Informazione Geografica, Città, Smartness

Informazione
Geografica, Città,
Smartness
Beniamino Murgante
Università degli Studi della Basilicata,
beniamino.murgante@unibas.it
http://www.unibas.it/utenti/murgante/Benny.html
L'aquila 7 Giugno 2013

Ian McHarg
History of GIS
1969

History of GIS
1969
Physiographic obstructions
Social aspects

History of GIS
1969
Physiographic obstructions

Density of scattered settlements in 1987 and 2004 (flats/hectare)
Density 1987 Density 2004
Density

Areas which have
Kernel density
included between 1
and 18 flats/hectare

The Moran index is able to specify if an event is clustered,
scattered or with a random distribution.
It has been calculated
1. by means of the inverse distance method considering data
in two different periods, 1987 and 2004, to evaluate the
variation of scattered rate of settlements.
The following values have been achieved:
Moran Index at 1987: I1987 = 0.0698;
Moran Index at 2004: I2004 = 0.0722.
2. by means of the fixed distance band: 1600m
The following values have been achieved:
Moran Index at 1987: I1987 = 0.458;
Moran Index at 2004: I2004 = 0.677.

G function by
Getis and Ord
(1992)
Class Autocorrelation G’
no correlation Negative autocorrelation -1.3 ÷ - 2
-6.3 ÷ 1
1 low Positive autocorrelation among
lower bounds
-1.3 ÷ - 2
2 medium-low Positive autocorrelation among
medium-low bounds
-2 ÷ - 4
3 medium Positive autocorrelation among
medium bounds
-4 ÷ - 6.3
1 high Positive autocorrelation among high
bounds
1 ÷ 11.9
Class Autocorrelation LISA
no correlation Negative autocorrelation -106,9 ÷ 0
1 low Positive autocorrelation among lower bounds 0 ÷ 14
2 medium-low Positive autocorrelation among medium-low bounds 14 ÷ 28
3 medium Positive autocorrelation among medium bounds 28 ÷ 54
1 high Positive autocorrelation among high bounds 54 ÷ 84.7
Local Indicator
of Spatial
Association
(Anselin, 1995)

Clusters localization
with the Getis and
Ord function

Tobler's First Law of Geography “All things are
related, but nearby things are more related than
distant things” (1970)
Positive
Autocorrelation
Negative
Autocorrelation
No Autocorrelation
(O’Sullivan and Unwin, 2002)

Density function
Point Pattern Analysis

kernel density
)A..,,A,A,y,(xL n21iii …= 




 −
= ∑= ττ
1
(L)λ
n
1i
2
iLL
k


Relation between the
bandwidth
dimension and the
study area





 −
= ∑= ττ
1
(L)λ
n
1i
2
iLL
k


kernel density: kernel functions

Kernel Density Estimation
(Levine, 1999)

Tobler's First Law of Geography “All things are
related, but nearby things are more related than
distant things” (1970)
∑∑
∑∑
==
==
= n
j
ij
n
i
n
j
ijij
n
i
w
wc
SAC
11
11
Where:
•n is the number of objects;
•i and j are two objects;
•xi is the value of object i attribute;
•cij is a degree of similarity of attributes i and j;
•wij is a degree of similarity of location i and j;
(Goodchild, 1986; Lee and Wong, 2001)

Geary C Ratio (1954)
Moran’s I statistic
2
__
2
)()(2
))()(1(
xxw
xxwN
c
iiijji
jiijji
−ΣΣΣ
−ΣΣ−
=if cij=(xi−xj)2
Moran index (1948)
2
__
____
)()(
))((
xxw
xxxxwN
I
iiijji
jiijji
−ΣΣΣ
−−ΣΣ
=
if )()(
____
xxxxc jiij −−=




=
0
adjacentji,1
wij
Weights Matrix
ijij 1/dw =




>
<
=
d
d
ij
ij
d0
dd
w
ij
ij
Fixed Distance Band
ij
2
ij 1/dw =

Spatial weights matrix and the metaphor chess game
Weights Matrix
Rook QueenBishop

