A Collaborative Spatial Decision Support System (C-SDSS) for … · 2020. 9. 28. · journal valori e valutazioni No. 25 - 2020 11 Maria Cerreta*, Giuliano Poli** keyword: landscape,

journal valori e valutazioni No. 25 - 2020 11

Maria Cerreta*, Giuliano Poli** keyword: landscape, internal areas, GIS, AMC, collaborative spatial decision support systems

A Collaborative SpatialDecision SupportSystem (C-SDSS) forstrategies of territorialcooperation:The CilentoLabscapeproject

The combination of the most recent paradigms for theinterpretation of the landscape, starting from the Euro-pean Landscape Convention and the Historic UrbanLandscape of UNESCO with the concept of smart landcan form the basis for an integrated and sustainable ap-proach to identification, evaluation, conservation andmanagement of plural landscapes, and the identificationof an endogenous development model based on theknowledge economy, the economy of cultural and envi-ronmental heritage conservation and the civil economy.The contribution presents a decision support system fo-cused on multi-criteria spatial analysis, developed withinthe framework of the FARO (Original Research Start-upFunding) program “CilentoLabscape. An integratedmodel for the activation of a Living Lab in the Cilento,Vallo di Diano and Alburni National Park “.The main objective of the project is to trigger endoge-nous development processes in internal and marginal ter-ritories, where the “smart” and “human” components

coexist and stimulate plural collaborative processes. Thesix dimensions of a smart city have been declined withrespect to a complex meaning of landscape, specific tocontexts in which urban themes are integrated with terri-torial and environmental ones, such as in Park areas. Theintegration of GIS and AMC techniques has made it pos-sible to develop Collaborative Spatial Decision SupportSystems, in which geographic data are made available di-rectly for the evaluation of policies or development sce-narios with the involvement of the various stakeholders.

To support innovative landscape enhancement policies,the human smart landscape paradigm was interpreted,through the construction of spatial indicators, startingfrom heterogeneous data. The results of the testedmethodologies have made it possible to draw new geog-raphies of the territory based on social, human, culturaland environmental relationships which include valuesthat go beyond municipal boundaries and are integratedinto cross-scale territorial systems.

Abstract

journal valori e valutazioni No. 25 - 202012

1. INTRODUCTION

The combination of the most recent paradigms for the in-terpretation of the landscape, starting from the EuropeanLandscape Convention (Council of Europe, 2000) and theUNESCO Historic Urban Landscape (UNESCO, 2011) withthe concept of smart territory (Cerreta & Fusco Girard,2016) can form the basis for an integrated and sustainableapproach to the identification, evaluation, conservationand management of plural landscapes, and to the identi-fication of an endogenous development model based onthe knowledge economy, the economy of conservation ofcultural and environmental heritage and the civil econ-omy (Zamagni, 2007).As part of the “CilentoLabscape. An integrated model forthe activation of a Living Lab in the Cilento, Vallo di Dianoand Alburni National Park”, FARO Program (www.cilento-labscape.it), the identification of the landscape complexvalues allowed to build a network between the municipal-ities for the enhancement of the Park. Through a multidi-mensional interpretation of the territory, which combinesthe analysis of its morphological characteristics with thecultural and environmental, social and economic compo-nents, an approach has been structured that looks at thepotential of local development in coherence with the con-

cept of smartness (Haines-Young & Potschin, 2010). TheCilentoLabscape project was divided into some essentialphases:

1. the preparation of a GeoLab, a Collaborative Spatial De-cision Support System (C-SSDS) (fig.1);

2. the identification of the characteristics of the conceptof “human smart landscape” for the territory of theCilento, Vallo di Diano and Alburni National Park;

3. the mapping the complexity of the Park’s landscape;

4. the co-design and co-evaluation of strategies and ac-tions capable of activating territorial innovationprocesses;

5. the community involvement and the construction ofPPPP (Private-Public-People Partnership) partnerships.

During the project, the implementation of an integratedtechnological platform was tested, based on an open dataweb architecture, which provided stakeholders and thecommunity with cognitive and evaluative support to ex-plain the values of the landscape and build a network ofprocesses regeneration and revitalization at the locallevel, considering the six typical dimensions of smartcities (economy, mobility, environment, people, living,governance), in order to define maps of opportunities for

Figure 1 - GeoLab, a Collaborative Spatial Decision Support System (C-SSDS).

A Collaborative Spatial Decision Support System (C-SDSS) for strategies of territorialcooperation: The CilentoLabscape project


place-based territorial strategies. GeoLab collects spatialdata to implement a process of knowledge of the territorybased on sharing, on the interaction and integration ofknowledge and on active participation and collaborationamong the various territorial actors. The application of theC-SSDS allows evaluating the landscape by interpreting itas an expression of the territory in terms of multidimen-sional resources (Lovell & Johnston, 2009).

Section 2 describes the spatial decision support systemsand their integration with multi-criteria analysis tech-niques (GIS-AMC), which represent an opportunity forlandscape evaluation and the identification of territorialenhancement strategies; Section 3 analyzes the evaluationstructure developed for the CilentoLabscape project; inSection 4 conclusions are drawn.

2. THE INTEGRATION OF GIS AND AMC FORSOLVING COMPLEX SPATIAL PROBLEMS

Spatial Decision Support Systems provide IT support fordecision-makers (DM) when the decision problem has ageographical or spatial component. This support isequipped by the Geographic Information Systems (GIS),which facilitate the visualization and storage of spatialdata and allow their integration with non-spatial data(Keenan, 2003).

Spatial decision problems concern in most cases a widerange of alternatives and numerous criteria, often inconflict with each other and not always comparable(Kordi & Brandt, 2012). For this type of problem, GIS andMulti-Criteria Analysis (AMC) can be used effectively(Malczewski, 1999, Thill, 1999, Chakhar & Martel, 2003,Malczewski, 2006). The combination of AMC and spatialanalysis establishes the structuring of Multi-Criteria Spa-tial Decision Support Systems (MC-SDSS), which inte-grates the control of geographic data, Decision Maker(DM) preferences and data aggregation, on the basis ofappropriate decision-making rules. Multi-Criteria spatialdecision problems, in general, are defined by five com-mon components:

1. a set of objectives to be achieved and a set of criteriafor evaluating alternatives;

2. a DM or a group of DMs involved in the decision-mak-ing process;

3. a set of alternatives, which are the variables of the prob-lem;

4. a set of “non-controllable” variables, which describethe decision-making environment;

5. a set of impacts deriving from the comparison of eachalternative with the criteria.

The classification of spatial decision problems with mul-tiple criteria can be based on the characteristics of thespatial model (geographic data model, spatial dimensionof the evaluation criteria, spatial definition of alternatives),or on the characteristics of the multi-criteria problem (na-

ture of the criteria, number of individuals involved in thedecision-making process, type of uncertainty considered)(Malczewski & Rinner, 2015).

From the point of view of the spatial model, the differentapproaches are based on the following dichotomies: vec-tor data and raster data for the used geographic data mod-els; implicit spatial data and explicit spatial data for criteriaand alternatives. These two categories of data are not mu-tually exclusive; rather, most studies include both implicitspatial and explicit spatial criteria (Malczewski, 2006). InGIS applications, the decision rules used to refer mainlyto linear aggregation, to the distance from the ideal pointand to outranking methods. The Weighted Linear Combi-nation (WLC) and the related methodologies are the ap-proaches used in multi-criteria spatial decision problemsand are often associated with Boolean operations, lineartransformations for the normalization of criteria and pair-wise comparison methods for weight elicitation to be at-tributed to criteria, such as Analytic Hierarchy Process(AHP) method (Jiang & Eastman, 2000; Makropoulos et al.,2003; Saaty & Vargas, 2012; Malczewski & Rinner, 2015).

The diffusion of linear aggregation methods in GIS-AMCproblems lies in the relative simplicity of the operationsand in the ease of understanding and communication.However, linear aggregation is often used without fullawareness of the assumptions on which it is based. Fur-thermore, it is in many cases applied without a valid studyof the significance assumed by the weights attributed tothe criteria in the evaluation phase.

