Kriging TEORIA IRF IRF –– kk :: TEORIA z * KED n ( x0 ) = ∑ λ i =1 KED i z ( xi ) L M l =0 j =1 E [z ( x)] = ∑ al f l ( x) + ∑ b j s j ( x) Kriging Kriging L M ⎧n ⎪∑ λ β K(x α − xβ ) −∑ μ l f l (xα ) − ∑ μ j s j (xα ) = K(x α − x 0 ) l =0 j =1 ⎪ β =1 ⎪ α = 1,...., n ⎪n ⎪ λ f (x ) = f (x ) Internal drift l = 0,....., L l 0 ⎨∑ i l β ⎪ β =1 ⎪ ⎪n ⎪ λ s (x ) = s (x ) j = 1,....., M External drift ∑ i j β j 0 ⎪⎩ β =1 Modello di GC 2 K ( h) = nugget − b0 h + bs h log h + b1 h 3 b0, bs, b1 devono soddisfare determinate condizioni (Chiles and Delfiner, 1999) ORDINE DEL DEL TREND TREND ORDINE FITTING DI DI GC GC FITTING CROSS-VALIDATION CROSS -VALIDATION KRIGING ORDINARIO ORDINARIO KRIGING CROSS VALIDATION CROSS VALIDATION RISULTATI DEM Istogramma Statistica: • Campioni: 2633 • Minimo: 0.00 • Massimo: 148.80 • Media: 48.24 • Mediana = 46.20 • Dev. Std.: 26.35 • Varianza: 694.37 • Skewness: 0.88 • Curtosi: 3.77 • • • χ2 exp sperimentale = 108.19 χ2 exp teorico > 23.69 = 5% χ2 exp teorico > 21.06 = 10% Q-Q plot (Q) Anamorfosi Gaussiana Normalizzazione + standardizzazione attraverso l’espansione in polinomi di Hermite Mappa del variogramma della variabile gaussiana Kriging con trend Identificazione del trend Rango Medio Media Varianza Degli Errori dell’Errore Prove di Trend 1.833 1.946 *10-2 3.293 *10-1 1xy 1.958 5.917 *10-2 6.491 *10-1 1 x y x2 xy y2 2.209 7.457 *10-5 4.275 *10-1 Nessun Trend Stima della Covarianza Numero di strutture = 1 S1 : Covarianza Generalizzata del Primo Ordine Range = 1695.52 m Cross validation Mappe della Quota Limite Inferiore Stima Limite superiore MODELLO MODELLO PER PER SPLINES SPLINES THIN THIN PLATE PLATE Z(x) = φ(x) + Y(x ) Smooth Y(x) White noise Normalmente è indipendentemente distribuito FUNZIONE FUNZIONE OBIETTIVO OBIETTIVO N (φ (xα ) − g (xα )) ∑ α =1 Funzione di Smoothing 2 + λJ p ( g ) Parametro di smoothing positivo Penalty functional Inserire fig 3 cost pag 50 λ = 0.0 λ = 1.0 λ = 0.1 λ = 10.0 FUNZIONE FUNZIONE DI DI SMOOTHING SMOOTHING gg N L α =1 l =1 g ( x ) = ∑ bα Ψ ( x − xα ) + ∑ d l f l ( x ) dove Ψ ( x − xα ) = K ( x − xα ) = θ h log h 2 K funzione di spline θ parametro bα , dl pesi fl funzioni polinomiali Fortuna Fortuna delle delle SPLINES SPLINES • Efficienti dal punto di vista del calcolo • Disponibile software free • Relativamente robuste • Possibilità di adattare il parametro di smoothness automaticamente SVANTAGGI SVANTAGGI DEI DEI METODI METODI DI DI INTERPOLAZIONE INTERPOLAZIONE TRADIZIONALI TRADIZIONALI 1. La dipendenza spaziale è assunta a priori e non vi è alcun test per verificare tale assunzione. 2. Non è possibile descrivere il modello di struttura spaziale. 3. Nessuna possibilità di calcolare la varianza teorica di stima. 4. Nessuna stima dell’errore d’interpolazione. TEST DI VALIDAZIONE Variabile N°campioni Min Max Mediana Media Dev Std. CV Skewness Curtosi Q 668 0.00 78.50 40.30 39.82 16.40 0.41 0.02 2.05 kQtest 668 5.19 75.40 39.50 39.70 16.06 0.40 0.03 1.97 splineQ 668 1.91 75.43 39.61 39.73 16.01 0.40 0.02 2.01 errkQgeo 668 - 47.61 44.86 0.02 -0. 12 3.78 -31.13 - 0.82 72.11 errspline 668 - 46.76 46.05 -0. 03 -0. 09 3.83 -40.97 - 0.45 69.32 Istogrammi Errori N Campioni : Minimo : Massimo : Media : Dev Std : N Campioni : Minimo : Massimo : Media : Dev Std : Variogramma degli errori del DEM geo Mappa degli Errori del DEM geo Variogramma degli errori SPLINE Mappa degli Errori Spline CONCLUSIONI LA QUALITA’ DELLA PREVISIONE DIPENDE DALLA QUALITA’ DEI DATI I PRODUTTORI DI MAPPE DOVREBBERO FORNIRNE ANCHE L’ACCURATEZZA IL SOLO ERRORE QUADRATICO MEDIO NON E’ SUFFICIENTE L’ACCURATEZZA DEVE TENER CONTO DELLA CORRELAZIONE SPAZIALE IMPORTANZA DELL’INCERTEZZA DELLA STIMA NEL DECISION-MAKING ATTIVITA’ FUTURE MESSA A PUNTO DI TECNICHE TOPOGRAFIA PROPRIETA’ DEL SUOLO Multi collocated cokriging p n Z (x 0 ) = ∑ λα z (xα ) + ∑ λβ s(x β ) * CK CK α =1 CK β =1 PARTIZIONE IN AREE OMOGENEE