Local Indicators of Spatial Association
G function by
Getis and Ord
(1992)
( )
2
)()(1
)(
)()(
)(
2
1 1
11
−














−−
−
=
∑ ∑
∑∑
= =
−
==
N
dwdwN
iS
dwxxdw
dG
n
i
n
i
ii
n
i
iii
n
i
i
i
Local version of
Geary Ratio C ∑=
−=
N
j
jiiji zzwc
1
2
)(

LISA allows for each statistical unit to assess the similarity of each
observation with that of its surroundings.
Five scenarios emerge:
• Locations with high values of the phenomenon and high level of
similarity with its surroundings (high - high), defined as HOT SPOTS;
• Locations with low values of the phenomenon and high level of similarity
with its surroundings (low - low), defined as COLD SPOTS;
• Locations with high values of the phenomenon and low level of similarity
with its surroundings (high - low), defined as Potential "Spatial outliers";
• Locations with low values of the phenomenon and low level of similarity
with its surroundings (low - high), defined as Potential "Spatial Outliers";
• Location devoid of significant autocorrelations.
Local Indicator of Spatial Association
∑=
⋅=
N
j
jijii zwzI
1 δ
)( XX
z i
i
−
=
Local Indicator of
Spatial Association
(Anselin, 1995)

Monitoring Urban Sprawl
spectral indices Spatial autocorrelation
To cope with the fact that small changes have to be captured and extracted
from TM multi-temporal data sets, we adopted the use of spectral indices to
emphasize occurring changes, and spatial autocorrelation techniques to reveal
spatial patterns
Global indicator
(Moran, Geary C ratio)
Local indicator
(LISA, Local Geary
Getis e Ord)
Spatial autocorrelation are considered
very useful tools in analysing satellite
images, since they consider not only
pixel value (reflectance, temperature,
spectral index) under investigation, but
also the relationship between same pixel
and its surrounding pixels.

LANDSAT
www.landsat.org
http://earthexplorer.usgs.gov/

LANDSAT
www.landsat.org
http://glovis.usgs.gov/

Software
GRASS
R Project for
Statistical
Computing

Change Detection
Change Detection 1999 – 2009 NDVI
Normalized Difference of
Index Vegetation

Spatial autocorrelation
G function by Getis and Ord

Local Geary

Local Indicator of Spatial
Association

Ongoing research
Built-up Areas Index (1976-1999-2009)

Analisi su GRID a partire da dati 3D
A partire da un TIN o un DEM è possibile
effettuare numerosi tipi di analisi di superficie
che comprendono:
•l’interpolazione di curve di livello (Contour),
• l’analisi delle pendenze (Slope),
•l’esposizione (Aspect),
•l’illuminazione dei versanti (Hillshade),
Hillshade
Aspect
Slope

Analisi di visibilità
L’analisi viewshed identifica le celle in un raster input
che possono essere viste da uno o più punti di
osservazione o da linee (in quest’ultimo caso i nodi o i
vertici delle linee saranno usati come observer point).
Viewshed

Main differences among Multiple, Cumulative and Identifying
Viewshed in the case of two targets

Identifying viewshed for wind farm in evaluating monuments visibility

Diminuzione del costo dei software G.I.S
(Longley, et al. 2001)

Incremento delle funzioni dei GIS

Crescita di potenzialità dei personal computer
(Legge di Moore)

Gli utenti di informazione geografica tendono a sviluppare iGli utenti di informazione geografica tendono a sviluppare i
dati in proprio per svariati motivi:dati in proprio per svariati motivi:
o non riescono a conoscere la disponibilità di dati chenon riescono a conoscere la disponibilità di dati che
potrebbero essere utilizzati per i propri scopi;potrebbero essere utilizzati per i propri scopi;
o accedere a questi dati spesso è difficoltoso;accedere a questi dati spesso è difficoltoso;
o gli utenti non sono soliti condividere i dati con altregli utenti non sono soliti condividere i dati con altre
amministrazioni o organizzazioni (spesso anche all’internoamministrazioni o organizzazioni (spesso anche all’interno
della stessa amministrazione);della stessa amministrazione);