Some of the difficulties of using WLC or AHP can be over-come through approaches based on comparison with theideal point (TOPSIS method) or outranking (ELECTRE andPROMETHEE methods) (Figueira et al., 2005). GIS-AMCproblems can be further divided into two categories,based on the structure of objectives and preferences ofthe DM. If there is only one structure of preferences, thenthe problem is defined as a single decision-maker; if, onthe other hand, individuals have different preference pro-files, the problem typically becomes group decision-mak-ing, also including participatory approaches (Jankowski &Nyerges, 2001).

In general, decision problems can take place in conditionsof certainty or uncertainty, based on the knowledge avail-able to the DM regarding the problem. If it is possible toapproximate the knowledge of the DM to complete andperfect, then the decision problem is deterministic andthe decision is made in conditions of certainty. However,the real problems almost never present a situation ofcomplete knowledge of the information necessary tomake a decision, since many aspects of the problem aredifficult to quantify or predict, so in these cases, we speakof decision problems in conditions of uncertainty. Thisuncertainty can derive from numerous sources: limitedinformation on the decision-making context; imprecisionin the semantic description of events and phenomena.Consequently, decision problems in contexts of uncer-tainty can be divided into probabilistic (stochastic) and

fuzzy (Jiang & Eastman, 2000).One of the most interesting features of the integration ofGIS and AMC tools is the vastness of decision-makingcontexts in which they have been applied in the last 25years (Keenan & Jankowski, 2019). The main applicationsfall into the domain of environmental management andplanning for the solution of problems related to land use,assessment of scenarios, assessment of impacts.The integration of GIS and AMC has made it possible todevelop the SSDS, in which geographic data is prepareddirectly available to the DM for the evaluation of develop-ment policies or scenarios; the main advantage derivesfrom the possibility that the DM directly inserts his ownjudgments/preferences, receiving real-time feedback onthe implications of the political choices. This process canpromote an increase in confidence in the results, identi-fying and exploring possible compromise solutions evenwithin the participatory and collaborative processes.GIS-AMC applications can improve the quality of deci-sion-making by providing a flexible environment for solv-ing spatial problems. The critical issues in the applicationof GIS-AMC concern the need for conceptual and opera-tional validation of the use of AMCs for the solution ofspatial problems in real contexts. The evolutionary trendof GIS systems, which from closed and expert-orientedhave become open and user-oriented, allows to democ-ratize decision-making processes through public partici-pation, also through web applications, contributing to agreater diffusion of GIS-AMC systems, and providing DMswith an insight into the spatial nature of the problem.

3. A C-SSDS FOR THE CILENTO, VALLO DIDIANO AND ALBURNI NATIONAL PARK

The methodological process, at the basis of the construc-tion of the GeoLab platform for the Cilento, Vallo di Dianoand Alburni National Park, allowed to structure an ap-proach that combines the spatial analysis of GIS, the toolsof Web 2.0 and the AMCs (Attardi et al., 2018), and was di-vided into four main phases:1. Knowledge phase. The interpretation of the territory

took place through the collection of hard and soft datafrom different sources, which make up the spatial dataset.

2. Selection of spatial indicators phase. From the overallset, a core set of indicators have been selected for read-ing the landscape through smart dimensions.

3. Data processing phase. Starting from the initial data,thorough analysis tools in the GIS environment, a setof spatial indicators has been built.

4. Evaluation phase. Composite indicators of the humansmart landscape have been developed, for an overallpicture of the analyzed dimensions, through a multi-criteria approach.

The knowledge phase consists in the search for hetero-geneous information, by type and by sources, which de-

scribe the phenomena related to the economic, social,cultural and environmental reality of the Park’s land-scapes, also including an analysis of the relationships be-tween the components and the values that communitygenerates, transforms and uses over time. The initial in-vestigation produced the knowledge base that came to-gether in the definition of a data set in the GISenvironment.

The acquisition of knowledge took place through theanalysis of institutional and non-institutional databasespresent on the web. The information platform has col-lected data associated with municipal administrative areasand punctual, linear and area spatial data, located in geo-graphical areas that are independent of these limits. Thephases of analysis and evaluation of the landscape havebeen developed through the construction of raster, witha 50x50 meters grid that divides the territory into elements(cells) subject to evaluation. A value is assigned to eachcell of the grid raster, for each evaluation layer (i.e. foreach thematic represented by maps to which a single in-dicator corresponds); the set of values assumed by thecells in each layer constitutes the set of input data for themulti-criteria aggregation procedure. We used:

– data attributed to each municipality entered as attributesof the shapefile representing the administrative limits ofthe 95 municipalities of Cilento;

– polygonal shapefiles that identify areas subject to par-ticular protection regimes (SIC, SPA, archaeologicalareas, etc.);

– linear shapefiles representing the infrastructure system,the system of tourist itineraries, historical routes, etc.;

– punctual shapefiles representing elements of limited ex-tension, whose geographical location is identified by apoint (panoramic points, geosites, caves and resur-gences, headquarters of producers of typical products,etc.).

The second phase involved the selection of a core set ofindicators suitable for evaluating the landscape in a smartkey; the selection was based on bibliographical referencesregarding the assessment of the smart dimensions ofcities (Center of Regional Science TU Vienna, 2007), basedon data availability (Figure 2).

The third phase was dedicated to the data processing tobuild spatial indicators. Appropriate spatial analysis tech-niques have been used to represent certain phenomenathat exist in the study area. In particular, Kernel densitywas used, as a geostatistical analysis tool to estimate thedensity with which certain phenomena occur on a sur-face, starting from punctual or linear spatial data, consi-dering the flexibility of the parameters and studying a typeof relationality based not only on elements that can bemeasured in a defined way but also on other similarity orproximity factors.

The interpolation of elevation data of the Digital TerrainModel (DTM) has been applied to some specific indica-tors, such as the road network, the panoramic points and




other punctual elements emerging on the territory, gen-erating density maps that take into account the actual dis-tances and altitudes three-dimensional of these elements.Therefore, estimating the Kernel density of spatial ele-ments in order to obtain spatial relational indicatorsmeans paying attention to the areas of influence gener-ated by the phenomena that exist in the territory. In per-

forming Kernel density functions, the search radius of theelements of which to estimate the density at each pointof the investigation area was set at 5 kilometers. With thefunction of Kernel density, the following indicators wereprocessed spatially in raster format: density index of theproducers of typical local products and accessibility index(Figure 3); density index of natural paths; density index of

Figure 5 - Smart environment: indicators.

Figure 2 - Smart dimensions, criteria and indicators.


geosites; density index of caves and natural resurgences;density index of scenic roads; density index of emerginghistorical assets; density index of historical routes; densityindex of archaeological sites; density index of tourist itin-eraries; density index of educational farms. For the data ofwhich historical series was available, the linear regressionwas performed and the linear coefficient of the regressionwas considered as an indicator, which provides informa-tion on the average trend over time of the variation of thephenomenon analyzed. Through this procedure, the fol-lowing indicators were calculated: the trend of the em-ployment rate 1971-2011; the trend in the number ofemployees in the local units compared to the employedpopulation, between 1971 and 2011; demographic trendfrom 1971 to 2011; average income variation trend (Figure4). The approach proposed by Burkhard et al. (2009) wasapplied for the definition of indicators concerning the ca-pacity of the territory to provide ecosystem services.based on the land uses provided by Corine Land Coveron the third level. For each type of land use, its ability toprovide ecosystem services has been estimated by agroup of experts, on a scale from 1 to 5; these services aregrouped into four classes: ecological integrity, procure-ment services; regulation services; cultural services (Figu-re 5). For the present study, only the first three groupswere considered, as a specific evaluation was carried outfor cultural services.Two different approaches, one deterministic and theother fuzzy were followed for the development of thecomposite indicators of human smart landscape, to test

