Prati, pascoli e paesaggio alpino - SoZooAlp
Share Embed Flag
Download ePaper

Prati, pascoli e paesaggio alpino - SoZooAlp

Prati, pascoli e paesaggio alpino - SoZooAlp Prati, pascoli e paesaggio alpino - SoZooAlp

sozooalp.it
29.05.2013 Views

Fig. 5.3 Tecniche di classificazione usate in analisi vegetazionale Fig. 5.3 Tecniche di classificazione usate in analisi vegetazionale ARRANGIAMENTO DI MATRICE Clustering a blocchi Seriazione Non gerarchica Metodi di ripartizione Cluster di sovrapposizione Clustering sfocato 89 PRATI, PASCOLI E PAESAGGIO ALPINO Agglomerativa Divisiva Legame singolo Edward, Cavalli-Sforza Legame completo Ordinamento dicotomico Legame medio Analisi di associazione Centroide Mediana Strategie flessibili Minimo incremento di devianza Minimo incremento di entropia CLUSTER ANALYSIS Gerarchica circostanziato con rigore procedurale. Ne consegue che i risultati possono differire da operatore a operatore. La principale difficoltà sta nel trattare gli elementi problematici, ossia i campioni di composizione non ben caratterizzata o di transizione tra comunità e le specie con distribuzione controversa. Il classico arrangiamento di matrice è pertanto un metodo di classificazione approssimativo e poco pratico, che conserva unicamente valore storico. La disponibilità degli strumenti informatici ha permesso uno suo sviluppo, proponendo soluzioni più obiettive ed efficaci, di cui si da qui un brevissimo cenno. Una di queste è la classificazione a blocchi (Block clustering), nella quale i raggruppamenti di righe e di colonne (specie e

Fig. 5.4 Effetto ricercato nel riarrangiamento in una matrice di dati binari Fausto Gusmeroli Fig. 5.4 Effetto ricercato nel riarrangiamento in una matrice di dati binari 0 0 1 0 0 1 1 0 0 0 1 0 0 1 0 0 0 1 1 0 0 1 0 0 0 1 0 0 1 0 0 1 0 0 0 1 0 0 1 0 0 1 1 0 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 1 0 0 0 1 0 0 1 0 0 0 1 1 0 0 1 0 0 0 1 0 campioni) sono ottenuti attraverso un processo iterativo di rilocazione basato su misure di distanza o dissimilarità. Il processo più semplice consiste nel doppio clustering, che però, classificando separatamente le righe e le colonne, non sempre si rivela incisivo. Migliori sono i procedimenti che tengono conto dell’interazione tra righe e colonne, come la seriazione, dove il riordino delle righe e delle colonne, ricercato anche qui solitamente con un processo iterativo simultaneo, è subordinato all’ottimizzazione della struttura diagonale della matrice. I valori più elevati sono posizionati il più vicino possibile alla diagonale, mettendo così in evidenza un gradiente unidimensionale dei campioni in funzione delle specie. Più che di una vera e propria classificazione si tratta, quindi, di una tecnica di ordinamento ad una dimensione, applicabile oltre che sulla matrice primaria, anche sulle matrici secondarie di somiglianza/dissomiglianza tra gli oggetti. 5.3. La cluster analysis non gerarchica La cluster analysis non gerarchica è un metodo di classificazione concettualmente più semplice della corrispondente gerarchica, in quanto si limita ad assegnare gli oggetti ai cluster, senza fornire alcuna informazione circa le relazioni tra questi ultimi. Per tale ragione si presta soprattutto ad analizzare matrici molto grandi, come strumento preliminare di identificazione degli outlier e delle disgiunzioni, oltre che di raggruppamento degli oggetti mirato ad una prima mitigazione del rumore e riassunto della ridondanza. Eliminando gli outlier, disaggregando la matrice e sostituendo ai cluster i campioni composti viene agevolata la successiva classificazione gerarchica, indispensabile per lo studio dettagliato della struttura delle relazioni. Naturalmente è sempre possibile passare direttamente a quest’ultima. Tuttavia, se in matrici di dimensione ridotta la cosa è fattibile e consigliabile, in matrici grandi si potrebbe rivelare molto complicata e le informazioni ricavabili potrebbero in definitiva essere meno utili ed esplicative. Le tecniche di clustering non gerarchico tendono ad essere relativamente omogenee ed esigono quasi tutte di specificare a priori il numero dei cluster e, talvolta, anche altri 90 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1

Fig. 5.3<br />

Tecniche di classificazione usate in analisi vegetazionale<br />

Fig. 5.3<br />

Tecniche di classificazione usate in analisi vegetazionale<br />

ARRANGIAMENTO DI<br />

MATRICE<br />

Clustering a blocchi<br />

Seriazione<br />

Non gerarchica<br />

Metodi di ripartizione<br />

Cluster di sovrapposizione<br />

Clustering sfocato<br />

89<br />

PRATI, PASCOLI E PAESAGGIO ALPINO<br />

Agglomerativa Divisiva<br />

Legame singolo Edward, Cavalli-Sforza<br />

Legame completo Ordinamento dicotomico<br />

Legame medio Analisi di associazione<br />

Centroide<br />

Mediana<br />

Strategie flessibili<br />

Minimo incremento di devianza<br />

Minimo incremento di entropia<br />

CLUSTER ANALYSIS<br />

Gerarchica<br />

circostanziato con rigore procedurale. Ne consegue che i risultati possono differire da<br />

operatore a operatore. La principale difficoltà sta nel trattare gli elementi problematici,<br />

ossia i campioni di composizione non ben caratterizzata o di transizione tra comunità e<br />

le specie con distribuzione controversa.<br />

Il classico arrangiamento di matrice è pertanto un metodo di classificazione approssimativo<br />

e poco pratico, che conserva unicamente valore storico. La disponibilità degli<br />

strumenti informatici ha permesso uno suo sviluppo, proponendo soluzioni più obiettive<br />

ed efficaci, di cui si da qui un brevissimo cenno. Una di queste è la classificazione a<br />

blocchi (Block clustering), nella quale i raggruppamenti di righe e di colonne (specie e

logo

Prodotti

Risorse

Aziende

Terms of service
Privacy policy
Cookie policy
Cookie settings
Imprint
Change language
Made with love in Switzerland
© 2024 Yumpu.com all rights reserved

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!