Tutto ciò comporta:Tutto ciò comporta:
o molti attori ed enti coinvolti nella produzione di dati (spessomolti attori ed enti coinvolti nella produzione di dati (spesso
degli stessi);degli stessi);
o duplicazione di dati;duplicazione di dati;
o un proliferare di minisoftware GIS;un proliferare di minisoftware GIS;
o difficoltà di scambio ed uso di dati tra le diversedifficoltà di scambio ed uso di dati tra le diverse
organizzazioni;organizzazioni;
o alla diminuzione del costo di acquisizione dei software e delalla diminuzione del costo di acquisizione dei software e del
hardware non è corrisposta una altrettanto drasticahardware non è corrisposta una altrettanto drastica
riduzione dei costi di produzione di informazione geografica.riduzione dei costi di produzione di informazione geografica.

Executive Order 12906
Coordinamento dell’accesso e dell’acquisizione dei datiCoordinamento dell’accesso e dell’acquisizione dei dati
geografici: The National Spatial Data Infrastructuregeografici: The National Spatial Data Infrastructure
(NSDI)(NSDI)
o "National Spatial Data Infrastructure""National Spatial Data Infrastructure" significa lasignifica la
tecnologia, le politiche, gli standards e le risorse umanetecnologia, le politiche, gli standards e le risorse umane
necessarie ad acquisire, elaborare, memorizzare, distribuirenecessarie ad acquisire, elaborare, memorizzare, distribuire
e migliorare l’utilizzo dei dati spaziali.e migliorare l’utilizzo dei dati spaziali.
o "Geospatial data""Geospatial data"
o TheThe "National Geospatial Data Clearinghouse""National Geospatial Data Clearinghouse" significa unasignifica una
rete diffusa di produttori, gestori, utenti di dati spazialirete diffusa di produttori, gestori, utenti di dati spaziali
connessi elettronicamente.connessi elettronicamente.

Executive Order 12906
CANRI 1999

Nebert, The SDI Cookbook
Web
Client
Web
Client
Clearinghouse
Servers
Gateway(s)User
Z39.50 protocolHTTP protocol
Service
Registry
Service
Registry
Web
Server
Web
Server
•One Search across many servers
•Metadata is the key

IL CONTENUTO
WHAT?
WHERE?
WHO?
WHY?
HOW?
WHEN?
Titolo e descrizione del dataset
Estensione geografica espressa da
latitudine,longitudine, coordinate
geografiche e confini naturali o
amministrativi
Creatore, fornitore, potenziale pubblico
Descrizione delle ragioni della collezione
dei dati e uso di essi.
Data di creazione del dataset e
periodicità dell’aggiornamento
Descrizione delle modalità con cui il
dataset è stato prodotto e delle modalità
di accesso ai dati.
IDENTIFICAZIONE dei
DATI
QUALITA’ dei DATI
ORGANIZZAZIONE dei
DATI
RIFERIMENTO SPAZIALE
DISTRIBUZIONE dei
DATI
INFORMAZIONI sui
METADATI
INFORMAZIONI su
ENTITA’ e ATTRIBUTI
Metadati

INSPIRE
o i dati vanno raccolti una sola volta e gestiti laddove ciò puòi dati vanno raccolti una sola volta e gestiti laddove ciò può
essere fatto in maniera più efficiente;essere fatto in maniera più efficiente;
o deve essere possibile combinare i dati provenienti dadeve essere possibile combinare i dati provenienti da
differenti fonti e condividerli tra più utenti ed applicazioni;differenti fonti e condividerli tra più utenti ed applicazioni;
o deve essere possibile la condivisione di informazionideve essere possibile la condivisione di informazioni
raccolte dai diversi livelli di governo;raccolte dai diversi livelli di governo;
o l’informazione geografica necessaria per il buon governol’informazione geografica necessaria per il buon governo
deve esistere ed essere realmente accessibile a condizionideve esistere ed essere realmente accessibile a condizioni
che non ne limitino il possibile uso;che non ne limitino il possibile uso;
o deve essere facile individuare quale informazionedeve essere facile individuare quale informazione
geografica è disponibile, valutarne l’utilità per i propri scopigeografica è disponibile, valutarne l’utilità per i propri scopi
e le condizioni secondo cui è possibile ottenerla ed usarla.e le condizioni secondo cui è possibile ottenerla ed usarla.