their appropriateness and differences.The fuzzy approach takes into account the uncertainty in-herent in the evaluation of the smart landscape compo-nents through the selected indicators: uncertainty ofspatial location, value or significance of the indicator. Inthis regard, an attempt was made to answer the followingquestion: “What is the degree of possibility that a part ofthe territory can be considered smart?”.The spatial indicators elaborated have undergone a fuzzi-fication process thanks to which their possible degree ofbelonging to a certain class is established, where 0 indi-cates the impossibili-ty and 1 the full possibility of belong-ing. This allows setting spatial problems in a logic that is

more assimilable to humanthought since we no longer speakof defined classes but of semanticjudgments attributable to theseclasses in order to define the levelof likelyhood for which an indica-tor actually describes a smart fea-ture of the landscape. The classesrelated to the semantic judgmentsthat make up the fuzzy indicators,at the first level of analysis, arefive: nothing; poor; moderate;good; great.In the final overlay, on the other

hand, it was preferred to expand the classification possi-bilities also considering intermediate judgments betweenthe pre-established classes, in particular: very poor; moreor less scarce; more or less good; very good.Each of these judgments can be related to five numericalclasses, or nine in the case of the final overlay, consistingof 0-1 range. The spatial problem has been broken downinto the six smart dimensions that characterize the land-scape, aggregating the fuzzy indicators in each of thesecategories. Subsequently, the aggregate indicators weresubjected to a fuzzy overlay which produced six outputsrepresenting their fuzzy combination, obtained throughthe Boolean “OR” function. This function takes into ac-count the most optimistic possibility to insert an alterna-tive (i.e. a cell of the raster image) in a fuzzy set; so eachalternative is attributed to the likelyhood class dictated bythe value of the indicator with the highest likelihoodamong all the indicators considered in the overlay. Afterobtaining the fuzzy maps for each of the smart dimen-sions (which describe the degree of likelihood for whicha given cell can be called smart from the point of view ofeach of the six dimensions), an additional fuzzy overlaywas carried out in order to obtain a map of the complexityof landscape values. The final output has been classifiedinto nine classes that express semantic judgments on thebasis of which to establish the degree of possibility forwhich a portion of territory can be considered overallsmart.The deterministic approach, mirroring what has alreadybeen described for the fuzzy approach, first envisaged the

Figure 3 - Smart economy and Smart mobility: indicators.

Figure 4 - Smart governance, Smart living, Smart people: indicators.



aggregation of the individual crite-ria to obtain a composite indicatorfor each of the six dimensions ofthe smart landscape. These indica-tors estimate the smart value ofeach territorial cell from the pointof view of the economy, mobility,the environment, livability, humancapital, and governance. The ag-gregation procedure used in thiscase is the WLC, applying a vectorof equal weights for each of the in-dividual aggregated indicators.The six maps thus obtained, eachrepresenting the values, cell bycell, of the six composite indica-tors built for the smart landscape,become inputs for a second eval-uation phase, which consists ofthe construction of scenarios forthe enhancement of the land-scape resources. The constructionof these scenarios is carried outthrough the structuring of themulti-criteria decision problemand its resolution through theELECTRE-TRI method (Roy &Bouyssou, 1993).The application of ELECTRE-TRI tothe construction of scenarios forthe assessment of the smart land-scape involves the applicationphases described below. The spa-tial decision-making problem wasfirst structured with the identifica-tion of alternatives (the raster cellsrepresenting the Cilento terri-tory), criteria (the six dimensionsof the smart landscape), parame-ters of the preference model (vec-tor of weights, indifferencethresholds, preference thresholds, and vetoes). In thecase in question, since the objective is the constructionof scenarios, a simplified approach to the preferencemodel was preferred, omitting the thresholds and notconsidering vetoes. Rather than selecting a single weightvector to be assigned to the criteria, a set of weight vectorshas been selected to describe diversified and plausiblescenarios; in particular, 7 have been selected. One of themassigns equal weight to all the smart dimensions of thelandscape; the other six instead assign 50% of priority toone of the dimensions and 10% to the remaining ones. Inthis way, different scenarios are configured, based on thedimension that could be considered a priority for en-hancement policies.The decision problem was solved in the spatial sectorthrough the ELECTRE-TRI plug-in of the Quantum GIS soft-ware. The execution of the algorithm generates a shapefile

in which each polygon/alternative associates the numberreferred to the ordered class to which it belongs. The value1 is assigned to the class that contains the alternatives withthe best performances, value 6 to the class that contains thealternatives with the worse performances.The assignment of alternatives to classes can be done withan optimistic or pessimistic procedure. The optimistic as-signment procedure assigns the alternative a to categoryCh whose upper profile bh is preferred to the alternativea. Let bh-1 and bh be the lower and upper profiles of classCh; the pessimistic assignment procedure gives to the al-ternative a to the highest class for which it outclasses thelower profile bh-1.The optimistic procedure was used in the case of the as-sessment of the scenarios for the smart landscape, afterhaving tested both and having ascertained the ineffective-ness of the pessimistic procedure, capable of providing a

Figure 6 - Comparison of the rankings of the municipalities obtained from the two asses-sments.

Figure 5 - Smart environment: indicators.

Bibliography

ATTARDI R., CERRETA M., SANNICANDRO V., TORRE, C.M., Non-compensatory composite indicators for the evaluation ofurban planning policy: The Land-Use Policy Efficiency

Index (LUPEI), European Journal of Operational Research,Vol. 264, No. 2, 2018, pp. 491-507.

BURKHARD B., KROLL F., MÜLLER F., WINDHORST, W., Land-scapes’ Capacities to Provide Ecosystem Services - a Con-


* Maria Cerreta, Department of Architecture (DiARC), University of Naples Federico IIe-mail: [email protected]

** Giuliano Poli, Department of Architecture (DiARC), University of Naples Federico IIe-mail: [email protected]

lower differentiation of the alternatives and a wider assign-ment to the intermediate classes, with consequent poorhighlighting of emergencies of smart landscape values.

4. CONCLUSIONS

The maps obtained as a result of the two evaluationprocesses allow identifying territorial areas of homoge-neous value, from the point of view of smartness (Fig. 7),which exceeds the administrative limits of the municipal-ities. In particular, the areas of high smart value allow todefine new possible territorial systems where to imple-ment Park enhancement policies; these areas belong mu-nicipalities that can contribute with differentcharacteristics to the definition of the new territorial sys-tem. For example, the possible north-western system ofCilento, which could include areas of particular economicrelevance (such as the municipalities of Agropoli and Ca-paccio, but also Castellabate and Pollica), and at the sametime environmentally relevant areas. The strengths ofthese areas could be combined in a synergistic way to giverise to networks between municipalities, in which somebecome drivers for an increase in attractiveness and animprovement in the quality of life even for the weakestmunicipalities. Another area with a strong smart charac-

terization consists of the munici-palities straddling the AlburniMountains and Vallo di Diano.The disjunctive approach of thefuzzy “OR” algorithm highlightsthe existence of a continuoustransversal band of municipalitieswith high smart value. This beltcould acquire an important role,together with the coastal one andthe one inside the border withBasilicata, generating a belt of mu-nicipalities linked in a widespreadnetwork of values.On the contrary, the ELECTRE-TRImethod, following a non-com-pensatory aggregation logic, iden-

tifies territorial poles that could have a propulsive role forthe diffusion of smart policies for the landscape alsowithin other municipalities.The use of GIS tools in defining GeoLab has contributed to:1. determine the spatial distribution of data and indica-

tors on the study area;2. produce density indices between spatially related ele-

ments;3. provide geostatistical analysis on living conditions in

the Park;4. manage a complex information base supporting multi-

criteria evaluation processes.The proposed approach is a basis for improving the inte-gration between expert knowledge and common knowl-edge in a broader collaborative process that involvesplural skills. The results of the tested methodologieshave made it possible to draw new geographies of theterritory based on social, human, cultural and environ-mental relations integrated into inter-scalar territorialsystems and based on innovation, on the ability to or-ganize knowledge of the territory according to systemiclogics, on creative and generative development models,but also on new technologies and infrastructure sys-tems.

