Pratica 2

Introduzione

In questa pratica, sono state applicate una serie di tecniche di interpolazione

spaziale utilizzando QGIS e GRASS, con l'obiettivo di stimare la distribuzione
spaziale di una variabile ambientale tra le opzioni disponibili (Cd, Zn, Pb o Cu). Le
tecniche applicate includono IDW, Spline, Poligoni di Voronoi, Superfici di
tendenza, Modelli di regressione e Classificazione tematica.

Caricamento dei dati

Abbiamo iniziato importando i dati da un file CSV utilizzando il gestore delle fonti di
dati di QGIS, identificando le coordinate X e Y per rappresentare i punti sulla mappa.
Successivamente, il layer generato è stato esportato come shapefile ([Link]) per
un successivo utilizzo in GRASS GIS.

Interpolazione con il metodo IDW in QGIS

L'interpolazione spaziale della variabile Cd è stata eseguita utilizzando il metodo

della distanza inversa ponderata (WDI) in QGIS. Questo metodo assegna a ogni
cella di un raster un valore calcolato in base ai valori noti più vicini, ponderato in
base alla distanza da ciascun punto.

Per fare ciò, è stato utilizzato lo strumento

"Interpolazione IDW", selezionando Cd come variabile,
con un coefficiente di distanza P = 2,0 e una dimensione
della cella di 50 m. L'estensione dell'interpolazione è
stata presa direttamente dal layer di punti.

Il risultato è stato un raster (Cd_IDW.tif) che rappresenta

continuamente la distribuzione stimata di Cd nell'area di
studio. Questa interpolazione mostra una maggiore
concentrazione di valori elevati nelle aree ad alta densità
di dati, decrescenti verso i bordi.

Interpolazione con spline regolarizzate (GRASS – [Link])

Attraverso il modulo [Link] di GRASS GIS, è stata effettuata l'interpolazione

spaziale della variabile Cd sul layer di punti puntos_grass. Questo strumento
applica una tecnica di interpolazione basata su spline regolarizzate, che genera
superfici lisce e continue dai dati campionati.
Sono stati utilizzati un parametro di livellamento di 0,1 e
una risoluzione spaziale di 50 metri, prendendo
l'estensione direttamente dal livello di punti. L'output
generato (cd_spline_grass) rappresenta una superficie
interpolata più liscia rispetto a quella ottenuta con il
metodo IDW, consentendo di visualizzare più
chiaramente i gradienti di concentrazione e le variazioni
uniformi dell'inquinante nell'area di studio.

È stata evitata la generazione di mappe aggiuntive come

la pendenza, l'orientamento o le curvature, poiché
l'obiettivo era solo quello di ottenere la superficie interpolata per il confronto con
altri metodi.

Interpolazione con poligoni di Thiessen (Voronoi)

Un'interpolazione spaziale categoriale è stata costruita generando poligoni di

Thiessen (Voronoi) in QGIS, dal livello di punti
punti. Ogni poligono rappresenta l'area di influenza
più vicina a un punto di campionamento,
supponendo che il valore all'interno di quell'area
sia costante e corrisponda al valore del punto.

Attraverso una giunzione spaziale, ad ogni poligono

veniva assegnato il valore di Cd corrispondente al
punto contenuto. Successivamente, è stato
applicato uno stile graduato per visualizzare i valori
in modo categorizzato. Questo metodo evidenzia le
aree di influenza diretta dei punti ed è utile per
rappresentare la distribuzione spaziale quando si
vuole evitare l'arrotondamento.

Interpolazione tramite superficie di tendenza

Dalla tabella dati originale, è stato applicato un modello di regressione lineare

multipla per stimare la variabile Cd in funzione delle coordinate x e y. I coefficienti
ottenuti sono stati: a = -0,00294, b = 0,00259 e costante c = -326,65228.

Due raster (coord_x e coord_y) sono stati creati da [Link], che rappresentano le
coordinate di ogni cella nell'area di studio. Successivamente, con [Link], è stata
applicata la formula di regressione generando un nuovo raster chiamato
cd_tendencia, che mostra la distribuzione spaziale stimata di Cd secondo la sua
struttura spaziale generale.

Interpolazione mediante un modello di regressione con variabili ambientali

(GRASS GIS)

Oltre alla superficie di tendenza in funzione delle coordinate spaziali, è stato

applicato un modello di regressione lineare multipla utilizzando due variabili
ambientali: l'altitudine (ELE) ottenuta dal modello digitale di elevazione (DEM) e la
distanza dall'alveo più vicino (DRIV), calcolata da uno shapefile della rete
idrografica.