Interoperabilità
Per presentarsi in maniera competitiva rispetto a tutti i nuovi
canali di finanziamento è necessario far parlare tra di loro i
database spaziali delle varie autorità locali (Laurini e
Murgante, 2008).
Le principali barriere verso la completa interoperabilità sonoLe principali barriere verso la completa interoperabilità sono
determinate da tre fattori:determinate da tre fattori:
o burocraticiburocratici, generati da una scarsa abitudine a condividere il, generati da una scarsa abitudine a condividere il
dato che, nella maggior parte dei casi, porta ad una sorta didato che, nella maggior parte dei casi, porta ad una sorta di
presunto diritto di proprietà personale dell’addetto chepresunto diritto di proprietà personale dell’addetto che
provvede alla sua gestione;provvede alla sua gestione;
o tecnologicitecnologici, prodotti prevalentemente da differenze tra i, prodotti prevalentemente da differenze tra i
sistemi, le strutture ed il formato dei dati;sistemi, le strutture ed il formato dei dati;
o semanticisemantici, dovute alla mancanza di corrispondenza nei, dovute alla mancanza di corrispondenza nei
significati.significati.

Information-Explosion Era
Google Earth bing virtual earth
openstreetmap

Information-Explosion Era
http://www.giscloud.com/map/11766/timatongis/tourism-in-matera-on-geographic-
information-system

http://www.giscloud.com/map/12804/laboratorio_gis/dati_basilicata
http://www.giscloud.com/map/11766/timatongis/tourism-in-matera-on-geographic-
information-system

Semantic Matching
Standard e modelli di dati consentono di importare o
convertire rapidamente dati senza generare perdite di
qualità, ma non sono sufficienti a trasferire il significato
delle informazioni.
Prima di porsi il problema di come strutturare il dato
bisogna affrontare la più complessa questione di cosa
rappresentare.

Semantic Matching
Lago???
laguna ???
Bacino ???
Corpo d’acqua ???
Strada
Cartografo
Ingegneria civile
Sistemi
di
trasporto

Semantic Matching
630 Terms:
Centro storico, A residenziale
conservativa, Zona A, Zona A centro
storico, Zona A centro antico, Zona
A (1…..n)
Area di espansione, zona di
espansione, zona C, zona C
insediamenti residenziali, zona C
residenziale di espansione,

Plan4all
24 partner di 15 paesi
europei.
enti locali,
partner tecnologici,
università e istituti di ricerca,
associazioni chi si occupano di
informazione geografica a
livello nazionale (come AMFM
GIS Italia) o pan-europee
(come EUROGI),
Associazioni di Planners
ISOCARP,
la Società Internazionale dei
City and Regional Planners.

SDI e Pianificazione del territorio
Nelle ultime decadi si sono sempre più diffusi approcci
riguardanti la pianificazione ed il governo del territorio
basati sulla necessità di un forte coinvolgimento di tutti i
livelli istituzionali e di governo, degli stakeholder e dei
cittadini nel processo di definizione delle principali scelte
riguardanti il proprio territorio.
A questo incremento di aspetti partecipativi non è
corrisposto un uso efficace della condivisione del dato e
delle tecnologie web che potrebbero sostenere
l'interoperabilità delle scelte di piano, prevedendo una
partecipazione attiva di tutti gli stakeholder.

Le metodologie abitualmente adottate nel settore della
pianificazione territoriale non fanno un uso efficace della
condivisione del dato e delle tecnologie web che potrebbero
sostenere l'interoperabilità delle scelte di piano, prevedendo
una partecipazione attiva di tutti gli stakeholder.
Emerge quindi una forte necessità di un’armonizzazione dei
dati utilizzati nel settore della pianificazione e un’esigenza
assoluta di un core data set dedicato agli strumenti di
pianificazione con la finalità di garantire in tutta Europa una
facile comprensibilità di queste informazioni.

