Prati, pascoli e paesaggio alpino - SoZooAlp
Prati, pascoli e paesaggio alpino - SoZooAlp Prati, pascoli e paesaggio alpino - SoZooAlp
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
- Page 40 and 41: 39 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 42 and 43: 41 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 44 and 45: 43 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 46 and 47: 45 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 48 and 49: 47 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 50 and 51: 49 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 52 and 53: 51 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 54 and 55: Fig. 2.6 Profili di α della funzio
- Page 56 and 57: 55 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 58 and 59: 57 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 60 and 61: 59 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 62 and 63: Fenomeni di eutrofizzazione in un p
- Page 64 and 65: 63 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 66: 65 PRATI, PASCOLI E PAESAGGIO ALPIN
- Page 69 and 70: Fausto Gusmeroli 4. La vEgEtazIoNE
- Page 71 and 72: Fausto Gusmeroli Tab. 4.1 Tab. Comu
- Page 73 and 74: Fausto Gusmeroli Fig. 4.2 I due tip
- Page 75 and 76: Fausto Gusmeroli Fig. 4.3 Principal
- Page 77 and 78: Fausto Gusmeroli temperatura di 30
- Page 79 and 80: Fausto Gusmeroli Tab. 4.3 Scale di
- Page 81 and 82: Fig. 4.4 Fausto Gusmeroli Tre ogget
- Page 83 and 84: Fausto Gusmeroli Le principali stan
- Page 85 and 86: Fausto Gusmeroli tale sono riconduc
- Page 87 and 88: Fausto Gusmeroli ossia la loro dist
- Page 89: Fig. 5.2Fausto Gusmeroli Rappresent
- Page 93 and 94: Fausto Gusmeroli ragione e viste an
- Page 95 and 96: Fausto Gusmeroli iniziale da quelle
- Page 97 and 98: Particolarità nei dendrogrammi Fau
- Page 99 and 100: Classificazioni flessibili ottenute
- Page 101 and 102: Fausto Gusmeroli in k cluster sono
- Page 103 and 104: Fausto Gusmeroli verificare se vari
- Page 105 and 106: Fausto Gusmeroli aggiunto il nome d
- Page 107 and 108: Fausto Gusmeroli scinale (più even
- Page 109 and 110: Funzione di risposta della specie l
- Page 111 and 112: Fausto Gusmeroli semplice: i parame
- Page 113 and 114: Fausto Gusmeroli in rapporto alla s
- Page 115 and 116: Fausto Gusmeroli Fig. 6.3 Derivazio
- Page 117 and 118: Fig. 6.5 Fausto Gusmeroli Diagrammi
- Page 119 and 120: Vari tipi di biplot ottenuti sulla
- Page 121 and 122: Fausto Gusmeroli Dato che COA adott
- Page 123 and 124: Fausto Gusmeroli Lo scaling multidi
- Page 125 and 126: Diagramma di detrito Fausto Gusmero
- Page 127 and 128: Fausto Gusmeroli lettura. Se vi son
- Page 129 and 130: Fausto Gusmeroli getazionali. La di
- Page 131 and 132: Fausto Gusmeroli semplicemente nell
- Page 133 and 134: Fausto Gusmeroli 7. IL PaEsaggIo Na
- Page 135 and 136: Fausto Gusmeroli revoli ha portato
- Page 137 and 138: Fausto Gusmeroli deriva un’ulteri
- Page 139 and 140: Fausto Gusmeroli Tab. Tab. 7.2 Sche
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