Figure 7 - Comparison between the two territorial hierarchies.

cept for Land-Cover Based Assessments, Landscape On-line, Vol. 15, 2009, pp. 1-22.CENTRE OF REGIONAL SCIENCE TU VIENNA, Smart Cities. Rank-ing of European medium-sized cities, www.smartcities.eu/download/smart_cities_final_report.pdf.CERRETA M., FUSCO GIRARD L., Human Smart Landscape: AnAdaptive and Synergistic Approach for the “National Parkof Cilento, Vallo di Diano and Alburni”, Agriculture andagricultural science procedia, n. 8, 2016, pp. 489-493.CHAKHAR S., MARTEL J.M., Enhancing geographical informa-tion systems capabilities with multi-criteria evaluationfunctions, Journal of Geographic Information and Deci-sion Analysis, Vol. 7, 2003, pp. 47-71.CONSIGLIO D’EUROPA, Convenzione europea del paesaggio.In Congresso dei poteri locali e regionali del Consigliod’Europa, Vol. 20, Firenze, 2000.FIGUEIRA J., GRECO S., EHRGOTT M., Multiple criteria decisionanalysis: state of the art surveys. Springer Science & Busi-ness Media, US, 2005.HAINES-YOUNG R., POTSCHIN M., The links between biodiver-sity, ecosystem services and human well-being. EcosystemEcology: a new synthesis, n. 1, 2010, pp. 110-139.JANKOWSKI P., NYERGES T., Geographical Information Systems forGroup Decision Making: Towards a Participatory, GeographicInformation Science. Taylor&Francis, New York, 2001.JIANG H., EASTMAN J.R., Application of fuzzy measures in mul-ticriteria evaluation in GIS, International Journal of Geo-graphical Information Systems, Vol. 14, 2000, pp. 173-184.KEENAN P.B., JANKOWSKI P., Spatial decision support systems:three decades on, Decision Support Systems, n. 116, 2019,pp. 64-76.KEENAN P.B., Spatial Decision Support Systems. In: Mora M.,Forgionne G., Gupta J.N.D., Decision Making Support Sys-tems: Achievements and challenges for the New Decade.Idea Group Publishing, Hershey, 2003, pp. 28-39.

KORDI M., BRANDT S.A., Effects of increasing fuzziness onanalytic hierarchy process for spatial multicriteria decisionanalysis, Computers, Environment and Urban Systems,Vol. 36, No. 1, 2012, pp. 43-53.LOVELL S.T., JOHNSTON D.M., Creating multifunctional land-scapes: how can the field of ecology inform the design ofthe landscape?, Frontiers in Ecology and the Environment,Vol. 7, No. 4, 2009, pp. 212-220.MAKROPOULOS C.K., BUTLER, D., MAKSIMOVIC, C., ASCE, M.Fuzzy logic spatial decision support system for urbanwater management. Journal of Water Resources Planningand Management, Vol. 129(1), 2003, pp. 69-77.MALCZEWSKI J., GIS and multicriteria decision analysis.Wiley, New York, 1999.MALCZEWSKI J.,GIS-based multicriteria decision analysis: asurvey of the literature, International Journal of Geogra-phical Information Science, Vol. 20, No.7, 2006, pp. 703-726.MALCZEWSKI J., RINNER C., Multicriteria decision analysis ingeographic information science, Springer, Germany, 2015.PROGRAMMA FARO, 2012, CilentoLabscape. Un modello inte-grato per l’attivazione di un Living Lab nel Parco Nazionaledel Cilento, Vallo di Diano e Alburni, www.cilentolabscape.itROY B., BOUYSSOU D., Aide multicritère à la décision: mé-thodes et cas, Paris: Economica, Paris, 1993.SAATY T.L., VARGAS L.G., Models, methods, concepts & ap-plications of the analytic hierarchy process, SpringerScience & Business Media, 2012.THILL J.C., Spatial multicriteria decision making and analy-sis: a geographic information sciences approach, AshgatePub Ltd, 1999.UNESCO, Recommendation on the historic urban lan-dscape. In: Records of the General Conference 36th Ses-sion, UNESCO, Paris, 2011.ZAMAGNI S., L’economia del bene comune. Città nuova,Roma, 2007.



rivista valori e valutazioni n. 25 - 2020 11

Maria Cerreta*, Giuliano Poli** parole chiave: paesaggio, aree interne, GIS, AMC,sistemi di supporto alla decisione spaziali collaborativi

Un Sistema di Supportoalle Decisioni SpazialeCollaborativo (C-SSDS)per strategie dicooperazioneterritoriale: il progettoCilentoLabscape

La combinazione dei più recenti paradigmi per l’inter-pretazione del paesaggio, a partire dalla ConvenzioneEuropea del Paesaggio e dall’Historic Urban Landscapedell’UNESCO, con il concetto di territorio smart può co-stituire la base per un approccio integrato e sostenibileutile all’identificazione, valutazione, conservazione egestione di paesaggi plurali, e all’individuazione di unmodello di sviluppo endogeno fondato sull’economiadella conoscenza, l’economia della conservazione delpatrimonio culturale e ambientale e l’economia civile.

Il contributo presenta un sistema di supporto alla deci-sione incentrato sulle analisi spaziali a criteri multipli, svi-luppato nell’ambito del programma FARO (Finan-ziamento Avvio Ricerche Originali) “CilentoLabscape. Unmodello integrato per l’attivazione di un Living Lab nelParco Nazionale del Cilento, Vallo di Diano e Alburni”.L’obiettivo principale del progetto è innescare processiendogeni di sviluppo in territori interni e marginali, in cuile componenti “smart” e quella “human” coesistono e

stimolano processi collaborativi plurali. Le sei dimensioniproprie di una città smart sono state declinate rispetto adun’accezione complessa di paesaggio, propria di contestiin cui i temi urbani sono integrati a quelli territoriali e am-bientali, come nelle aree parco. L’integrazione di tecnicheGIS e AMC ha reso possibile sviluppare Sistemi di Sup-porto alla Decisione Spaziali Collaborativi, in cui i datigeografici sono resi direttamente disponibili per la valu-tazione di politiche o scenari di sviluppo con il coinvol-gimento dei diversi stakeholder.

Per supportare politiche innovative di valorizzazione delpaesaggio, si è interpretato il paradigma dello humansmart landscape, attraverso la costruzione di indicatorispaziali, a partire da dati eterogenei. I risultati delle me-todologie sperimentate hanno consentito di disegnarenuove geografie del territorio basate sulle relazioni so-ciali, umane, culturali ed ambientali che includono va-lori che superano i confini comunali e sono integrati insistemi territoriali interscalari.

Abstract

rivista valori e valutazioni n. 25 - 202012

1. INTRODUZIONE

La combinazione dei più recenti paradigmi per l’interpre-tazione del paesaggio, a partire dalla Convenzione Euro-pea del Paesaggio (Consiglio d’Europa, 2000) edall’Historic Urban Landscape dell’UNESCO (UNESCO,2011), con il concetto di territorio smart (Cerreta & FuscoGirard, 2016) può costituire la base per un approccio in-tegrato e sostenibile utile all’identificazione, valutazione,conservazione e gestione di paesaggi plurali, e all’indivi-duazione di un modello di sviluppo endogeno fondatosull’economia della conoscenza, l’economia della conser-vazione del patrimonio culturale e ambientale e l’econo-mia civile (Zamagni, 2007). Nell’ambito del progetto“CilentoLabscape. Un modello integrato per l’attivazionedi un Living Lab nel Parco Nazionale del Cilento, Vallo diDiano e Alburni”, Programma FARO (www.cilentolab-scape.it), l’individuazione dei valori complessi del paesag-gio ha permesso di costruire una rete tra i comuni per lavalorizzazione del Parco. Attraverso una lettura multidi-mensionale del territorio, che combina l’analisi delle suecaratteristiche morfologiche con le componenti culturalied ambientali, sociali ed economiche, è stato strutturatoun approccio che guarda alle potenzialità dello sviluppolocale in coerenza con il concetto di smartness (Haines-

Young & Potschin, 2010).Il progetto CilentoLabscape è stato articolato in alcunefasi essenziali:1. la predisposizione di un GeoLab, un Sistema di Sup-

porto alle Decisioni Spaziale Collaborativo (C-SSDS)(Fig. 1);

2. l’individuazione delle caratteristiche del concetto di“human smart landscape” per il territorio del Parco Na-zionale del Cilento, Vallo di Diano e Alburni;

3. la mappatura della complessità del paesaggio del Parco;4. la co-progettazione e la co-valutazione di strategie e

azioni in grado di attivare processi di innovazione ter-ritoriale;

5. il coinvolgimento delle comunità e la costruzione dirapporti di partnership PPPP (Private-Public-People Par-tnership).

