La carta della dotazione in sostanza organica
della pianura emiliano-romagnola
 
Costanza Calzolari1 e Fabrizio Ungaro2
1 Commissione Europea DG Ricerca, Direzione Ambiente, Unità di Tecnologia Ambientale
(Costanza.CALZOLARI@cec.eu.int)
2 CNR-IRPI, Unità staccata di Pedologia Applicata Firenze (fabrizio.ungaro@irpi.cnr.it)
 
 

Introduzione

Esiste oggi una diffusa esigenza di informazione sulla dotazione in sostanza organica dei suoli per diversi fini, dalla pianificazione degli interventi in agricoltura alla conoscenza del potenziale di immagazzinamento del carbonio e al rischio di desertificazione. Se da una parte infatti la comunicazione della Commissione Europea "Verso una strategia tematica per la protezione del suolo" (COM 179, 2002) individua la diminuzione della materia organica come una delle otto minacce da considerare nello sviluppo di una strategia comunitaria di protezione del suolo, dall’altra l’entrata in vigore del protocollo di Kyoto (ratificato con legge n.120, 01/06/2002) richiede l’avvio di tutti i processi che portino "all’aumento degli assorbimenti di gas serra conseguente ad attività di uso del suolo, e a cambiamenti di uso del suolo e forestali". In entrambi i casi è evidente la necessità di documenti che fotografino in dettaglio la dotazione di sostanza organica del suolo. Se tale informazione è carente a scala generale, sono tuttavia disponibili  ,  dati puntuali generalmente raccolti  da servizi di assistenza tecnica all’agricoltura. In alcune aree italiane, dove tali dati sono in  numero sufficiente e la conoscenza sulla geografia dei suoli affidabile,  l’analisi spaziale e la geostatistica possono fornire stime del contenuto in sostanza organica per i punti non campionati, consentendo nello stesso tempo di quantificare l’incertezza spaziale (Chilès and Delfiner, 1999).  L’impatto di tale incertezza sulla definizione di indici di dotazione in sostanza organica può essere valutato attraverso l’utilizzo di tecniche geostatistiche di simulazione (Govaaerts, 1997). Scopo del presente lavoro è quello di realizzare un data base georeferenziato del contenuto  in sostanza organica per l’intero territorio della pianura emiliano-romagnola e di quantificare l’effetto dell’incertezza spaziale della stima sulla definizione di indici di dotazione e sulla loro distribuzione sul territorio.

Figura 1

 

Materiali e Metodi

L’area di studio, rappresentata dall’intera pianura Emiliano- Romagnola (figura 1) occupa una superficie di 11595 km2 ed è caratterizzata da distinti usi del suolo prevalenti nei diversi distretti che la compongono. Il data set utilizzato è rappresentato da 9667 campioni georeferenziati e ricollegati alle 117 unità tipologiche di suolo della pianura (Regione Emilia Romagna, 1998). I dati sono relativi al solo orizzonte lavorato (Ap), e la loro densità media  è pari a 0.84 km-1 anche se differenze nella densità di campionamento sono chiaramente evidenti (figura 1, tabella 1).

 

 

Num. oss.

Oss./km2

Media

Minimo

Massimo

deviazione
standard

Skewness

Pianura emiliano-romagnola

9667

0.84

2.10

0.20

40.70

1.280

16.23

Distretti

 

 

 

 

 

 

 

1. Pianura piacentina

1778

1.71

2.16

0.20

10.20

0.681

1.984

2. Pianura parmense

2038

1.78

2.44

0.40

5.00

0.624

0.504

3. Pianura reggiana e modenese

1787

0.72

2.15

0.20

7.60

0.636

1.577

4. Pianura bolognese e alto ferrarese

2389

0.90

1.78

0.30

4.90

0.455

1.063

5. Basso ferrarese

262

0.16

4.05

0.30

40.70

6.407

3.805

6. Pianura  romagnola e riminese

1413

0.64

1.66

0.50

12.40

0.611

9.222

Tabella 1

 

Il contenuto in carbonio organico è stato misurato con il metodo Walkley-Black modificato (Nelson and Sommer, 1982), e il contenuto in sostanza organica è stato da questo derivato. Le statistiche descrittive per l’intero data set sono riportate nella tabella 1; il data set è caratterizzato da una forte asimmetria, con un coefficiente di skewness pari a 16.23 dovuto all’esistenza di una consistente coda superiore con valori estremamente elevati di sostanza organica (min 0.2, max 40.7%); il valore medio (2.1%) è molto vicino alla mediana (2.0%), con l’80% dei valori osservati < 2.5% è più del 95% <5.0 %.  In tabella 1 sono riportate anche le statistiche descrittive relative ai sei comprensori della pianura: ad eccezione della bassa ferrarese, caratterizzata dalla estesa presenza di suoli con orizzonti organici formatisi a seguito delle pratiche di bonifica, le differenze osservabili tra gli altri comprensori sono principalmente imputabili ai differenti usi del suolo prevalenti.