La pianificazione del territorio e le informazioni ad essa
connesse hanno un’importanza strategica non solo per il
livello locale e nazionale, ma anche alla scala internazionale
dove un "continuum" di insediamenti caratterizza
l’attraversamento delle varie nazioni Europee.
Nelle regioni transfrontaliere è fondamentale valutare
quanto un’indicazione di piano data da un lato del confine
possa impattare dall’altro lato.

Plan4all
Il progetto europeo Plan4all, è principalmente focalizzato
sull'armonizzazione dei dati riguardanti la pianificazione
territoriale tenendo come riferimento principale la direttiva
Europea INSPIRE.
La parte importante del progetto Plan4all è la definizione di
procedure e metodologie comuni per la condivisione dei dati
territoriali e l'utilizzazione di nuovi standard riguardanti i
dati di pianificazione territoriale all'interno dell'UE.

Plan4all
L'obiettivo di Plan4all è quello di costruire una rete di enti
locali, regionali e nazionali, stakeholder, aziende del settore
dell’ICT, organizzazioni che si occupano di pianificazione e
sviluppo economico, università e agenzie internazionali con lo
scopo di trovare un consenso riguardante l'armonizzazione
delle Infrastrutture di Dati Spaziali per la pianificazione
territoriale, secondo la direttiva europea INSPIRE.

Plan4all
Annex I
•Coordinate ref. systems
•Geographical grid
systems
•Geographical names
•Administrative units
addresses
•Cadastral parcels
•Transport networks
•Hydrography
•Protected sites
Annex II
•Elevation
• Land cover (1)
•Orthoimagery
•Geology
Annex III
•Statistical units
•Buildings
•Soil
• Land use (2)
•Human health and safety
•Utility and Government
services (3)
•Environmental monitoring
facilities
• Production and industrial
facilities (4)
• Agricultural and aquaculture
facilities (5)
Annex III (follow up)
•Population distribution –
demography
• Area management
/restriction /regulation zones
and reporting units (6)
• Natural risk zones (7)
•Atmospheric conditions
•Meteorological geographical
features
•Oceanographic geographical
features
•Sea regions
•Bio-geographical regions
•Habitats and biotopes
•Species distribution
•Energy resources
•Mineral resources

Plan4all
http://www.plan4all.eu

Everything is Smart
http://youtu.be/5rMI_aVYtR0

I am Smart
I am
Smart
I am Smart
I am Smart
I am Smart
I am Smart

SMART ECONOMY : Tasso di occupazione; presenza di imprese innovative, di imprese giovani e
di imprese femminili; presenza e qualità di università e istituti di ricerca; dotazione infrastrutturale
SMART ENVIRONMENT: Per la dimensione ambiente sono stati presi in esame: la qualità dell’aria,
la percentuale di raccolta differenziata dei rifiuti urbani, la presenza di spazi verdi in città,
l’efficienza e la qualità della rete idrica (dispersione di acqua e depurazione), la presenza di centri
di raccolta RAEE
SMART GOVERNANCE: Non solo e-gov, ma anche dotazione di auto ecologiche, utilizzo di carta
riciclata e raccolta differenziata negli uffici comunali, risparmio energetico, acquisti verdi), adozione
di politiche per l’assetto e lo sviluppo del territorio (approvazione e adozione del Piano regolatore,
del Piano per gli insediamenti produttivi, del Piano delle attività commerciali, e così via), capacità di
fare rete con altri Comuni.
SMART LIVING:investimenti in cultura e welfare attraverso l’offerta di servizi di vario tipo, dagli asili
nido alle biblioteche comunali, dai consultori alle strutture per anziani, fino ai cinema. Pesano nella
classifica, il numero di persone sotto la soglia di povertà, il tasso di emigrazione ospedaliera,
l’inserimento sociale degli immigrati, la criminalità diffusa.
SMART MOBILITY: La mobilità è smart nelle città in cui esiste una rete diffusa ed efficiente di
trasporto pubblico e in cui ci sono parcheggi di scambio; in cui la maggior parte delle automobili in
circolazione sono poco inquinanti; in cui ci sono zone a traffico limitato, piste ciclabili, servizi di bike
e car sharing.
SMART PEOPLE: Il livello di istruzione e l’abbandono scolastico, il numero di donne che lavora e
che ricopre cariche all’interno dell’amministrazione, la presenza di studenti stranieri, la
partecipazione politica, il coinvolgimento in associazioni di volontariato, ma anche la lettura dei
quotidiani e la partecipazione ad eventi culturali. Sono tutti aspetti che ci dicono se i cittadini di una
città sono attivi e partecipi e se la città riesce a valorizzare il suo capitale sociale.