Nel corso del progetto è stata sperimentata la realizza-zione di una piattaforma tecnologica integrata, basata sudi un’architettura web open data, che ha fornito agli sta-keholder ed alla comunità un supporto conoscitivo e va-lutativo per esplicitare i valori del paesaggio e costruireuna rete di processi di rigenerazione e rivitalizzazione alivello locale, considerando le sei dimensioni tipiche dellesmart cities (economy, mobility, environment, people, li-

Figura 1 - GeoLab, un Sistema di Supporto alle Decisioni Spaziale Collaborativo (C-SSDS).

Un Sistema di Supporto alle Decisioni Spaziale Collaborativo (C-SSDS)per strategie di cooperazione territoriale: il progetto CilentoLabscape


ving, governance), per giungere a definire mappe di op-portunità per strategie territoriali place-based. Il GeoLabraccoglie i dati spaziali per implementare un processo diconoscenza del territorio basato sulla condivisione, sul-l’interazione e integrazione dei saperi e sulla partecipa-zione attiva e la collaborazione tra i diversi attoriterritoriali. L’applicazione del C-SSDS consente di valutareil paesaggio interpretandolo come espressione del terri-torio in termini di risorse multidimensionali (Lovell & Joh-nston, 2009).

Nella Sezione 2 si descrivono i sistemi di supporto alle de-cisioni spaziali e la loro integrazione con le tecniche dianalisi multi-criterio (GIS-AMC), che rappresentanoun’opportunità per la valutazione del paesaggio e l’indi-viduazione di strategie di valorizzazione territoriale; nellaSezione 3 si analizza la struttura valutativa elaborata per ilprogetto CilentoLabscape; nella Sezione 4 si traggono leconclusioni.

2. L’INTEGRAZIONE DI GIS E AMC PER LARISOLUZIONE DI PROBLEMI SPAZIALICOMPLESSI

I Sistemi di Supporto alle Decisioni Spaziali forniscono unsupporto informatico per i decision-makers (DM), quandoil problema decisionale presenta una componente geo-grafica o spaziale. Tale supporto è fornito dai Sistemi In-formativi Geografici (GIS), che facilitano la visualizzazionee la memorizzazione di dati spaziali, e ne permettono l’in-tegrazione con dati non-spaziali (Keenan, 2003). I pro-blemi decisionali spaziali riguardano nella maggior partedei casi un’ampia gamma di alternative e numerosi criteri,spesso in conflitto tra loro e non sempre comparabili(Kordi & Brandt, 2012). Per tale tipologia di problemi, i GISe le Analisi Multi-Criterio (AMC) possono coadiuvarsi inmodo efficace (Malczewski, 1999, Thill, 1999, Chakhar &Martel, 2003, Malczewski, 2006). La combinazione di AMCe analisi spaziali permette la strutturazione di Sistemi diSupporto alle Decisioni Spaziali Multicriterio (MC-SDSS),che integrano l’utilizzo di dati geografici, le preferenze deidecision maker (DM) e l’aggregazione dei dati, sulla basedi opportune regole decisionali. I problemi decisionalispaziali a criteri multipli presentano, in generale, cinquecomponenti comuni:

1. un set di obiettivi da raggiungere e un set di criteri perla valutazione delle alternative;

2. un DM o un gruppo di DM coinvolti nel processo de-cisionale;

3. un set di alternative, che costituiscono le variabili delproblema;

4. un set di variabili “non controllabili”, che descrivonol’ambiente decisionale;

5. un set di impatti derivanti dal confronto di ciascuna al-ternativa con i criteri.

La classificazione dei problemi decisionali spaziali a criterimultipli può essere basata sulle caratteristiche del mo-

dello spaziale (modello dei dati geografici, dimensionespaziale dei criteri di valutazione, definizione spazialedelle alternative), o sulle caratteristiche del problema mul-ticriterio (natura dei criteri, numero di individui coinvoltinel processo decisionale, tipologia di incertezza conside-rata) (Malczewski & Rinner, 2015).

Dal punto di vista del modello spaziale, i differenti ap-procci si basano sulle seguenti dicotomie: dati vettoriali edati raster per i modelli di dati geografici utilizzati; datispaziali impliciti e spaziali espliciti per i criteri e le alter-native. Queste due categorie di dati non sono mutua-mente esclusive; piuttosto la maggior parte degli studicomprende sia criteri spaziali impliciti, sia criteri spazialiespliciti (Malczewski, 2006). Nelle applicazioni GIS, le re-gole decisionali utilizzate si riferiscono principalmenteall’aggregazione lineare, alla distanza dal punto ideale e ametodi di surclassamento (outranking). La combinazionelineare pesata (WLC) e le metodologie ad essa affini sonogli approcci utilizzati nei problemi decisionali spazialimulticriterio e sono spesso associati a operazioni Boo-leane, a trasformazioni lineari per la normalizzazione deicriteri e a metodi di confronto a coppie per l’elicitazionedei pesi da attribuire ai criteri, come come il metodo del-l'Analytic Hierarchy Process (AHP) (Jiang & Eastman, 2000;Makropoulos et al., 2003; Saaty & Vargas, 2012; Malczewski& Rinner, 2015).

La diffusione dei metodi di aggregazione lineare nei pro-blemi GIS-AMC risiede nella relativa semplicità delle ope-razioni e nella facilità di comprensione e comunicazione.Tuttavia l’aggregazione lineare spesso è utilizzata senza unapiena consapevolezza delle assunzioni su cui si fonda. Inol-tre, essa è in molti casi applicata senza un valido approfon-dimento del significato che assumono i pesi attribuiti aicriteri nella fase di valutazione. Alcune delle difficoltà del-l’utilizzo della WLC o dell’AHP possono essere superate at-traverso approcci basati sul confronto con il punto ideale(metodo TOPSIS) o di outranking (metodi ELECTRE e PRO-METHEE) (Figueira et al., 2005). I problemi GIS-AMC pos-sono essere ulteriormente suddivisi in due categorie, inbase alla struttura di obiettivi e preferenze del DM. Se esi-ste un’unica struttura di preferenze, allora il problema è de-finito ad unico decisore; se, invece gli individui hannoprofili di preferenze differenti, il problema diventa tipica-mente di group decision-making, includendo anche gli ap-procci partecipativi (Jankowski & Nyerges, 2001).

In generale, i problemi decisionali possono aver luogo incondizioni di certezza o di incertezza, in base alla cono-scenza disponibile per il DM rispetto al problema. Se èpossibile approssimare la conoscenza del DM a completae perfetta, allora il problema decisionale è deterministicoe la decisione viene presa in condizioni di certezza. Tut-tavia i problemi reali non presentano quasi mai una situa-zione di completa conoscenza delle informazioninecessarie per effettuare una decisione, in quanto moltiaspetti del problema sono di difficile quantificazione oprevisione, per cui in questi casi si parla di problemi de-cisionali in condizioni di incertezza. Tale incertezza può

derivare da alcune criticità: limitate informazioni sul con-testo decisionale; imprecisione nella descrizione seman-tica di eventi e fenomeni. Di conseguenza i problemidecisionali in contesti di incertezza possono dividersi inprobabilistici (stocastici) e fuzzy (Jiang & Eastman, 2000).