L’obbiettivo dell’analisi geostatistica è di fornire stime ottimali del contenuto in  sostanza organica nei punti non campionati quantificando allo stesso tempo l’incertezza spaziale, valutandone l’impatto sulla definizione e distribuzione sul territorio di indici di dotazione. L’incertezza spaziale può essere modellizzata utilizzando tecniche geostatistiche basate su diverse forme di krigaggio, indicate per valutare l’incertezza locale (cioè relativa al singolo supporto di stima) o ricorrendo a tecniche di simulazione, più adatte per valutare l’incertezza spaziale (cioè relativa a più punti considerati nel loro insieme) e il cui utilizzo nella scienza del suolo è divenuto piuttosto comune negli ultimi anni (Chilès and Delfiner, 1999; Goovaerts, 2001; Lantuejoul, 2002; Van Meirvenne and Goovaerts, 2001).

Il risultato delle simulazioni  sono L realizzazioni equi-probabili della distribuzione spaziale della variabile oggetto di studio, nel nostro caso il contenuto in sostanza organica, condizionando i risultati al valore delle osservazioni, sempre restituito in corrispondenza dei punti di campionamento assegnati al grid (simulazioni condizionali). Le simulazioni geostatistiche possono essere realizzate assumendo due tipi principali di modellizzazione della legge spaziale: modelli di tipo parametrico e non parametrico. Nel nostro caso entrambi i modelli sono stati utilizzati e confrontati (Ungaro et al., 2005), ma si farà qui  riferimento ai risultati di uno solo dei due.

Tutte le analisi geostatistiche sono state effettuate utilizzando il programma Wingslib 1.3.1 (Statios, 2000), che utilizza gli eseguibili di GSLIB90 (Deutsch and Journel, 1998).

Poiché la sostanza organica nel suolo è fortemente influenzata dalle condizioni climatiche ed ambientali, non è possibile. una definizione in termini assoluti di indici di dotazione in sostanza organica L’utilizzo del contenuto in sostanza organica come indice di qualità del suolo dovrebbe essere sempre riferito ad uno specifico contesto locale (Doran and Parkin, 1994) o standardizzato adottando, ad esempio, il rapporto di stratificazione (Franzluebbers, 2002).  Al fine di definire indici di dotazione localmente validi, i valori simulati di sostanza organica sono stati utilizzati in combinazione con la classe tessiturale USDA associata ai poligoni della carta dei suoli 1:50,000 nei quali vengono a ricadere i punti simulati secondo lo schema riportato in tabella 2 che prevede quattro classi di dotazione i cui limiti variano in funzione della classe tessiturale (Sequi e De Nobili, 2000). 

 

Classi tessiturali USDA

 Dotazione

Sabbiosa

Franca

Argillosa

 

Sabbioso-franca

Franco-sabbioso-argillosa

Franco-argillosa

 

Franco-sabbiosa

Franco-limosa

Argilloso-limosa

 

 

Argillloso-sabbiosa

Franco-argilloso-limosa

 

 

Limosa

 

Sostanza Organica %

Molto bassa (VL)

<0.8

<1.0

<1.2

Bassa (L)

0.8 - 1.5

1.0 - 1.9

1.2 - 2.3

Media (M)

1.5 - 2.0

1.9 - 2.5

2.3-3.0

Alta (H)

>2.0

>2.5

>3.0

Tabella 2

 

Al fine di valutare l’effetto della propagazione dell’incertezza spaziale sugli indici, la classe di dotazione è stata definita per ciascuna delle 100 realizzazioni in modo da poter valutare le frequenze di occorrenza di ciascuna delle quattro classi e selezionare la classe con la frequenza maggiore. L’incertezza dell’attribuzione è stata definita utilizzando due indici statistici: l’entropia standardizzata della distribuzione di probabilità, HR(u) e il complemento a 1 della più alta probabilità osservata in corrispondenza di ciascun nodo, f(u) (Goovaerts, 1997); in entrambi i casi, valori prossimi allo 0 indicano un minore incertezza e quindi una maggiore accuratezza nell’attribuzione della classe

 

 

Risultati e Discussione

Il calcolo delle statistiche descrittive su finestre mobili (8540 x 6260 m) con sovrapposizione del 50% ha rappresentato il primo passo dell’analisi spaziale esplorativa, evidenziando un forte effetto proporzionale tra media e deviazione standard locale (R2 = 0.88, N = 282). Questo comportamento, noto come effetto proporzionale (Isaak and Srivastava, 1989) indica l’esistenza di anomalie locali nella variabilità e suggerisce l’esistenza di un trend nel valore medio dei dati rendendo necessario il ricorso ad una qualche trasformazione dei dati al fine di ottener un semivariogramma suscettibile di modellizzazione. La forma parabolica del semivariogramma dei dati tal quali conferma questa ipotesi e rileva un dominio di stazionarietà molto limitato e comunque ben al di sotto della varianza dei dati (figura 2)


Figura 2

 

Al fine di implementare le simulazioni i dati devono essere trasformati, adottando una trasformazione che li normalizzi detta normal score transform,  e sui dati trasformati vanno calcolati e successivamente modellizzati i semivariogrammi sperimentali. Nel caso dell’approccio adottato è stato utilizzato un modello sferico omnidirezionale con tre componenti annidate caratterizzate da differenti range di autocorrelazione (figura 3).