• adozione di opendata e Standard OCG,
• wifi libero,
• augmented reality a supporto del turismo,
• iniziative di crowdfunding,
• decisioni prese mediante crowdsourcing,

Validation of urban land cover

http://www.broadsheet.ie/2011/06/21/what-happens-online-in-60-seconds/

Google Earth
bing virtual earth
openstreetmap
Information-Explosion EraInformation-Explosion Era
Kitsuregawa et al. 2007

http://faculty.washington.edu/kstarbi/TtT_Hurricane_Map_byEvent.html

http://test.geosdi.org/geo-portal/

SmartCity e Aree Rurali (Smart Rural
Communities)

SmartCity e Aree Rurali (Smart
Rural Communities)

Documenti di
Programmazione
Piano

Geographical
objects
Real
Virtual
programming documents
Statement
Geo-Statement
Murgante et al. 2010

Murgante et al. 2011
Murgante B., Tilio L., Lanza V., Scorza F. (2011) “Using participative GIS and e-tools for involving citizens of Marmo
Platano – Melandro area in European programming activities” special issue on “E-Participation in Southern Europe and the
Balkans” Journal of Balkans and Near Eastern Studies, vol. 13(1) pp. 97–115. Taylor & Francis, London, ISSN:1944-8953, doi:
10.1080/19448953.2011.550809.

http://www.pitmpm.basilicata.it/PIT/map.phtml
http:// www.pitmpm.basilicata.it/cgi-bin/wms_pit

http://www.pitmpm.basilicata.it/PIT/map.phtml

SAVOIA BALVANO
PICERNO
TITO
MURO

CONCLUSIONI
• L’Agenzia per l’Italia digitale definisce strategie e
obiettivi, coordina il processo di attuazione e predispone
gli strumenti tecnologici ed economici per il progresso
delle comunità intelligenti
• predispone annualmente il piano nazionale delle
comunità intelligenti-PNCI
• emana le linee guida recanti definizione di standard
tecnici
• È istituito presso l’Agenzia per l’Italia digitale il Comitato
tecnico delle comunità intelligenti
Art. 20 Agenda Digitale - Comunità
intelligenti

CONCLUSIONI
• 1 designato dal Dipartimento della Funzione Pubblica
della Presidenza del Consiglio dei Ministri
• 2 designati dalla Conferenza permanente per i rapporti
tra lo Stato, le regioni e le provincie autonome di Trento
e Bolzano
• 1 designato dall’Associazione nazionale dei comuni
italiani
• 1 designato dall’Unione delle province italiane
• 6 di nomina del Direttore generale dell’Agenzia per
l’Italia digitale: 1 dagli Atenei, 3 da associazioni di
imprese e cittadini maggiormente rappresentative, 1
ISTAT, 1 Agenzia stessa
Comitato tecnico delle comunità intelligenti

Informazione Geografica, Città, Smartness

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (9)

En vedette

En vedette (8)

Similaire à Informazione Geografica, Città, Smartness

Similaire à Informazione Geografica, Città, Smartness (20)

Plus de Beniamino Murgante

Plus de Beniamino Murgante (20)

Informazione Geografica, Città, Smartness

Notes de l'éditeur