Una delle caratteristiche più interessanti dell’integrazionedi strumenti GIS e AMC è la vastità di contesti decisionaliin cui essi sono stati applicati negli ultimi 25 anni (Keenan& Jankowski, 2019) Le maggiori applicazioni ricadono neldominio della gestione ambientale e nella pianificazioneper la soluzione di problemi legati all’uso del suolo, allavalutazione di scenari, alla valutazione degli impatti.

L’integrazione di GIS e AMC ha reso possibile lo sviluppodei SSDS, in cui i dati geografici sono resi direttamente di-sponibili al DM per la valutazione di politiche o scenari disviluppo; il maggiore vantaggio deriva dalla possibilità cheil DM inserisca in prima persona i propri giudizi/prefe-renze, ricevendo in tempo reale un feedback sulle impli-cazioni delle scelte politiche. Tale processo può favorireun aumento di fiducia nei risultati, identificando ed esplo-rando possibili soluzioni di compromesso anche all’in-terno dei processi partecipativi e collaborativi.

Le applicazioni GIS-AMC possono migliorare la qualità deiprocessi decisionali, fornendo un ambiente flessibile perla risoluzione dei problemi spaziali. Le criticità nell’appli-cazione di GIS-AMC riguardano la necessità di validazioneconcettuale ed operativa dell’uso delle AMC per la solu-zione di problemi spaziali in contesti reali. La tendenzaevolutiva dei sistemi GIS, che da chiusi e expert-orientedsi sono trasformati in aperti e user-oriented, permette didemocratizzare i processi decisionali mediante la parte-cipazione pubblica, anche attraverso applicazioni web,contribuendo ad una maggiore diffusione dei sistemi GIS-AMC, e fornendo ai DM un approfondimento sulla naturaspaziale del problema.

3. UN C-SSDS PER IL PARCO NAZIONALE DELCILENTO, VALLO DI DIANO E ALBURNI

Il processo metodologico, alla base della costruzionedella piattaforma GeoLab per il Parco Nazionale del Ci-lento, Vallo di Diano e Alburni, ha permesso di strutturareun approccio che combina le analisi spaziali del GIS, glistrumenti del Web 2.0 e le AMC (Attardi et al., 2018), ed èstato articolato in quattro fasi principali:

Fase di conoscenza. La lettura del territorio è avvenuta at-traverso la raccolta di dati hard e soft da fonti differenti,che costituiscono il data-set spaziale.

Fase di selezione degli indicatori spaziali. Dall’insiemecomplessivo è stato individuato un core-set di indicatoriper la lettura del paesaggio attraverso le dimensioni smart.

Fase di elaborazione dei dati. A partire dai dati iniziali, at-traverso strumenti di analisi in ambiente GIS, è stato co-struito un set di indicatori spaziali.

Fase di valutazione. Sono stati elaborati indicatori compo-siti di human smart landscape, per un’immagine comples-

siva delle dimensioni analizzate, mediante un approcciomulticriteriale.

La fase di conoscenza consiste nella ricerca di informa-zioni eterogenee, per tipologia e per fonti, che descrivonoi fenomeni legati alla realtà economica, sociale, culturaleed ambientale dei paesaggi del Parco, includendo ancheun’analisi delle relazioni tra le componenti e i valori chela comunità genera, trasforma e usa nel tempo. L’indagineiniziale ha prodotto la base conoscitiva che è confluitanella definizione di un data-set in ambiente GIS.

L’acquisizione di conoscenza è avvenuta attraverso l’ana-lisi di database istituzionali e non istituzionali presentisul web. La piattaforma informativa ha raccolto dati as-sociati agli ambiti amministrativi comunali e dati spazialipuntuali, lineari e areali, collocati in ambiti geografici cheprescindono da tali limiti. Le fasi di analisi e valutazionedel paesaggio sono state sviluppate attraverso la costru-zione di raster, con una griglia 50x50 metri che suddivideil territorio in elementi (le celle) oggetto della valuta-zione. Ad ogni cella del grid raster, per ciascun layer divalutazione (ossia per ciascun tematismo rappresentatocon mappe a cui corrisponde un singolo indicatore),viene attribuito un valore; l’insieme dei valori assuntidalle celle in ciascun layer costituisce l’insieme dei datidi input per la procedura di aggregazione multicriteriale.Sono stati utilizzati:

1. dati attribuiti a ciascun comune, inseriti come attributidel file shape rappresentante i limiti amministratividelle 95 municipalità del Cilento;

2. file shape poligonali che individuano aree sottoposte aparticolari regimi di tutela (SIC, ZPS, ambiti archeolo-gici, ecc.);

3. file shape lineari rappresentanti il sistema infrastruttu-rale, il sistema degli itinerari turistici, dei percorsi sto-rici, ecc.;

4. file shape puntuali rappresentanti elementi di limitataestensione, la cui localizzazione geografica è indi-vuata attraverso un punto (punti panoramici, geositi,grotte e risorgenze, sedi dei produttori di prodotti ti-pici, ecc.).

La seconda fase ha riguardato la selezione di un core-setdi indicatori opportuni per la valutazione del paesaggioin chiave smart; la selezione si è basata su riferimenti bi-bliografici riguardanti la valutazione delle dimensionismart delle città (Centre of Regional Science TU Vienna,2007), in base alla disponibilità dei dati (Fig. 2).

La terza fase è stata dedicata all’elaborazione dei dati percostruire indicatori spaziali. Opportune tecniche di analisispaziale sono state utilizzate per rappresentare determi-nati fenomeni che sussistono nell’area di studio. In parti-colare, è stata utilizzata la Kernel density, come strumentodi analisi geo-statistica per stimare la densità con cui av-vengono determinati fenomeni su una superficie, a par-tire da dati spaziali puntuali o lineari, considerando laflessibilità dei parametri e studiando un tipo di relaziona-lità basata non solo su elementi misurabili in modo defi-




nito, ma anche su altri fattori di similitudine o di vicinanza.

L’interpolazione dei dati altimetrici del Digital TerrainModel (DTM) è stata applicata per alcuni indicatori speci-fici, quali la rete stradale, i punti panoramici e altri ele-menti puntuali emergenti sul territorio, generando mappedi densità che tengono conto delle distanze e delle quoteeffettive tridimensionali di questi elementi.

Pertanto, stimare la densità Kernel di elementi spaziali alfine di ottenere indicatori di relazionalità spaziale significaporre l’attenzione sulle aree di influenza generate dai fe-nomeni che sussistono sul territorio. Nell’esecuzionedelle funzioni di Kernel density è stato impostato a 5 chi-lometri il raggio di ricerca degli elementi di cui stimare ladensità in ciascun punto dell’area di indagine.

Figura 2 - Dimensioni smart, criteri e indicatori.