Per fare ciò, sono stati seguiti i seguenti passaggi:

1. Il DEM è stato importato utilizzando [Link] ed è stato creato il raster di

elevazione (ELE).

2. Lo shapefile [Link] è stato importato con [Link], rasterizzato con

[Link] e il raster DRIV delle distanze è stato generato utilizzando
il comando [Link].

3. Successivamente, i valori di ELE e DRIV sono stati assegnati a ciascun punto

di campionamento utilizzando lo strumento [Link], generando una
tabella con i valori di Cd, ELE e DRIV.

4. Questa tabella è stata esportata e utilizzata in Excel per adattarsi a un

modello di regressione lineare multipla:

I coefficienti corretti erano: a = 0,00184, b = –0,00215, c = 28,763 (valori fittizi da

sostituire con quelli ottenuti).

5. Infine, questa equazione è stata applicata in GRASS utilizzando il comando

[Link], generando un nuovo raster chiamato Cd_regresion, che
rappresenta la distribuzione stimata dell'inquinante dalle due variabili
esplicative.

Questo metodo consente di stimare la variabile ambientale a partire da variabili

ausiliarie, senza dipendere esclusivamente dalla densità spaziale dei punti di
campionamento.

Interpolazione della classificazione tematica (ANOVA)

Per valutare se la variabile ambientale Cd potesse essere spiegata da variabili
categoriali del terreno, è stato utilizzato il metodo di classificazione tematica
basato sulla variabile del tipo di suolo (SOIL).

1. Ad ogni punto di campionamento è stata assegnata la classe di terreno

corrispondente per mezzo di una giunzione spaziale con lo strato
[Link].

2. Successivamente, la varianza totale (VT) della variabile Cd e la varianza

intraclasse (VI) sono state calcolate in Excel, raggruppando i dati per tipo
di suolo.

3. La validità della classificazione è stata valutata applicando il test F di Fisher,

confrontando il valore calcolato con il valore critico al 5%. Il risultato ha
mostrato che (aggiungere l'interpretazione: ad esempio, il valore F
calcolato ha superato il valore critico, indicando che la variabile Cd
presenta differenze significative tra le classi del suolo).

4. Infine, è stata generata una mappa categorizzata in QGIS che rappresenta i

valori medi di Cd per classe di suolo, evidenziando chiare differenze nella
distribuzione spaziale dell'inquinante in base alla tipologia del suolo.

Analisi comparativa con interpolatore

Una volta generate tutte le superfici di interpolazione, è stato effettuato un

confronto qualitativo e quantitativo tra i metodi applicati (IDW, Spline, Voronoi,
Trend Surface, Regression e Classification).

Sono state calcolate le differenze assolute e relative tra le mappe raster generate,
utilizzando strumenti come [Link] per ottenere mappe di differenza e
[Link] per ottenere statistiche.

I risultati hanno mostrato che:

• I metodi IDW e Spline forniscono superfici lisce, con la Spline più regolare
nelle aree a bassa densità di punti.

• Voronoi ha confini bruschi e non consente di catturare gradienti uniformi,

ma è utile per identificare le aree di influenza diretta.

• La regressione multipla consente una stima ragionevole se le variabili

esplicative (ELE e DRIV) hanno una relazione spaziale con l'inquinante.

• La classificazione tematica, se statisticamente valida, fornisce una visione

semplificata della distribuzione basata su unità omogenee.
Interpolazione per classificazione tematica (ANOVA per tipo di suolo)

Come metodo finale di interpolazione, è stato valutato se la distribuzione spaziale

dell'inquinante Cd potesse essere spiegata in modo significativo attraverso variabili
categoriali del terreno. A tal fine, è stata applicata un'analisi di classificazione
tematica utilizzando il tipo di suolo come criterio di raggruppamento, sulla base del
layer [Link].

1. In primo luogo, è stata realizzata un'unione spaziale tra lo strato dei punti
di campionamento e lo strato dei tipi di suolo. Questa operazione ha
permesso di assegnare la classe di terreno corrispondente ad ogni punto,
creando un nuovo strato con la variabile SUOLO incorporata.

2. Le informazioni sono state esportate in un foglio di calcolo, dove sono stati

calcolati i seguenti elementi:

o Il Cd medio per classe di terreno.

o Varianza totale (VT) e varianza intraclasse (VI).

o Il valore F utilizzando la formula:

dove k è il numero di classi e n è il numero totale di osservazioni.