Con la funzione di Kernel density sono stati elaborati spa-zialmente i seguenti indicatori in formato raster: indice didensità dei produttori di prodotti tipici locali e indice diaccessibilità (Fig. 3); indice di densità dei sentieri naturali;indice di densità dei geositi; indice di densità di grotte erisorgenze naturali; indice di densità delle strade panora-miche; indice di densità dei beni storici emergenti; indicedi densità dei percorsi storici; indice di densità dei siti ar-cheologici; indice di densità degli itinerari turistici; indicedi densità delle fattorie didattiche.Per i dati di cui si disponeva di serie storiche, è stata ese-guita la regressione lineare ed è stato considerato comeindicatore il coefficiente lineare della regressione, chefornisce un’informazione sull’andamento medio neltempo della variazione del fenomeno analizzato. Attra-verso tale procedura sono stati calcolati i seguenti indica-tori: trend del tasso di occupazione 1971-2011; trend delnumero di addetti alle unità locali rispetto alla popola-zione occupata, tra 1971 e 2011; trend demografico dal1971 al 2011; trend di variazione del reddito medio (Fig. 4).Per la definizione di indicatori riguardanti la capacità delterritorio di fornire servizi ecosistemici è stato utilizzatol’approccio proposto da Burkhard et al. (2009) sulla basedegli usi del suolo forniti dalla Corine Land Cover al terzolivello. Per ciascuna tipologia di uso del suolo è stata sti-mata da un gruppo di esperti, su scala da 1 a 5, la sua ca-pacità di fornire servizi ecosistemici; tali servizi sonoraggruppati in quattro classi: integrità ecologica, servizi diapprovvigionamento; servizi di regolazione; servizi cultu-rali (Fig. 5). Per il presente studio sono stati considerati

solo i primi tre gruppi, in quanto per i servizi culturali èstata effettuata una valutazione specifica.Nella fase 4 di valutazione, per l’elaborazione degli indi-catori compositi di human smart landscape sono stati se-guiti due approcci differenti, uno deterministico e l’altrodi tipo fuzzy, per testarne appropriatezza e differenze.L’approccio fuzzy tiene conto dell’incertezza insita nellavalutazione delle componenti smart del paesaggio attra-verso gli indicatori selezionati: incertezza di localizza-zione spaziale, di valore o di significatività dell’indicatore.A tal proposito, si è cercato di dare risposta alla seguentedomanda: “Qual è il grado di possibilità per cui una partedi territorio possa essere considerata smart?”.

Gli indicatori spaziali elaboratisono stati sottoposti ad un pro-cesso di fuzzificazione grazie alquale si stabilisce il loro possibilegrado di appartenenza ad una de-terminata classe, dove 0 indical’impossibilità e 1 la piena possibi-lità di appartenenza. Ciò consentedi impostare i problemi spaziali inuna logica che è più assimilabile alpensiero umano, dal momentoche non si parla più di classi defi-nite ma di giudizi semantici attri-buibili a tali classi al fine di

definire il livello di credibilità per cui un indicatore de-scriva effettivamente una caratteristica smart del paesag-gio. Le classi rapportate ai giudizi semantici checompongono gli indicatori fuzzy, ad un primo livello dianalisi, sono cinque: Nulla; Scarsa; Moderata; Buona; Ot-tima.Nell’overlay finale, invece, si è preferito ampliare le pos-sibilità di classificazione considerando anche dei giudiziintermedi fra le classi prestabilite, in particolare: Moltoscarsa; Più o meno scarsa; Più o meno buona; Moltobuona.Ciascuno di questi giudizi è rapportabile a cinque classinumeriche, oppure nove nel caso dell’overlay finale, co-stituite da intervalli compresi tra 0 e 1. Il problema spazialeè stato scomposto nelle sei dimensioni smart che caratte-rizzano il paesaggio, aggregando gli indicatori fuzzy in cia-scuna di queste categorie. Successivamente, gli indicatoriaggregati sono stati sottoposti ad un overlay fuzzy che haprodotto sei output che rappresentano la loro combina-zione fuzzy, ottenuta attraverso la funzione Booleana“OR”. Tale funzione prende in considerazione la possibi-lità più ottimistica per far rientrare una alternativa (ossiauna cella della immagine raster) in un fuzzy set; per cuiciascuna alternativa è attribuita alla classe di credibilitàdettata dal valore dell’indicatore con credibilità più altatra tutti gli indicatori considerati nell’overlay. Dopo averottenuto le mappe fuzzy per ciascuna delle dimensionismart (che descrivono il grado di credibilità per cui unadeterminata cella può dirsi smart dal punto di vista di ca-scuna delle sei dimensioni), si è effettuato un ulteriore

Figura 3 - Smart economy e Smart mobility: indicatori.

Figura 4 - Smart governance, Smart living, Smart people: indicatori.



overlay fuzzy al fine di ottenereuna mappa della complessità deivalori del paesaggio. L’output fi-nale è stato classificato in noveclassi che esprimono i giudizi se-mantici in base ai quali stabilire ilgrado di possibilità per cui unaporzione di territorio possa essereconsiderata complessivamentesmart.L’approccio deterministico, inmodo speculare a quanto già de-scritto per l’approccio fuzzy, haprevisto dapprima l’aggregazionedei singoli criteri per ottenere unindicatore composito per cia-scuna delle sei dimensioni dellosmart landscape. Tali indicatoristimano il valore smart di cia-scuna cella territoriale dal puntodi vista dell’economia, della mo-bilità, dell’ambiente, della vivibi-lità, del capitale umano, dellagovernance. Il procedimento diaggregazione utilizzato in questocaso è la WLC, utilizzando un vet-tore di pesi uguali per ciascunodei singoli indicatori aggregati. Lesei mappe così ottenute, ognunarappresentante i valori, cella percella, dei sei indicatori compositicostruiti per il paesaggio smart,diventano input di una secondafase di valutazione, che consistenella costruzione di scenari per lavalorizzazione delle risorse delpaesaggio. La costruzione di taliscenari è effettuata tramite lastrutturazione del problema deci-sionale multicriterio e la sua riso-luzione attraverso il metodo ELECTRE-TRI (Roy eBouyssou, 1993). L’applicazione di ELECTRE-TRI alla co-struzione di scenari per la valutazione del paesaggiosmart prevede le fasi applicative di seguito descritte.Dapprima è stato strutturato il problema decisionale spa-ziale con individuazione di alternative (le celle dei rasterche rappresentano il territorio del Cilento), criteri (le seidimensioni del paesaggio smart), parametri del modellodi preferenza (vettore dei pesi, delle soglie di indiffe-renza, delle soglie di preferenza e dei veti). Nel caso inesame, essendo l’obiettivo la costruzione di scenari, si èpreferito un approccio semplificato al modello di prefe-renza, omettendo le soglie e non considerando veti.Piuttosto che selezionare un unico vettore dei pesi da at-tribuire ai criteri, si è selezionato un set di vettori di pesiper descrivere scenari diversificati e plausibili; in parti-colare, ne sono stati selezionati 7. Uno di essi assegnaugual peso a tutte le dimensioni smart del paesaggio; gli

altri sei invece assegnano il 50% di priorità ad una delledimensioni ed il 10% alle rimanenti. In tal modo si con-figurano scenari differenti, in base alla dimensione chesi potrebbe ritenere prioritaria per le politiche di valo-rizzazione.Il problema decisionale è stato risolto in ambito spazialeattraverso il plug-in per ELECTRE-TRI del software Quan-tum GIS. L’esecuzione dell’algoritmo genera uno shape-file in cui a ciascun poligono/alternativa associa il numeroriferito alla classe ordinata cui esso appartiene. Il valore 1è assegnato alla classe che contiene le alternative con per-formance migliori, valore 6 alla classe che contiene le al-ternative con performance peggiori.L’assegnazione delle alternative alle classi può avvenirecon procedura ottimistica o pessimistica. La procedura diassegnazione ottimistica assegna l’alternativa a alla cate-goria Ch il cui profilo superiore bh è preferito all’alterna-tiva a. Siano bh-1 e bh i profili inferiore e superiore della

Figura 6 - Confronto tra i ranking delle municipalità ottenuti dalle due valutazioni.

Figura 5 - Smart environment: indicatori.


* Maria Cerreta, Dipartimento di Architettura (DiARC), Università degli Studi di Napoli Federico IIe-mail: [email protected]

** Giuliano Poli, Dipartimento di Architettura (DiARC), Università degli Studi di Napoli Federico IIe-mail: [email protected]

classe Ch; la procedura di assegnazione pessimistica as-segna l’alternativa a alla classe più alta per cui a surclassail profilo inferiore bh-1.La procedura ottimistica è stata utilizzata nel caso della va-lutazione degli scenari per il paesaggio smart, dopo averletestate entrambe ed aver constatato l’inefficacia della pro-cedura pessimistica, in grado di fornire una minore diffe-renziazione delle alternative ed una più vasta asse-gnazione alle classi intermedie, con conseguente scarsa evi-denziazione delle emergenze di valori del paesaggio smart.

4. CONCLUSIONI

Le mappe ottenute come risultato dei due processi valu-tativi consentono di individuare ambiti territoriali di va-lore omogeneo, dal punto di vista della smartness (Fig. 7),che superano i limiti amministrativi dei comuni. In parti-colare, gli ambiti di elevato valore smart permettono didefinire nuovi possibili sistemi territoriali in cui attuarepolitiche di valorizzazione del Parco; a tali ambiti appar-tengono comuni che possono contribuire con caratteri-stiche differenti alla definizione del nuovo sistematerritoriale. Ad esempio, il possibile sistema nord-occi-dentale del Cilento, che potrebbe includere aree di parti-colare rilevanza dal punto di vista economico (come icomuni di Agropoli e di Capaccio, ma anche Castellabatee Pollica), ed al contempo ambiti rilevanti sul piano am-bientale. I punti di forza di queste aree potrebbero com-

binarsi in modo sinergico per dareorigine a reti tra comuni, in cui al-cuni diventano trainanti per un in-cremento dell’attrattività e unmiglioramento della qualità dellavita anche per i comuni più deboli.Un altro ambito con forte caratte-rizzazione smart è costituito daicomuni a cavallo tra il massicciodei Monti Alburni ed il Vallo diDiano. L’approccio disgiuntivodell’algoritmo fuzzy “OR” eviden-zia l’esistenza di una fascia trasver-sale continua di comuni ad altovalore smart. Tale fascia potrebbeacquisire un ruolo rilevante, in-sieme a quella costiera e a quellainterna al confine con la Basilicata,

generando una cintura di comuni legati in una rete diffusadi valori. Al contrario, il metodo ELECTRE-TRI, seguendouna logica di aggregazione non compensativa, individuapoli territoriali che potrebbero avere un ruolo propulsivoper la diffusione di politiche smart per il paesaggio ancheall’interno di altri comuni.L’utilizzo degli strumenti GIS nel definire il GeoLab hacontribuito a: 1. determinare la distribuzione spaziale di dati ed indica-

tori sull’area di studio;2. produrre indici di densità tra elementi relazionabili spa-

zialmente;3. fornire analisi geo-statistiche sulle condizioni di vita nel

Parco;4. gestire una complessa base informativa di supporto a

processi di valutazione multicriterio.

L’approccio proposto si pone come base per migliorarel’integrazione tra sapere esperto e sapere comune in unprocesso collaborativo più ampio che coinvolge compe-tenze plurali. I risultati delle metodologie sperimentatehanno consentito di disegnare nuove geografie del terri-torio basate sulle relazioni sociali, umane, culturali ed am-bientali integrate in sistemi territoriali interscalari e basatesull’innovazione, sulla capacità di organizzare la cono-scenza del territorio secondo logiche sistemiche, su mo-delli di sviluppo creativi e generativi, ma anche su nuovetecnologie e sistemi di infrastrutture.

Figura 7 - Confronto tra le due gerarchie territoriali.

Bibliografia

ATTARDI R., CERRETA M., SANNICANDRO V., TORRE, C.M., Non-compensatory composite indicators for the evaluation ofurban planning policy: The Land-Use Policy EfficiencyIndex (LUPEI), European Journal of Operational Research,Vol. 264, No. 2, 2018, pp. 491-507.BURKHARD B., KROLL F., MÜLLER F., WINDHORST, W., Land-scapes’ Capacities to Provide Ecosystem Services - a Con-cept for Land-Cover Based Assessments, LandscapeOnline, Vol. 15, 2009, pp. 1-22.CENTRE OF REGIONAL SCIENCE TU VIENNA, Smart Cities. Rank-ing of European medium-sized cities, www.smartcities.eu/download/smart_cities_final_report.pdf.CERRETA M., FUSCO GIRARD L., Human Smart Landscape: AnAdaptive and Synergistic Approach for the “National Parkof Cilento, Vallo di Diano and Alburni”, Agriculture andagricultural science procedia, n. 8, 2016, pp. 489-493.CHAKHAR S., MARTEL J.M., Enhancing geographical informa-tion systems capabilities with multi-criteria evaluationfunctions, Journal of Geographic Information and Deci-sion Analysis, Vol. 7, 2003, pp. 47-71.CONSIGLIO D’EUROPA, Convenzione europea del paesaggio.In Congresso dei poteri locali e regionali del Consigliod’Europa, Vol. 20, Firenze, 2000.FIGUEIRA J., GRECO S., EHRGOTT M., Multiple criteria decisionanalysis: state of the art surveys. Springer Science & Busi-ness Media, US, 2005.HAINES-YOUNG R., POTSCHIN M., The links between biodiver-sity, ecosystem services and human well-being. EcosystemEcology: a new synthesis, n. 1, 2010, pp. 110-139.JANKOWSKI P., NYERGES T., Geographical Information Systemsfor Group Decision Making: Towards a Participatory, Geo-graphic Information Science. Taylor&Francis, New York,2001.JIANG H., EASTMAN J.R., Application of fuzzy measures inmulticriteria evaluation in GIS, International Journal ofGeographical Information Systems, Vol. 14, 2000, pp. 173-184.KEENAN P.B., JANKOWSKI P., Spatial decision support systems:three decades on, Decision Support Systems, n. 116, 2019,pp. 64-76.

KEENAN P.B., Spatial Decision Support Systems. In: Mora M.,Forgionne G., Gupta J.N.D., Decision Making Support Sys-tems: Achievements and challenges for the New Decade.Idea Group Publishing, Hershey, 2003, pp. 28-39.

KORDI M., BRANDT S.A., Effects of increasing fuzziness onanalytic hierarchy process for spatial multicriteria decisionanalysis, Computers, Environment and Urban Systems,Vol. 36, No. 1, 2012, pp. 43-53.

LOVELL S.T., JOHNSTON D.M., Creating multifunctional land-scapes: how can the field of ecology inform the design ofthe landscape?, Frontiers in Ecology and the Environment,Vol. 7, No. 4, 2009, pp. 212-220.

MAKROPOULOS C.K., BUTLER, D., MAKSIMOVIC, C., ASCE, M.Fuzzy logic spatial decision support system for urbanwater management. Journal of Water Resources Planningand Management, Vol. 129(1), 2003, pp. 69-77.

MALCZEWSKI J., GIS and multicriteria decision analysis.Wiley, New York, 1999.

MALCZEWSKI J.,GIS-based multicriteria decision analysis: asurvey of the literature, International Journal of Geogra-phical Information Science, Vol. 20, No.7, 2006, pp. 703-726.

MALCZEWSKI J., RINNER C., Multicriteria decision analysis ingeographic information science, Springer, Germany, 2015.

PROGRAMMA FARO, 2012, CilentoLabscape. Un modello inte-grato per l’attivazione di un Living Lab nel Parco Nazionaledel Cilento, Vallo di Diano e Alburni, www.cilentolab-scape.it

ROY B., BOUYSSOU D., Aide multicritère à la décision: mé-thodes et cas, Paris: Economica, Paris, 1993.

SAATY T.L., VARGAS L.G., Models, methods, concepts & ap-plications of the analytic hierarchy process, SpringerScience & Business Media, 2012.

THILL J.C., Spatial multicriteria decision making and analy-sis: a geographic information sciences approach, AshgatePub Ltd, 1999.

UNESCO, Recommendation on the historic urban lan-dscape. In: Records of the General Conference 36th Ses-sion, UNESCO, Paris, 2011.

ZAMAGNI S., L’economia del bene comune. Città nuova,Roma, 2007.



Documents

A Collaborative Spatial Decision Support System (C-SDSS) for … · 2020. 9. 28. · journal valori e valutazioni No. 25 - 2020 11 Maria Cerreta*, Giuliano Poli** keyword: landscape,