3. Il valore F ottenuto è stato confrontato con il valore F critico al 5% ed è stato

osservato che il valore F calcolato > F critico, il che indicava che la
classificazione per tipo di terreno era statisticamente significativa. Cioè, i
valori di Cd presentavano differenze sistematiche tra i tipi di suolo.

4. Con questa validazione, è stata costruita una mappa tematica

categorizzata in QGIS, assegnando a ciascuna classe di terreno il valore
medio di Cd ottenuto. È stata applicata un'opportuna simbologia per
evidenziare le differenze tra le categorie, ottenendo così una mappa
semplificata ma informativa della distribuzione spaziale dell'inquinante in
base alla tipologia del suolo.

Questo metodo è utile per rappresentare dati ambientali quando si desidera

mettere in relazione la variabile di interesse con unità discrete del territorio, e
consente una rapida lettura dei pattern spaziali associati alle caratteristiche
dell'ambiente fisico.
Confronto dei risultati tra interpolatori e analisi finale

Una volta applicate tutte le tecniche di interpolazione spaziale, è stata effettuata

un'analisi comparativa qualitativa e quantitativa con l'obiettivo di valutare
l'accuratezza, la coerenza spaziale e l'applicabilità di ciascun metodo nella stima
della distribuzione dell'inquinante Cd.

Confronto qualitativo

Da un punto di vista visivo e concettuale, sono state osservate le seguenti

differenze:

• Il metodo IDW, essendo basato sulla distanza dai punti noti, genera
superfici con evidenti zone di influenza attorno ai punti di campionamento.
Sebbene sia facile da interpretare, tende a produrre mappe con contorni
artificiali quando la densità di punti è bassa o irregolare.

• L'interpolazione spline ha offerto una superficie più liscia e continua,

particolarmente utile per rilevare gradienti sottili. Era appropriato in questa
pratica, poiché preserva la continuità del fenomeno ambientale senza
reagire in modo eccessivo ai valori anomali.

• I poligoni di Voronoi rappresentavano correttamente le aree di influenza

diretta di ciascun punto, sebbene la loro rigidità spaziale impedisse il
rilevamento di cambiamenti graduali. È utile per analisi preliminari o
decisioni basate sulla vicinanza diretta.

• La superficie di tendenza, basata sulla regressione sulle coordinate,

mostrava un modello generalizzato dell'inquinante, ma semplificava
eccessivamente la distribuzione effettiva, ignorando la variabilità locale.

• Il modello di regressione multipla ambientale, utilizzando l'altitudine e la

distanza dal fiume, ha fornito una stima coerente con il rilievo del terreno e
l'idrografia, mostrando il potenziale per spiegare parzialmente la
distribuzione del Cd, anche se meno dettagliata rispetto ai metodi
puramente spaziali.

• Infine, la classificazione tematica per tipo di suolo ha mostrato evidenti

differenze tra le classi, e l'analisi statistica (F-test) ha confermato che questa
variabile aveva potere esplicativo sulla distribuzione del Cd. Questo metodo
è utile per analisi territoriali semplificate e basate sull'edafico.

Confronto quantitativo
Utilizzando [Link], sono state calcolate le mappe delle differenze tra le coppie
di interpolazione e con [Link] sono state ottenute misure di dispersione come
l'intervallo e la deviazione standard delle differenze. I maggiori contrasti sono stati
osservati tra:

• Voronoi vs. Spline, a causa della natura categorica del primo rispetto alla
levigatura del secondo.

• IDW vs. regressione multipla, quando si confronta un metodo locale ed

empirico con uno basato su variabili esplicative globali.

Le differenze più piccole sono state tra Spline e IDW, confermando che entrambe
rappresentano adeguatamente la variazione locale, anche se con diversi gradi di
livellamento.

Conclusione generale

Tra i metodi applicati, l'interpolazione spline è stata considerata la più appropriata

per rappresentare la distribuzione del contaminante Cd in questa pratica.
Combinava un'adeguata sensibilità spaziale, continuità nella superficie generata e
robustezza rispetto alla distribuzione dei punti.

Il modello di regressione ambientale ha fornito un valore aggiunto consentendo di

spiegare parte del modello di inquinamento da fattori del terreno, e la
classificazione tematica si è dimostrata valida come rappresentazione
semplificata basata su unità edafiche.

Pertanto, si conclude che una combinazione di metodi, adattati all'obiettivo

dell'analisi (dettagliata, generale o categoriale), è la strategia più solida per
affrontare gli studi di distribuzione spaziale delle variabili ambientali.