Figura 3

 

Il modello ottenuto è stato utilizzato per ottenere 100 realizzazioni su una griglia di simulazione 1000 x 1000 per un totale di 10862 punti simulati. In corrispondenza di ogni nodo del grid e per l’intero territorio è stato quindi possibile calcolare le statistiche descrittive e gli indici statistici di accuratezza. L’approccio parametrico ha riprodotto  bene la distribuzione osservata anche se tende a restituire valori vicini alla media penalizzando la continuità dei valori estremi; i valori medi sono prevalenti lì dove i valori osservati sono prossimi alla media della popolazione e dove la variabilità locale è bassa. La deviazione standard delle 100 realizzazioni  calcolata in corrispondenza di ciascun nodo è <1% nell’86% dei casi e > 10% nel 0.5% dei nodi; i valori sono maggiori in aree con suoli caratterizzati da proprietà contrastanti, con bassa densità di punti e con differenti usi del suolo  prevalenti.

Attribuendo a ciascuna delle 100 realizzazioni ottenute una classe di dotazione secondo lo schema riportato in tabella 2 e selezionando la classe caratterizzata dalla frequenza più elevata, il 9% del territorio è caratterizzato da una dotazione in sostanza organica alta, il 26% da una media, il 62% da una bassa ed infine il 2% da una dotazione molto bassa (figura 4).

 

Figura 4

 

Queste percentuali cambiano notevolmente se osservate a livello dei singoli comprensori della pianura, in conseguenza dell’uso del suolo prevalente che li caratterizza (tabella 3): ad esempio nel comprensorio della bassa pianura bolognese e alto ferrarese, ove prevalgono cereali (43.9%) e colture industriali (18.2%), solo il 2.02% del territorio mostra una elevata dotazione in sostanza organica, mentre nei comprensori della pianura parmense e della pianura reggiana-modenese dove sono le colture foraggiere a prevalere (rispettivamente con il 68.5 ed il 49.3%) la percentuale di territorio caratterizzata da un’elevata dotazione in sostanza organica è pari al 17.1 e 24.3% rispettivamente.

 

Distetti

VL %
(N = 124)

L %
(N = 4701)

M %
(N = 4956)

H %
(N = 1389)

1. Pianura piacentina

19.35

7.91

11.06

6.98

2. Pianura parmense

6.45

3.53

14.77

17.06

3. Pianura reggiana e modenese

4.84

8.32

35.41

24.26

4. Pianura bolognese e alto ferrarese

26.61

39.03

15.33

2.02

5. Basso ferrarese

5.65

8.34

13.18

42.91

Tabella 3

 

Gli indici di incertezza mostrano mediamente una discreta accuratezza: infatti i valori di HR(u) e di f(u) sono pari a 0.429 e 0.262 rispettivamente. Analizzando i valori degli indici di incertezza all’interno delle diverse classi di dotazione, sin rileva come una maggiore accuratezza  caratterizzi la classe media (f(u) 0.243) mentre le due classi estreme, molto bassa ed alta siano caratterizzate dalla maggiore incertezza, con valori di f(u) pari a 0.290 e 0.345 rispettivamente. Gli indici caratterizzati da valori maggiori di HR(u) e f(u) sono localizzati in aree con suoli caratterizzati da proprietà contrastanti, in aree caratterizzate da elevata variabilità, legata spesso a un differente uso del suolo prevalente e in aree caratterizzate da bassa densità di campionamento

 

 

Conclusioni
Nelle aree caratterizzate da valori prossimi alla media osservata, il livello di accuratezza della stima è più che accettabile per scopi pianificatori e gestionali e anche il livello di accuratezza complessivo dell’elaborato prodotto, pari al 74%, è buono.  L’approccio illustrato tende tuttavia a penalizzare la connettività e l’estensione delle aree caratterizzate da valori estremi, sia in alto che in basso, e questo proprio in zone dove maggiore dovrebbe essere l’attenzione. Le limitazioni dell’approccio possono essere superare integrando informazioni secondarie nella procedura di simulazione ma ciò avrebbe senso solo ad una scala di maggior dettaglio

 

 

Ringraziamenti
Il presente lavoro è stato svolto nell’ambito della convenzione "Definizione ed utilizzo di strumenti di analisi, elaborazione e previsione di fenomeni erosivi in ambienti collinari e montani e della dotazione di materia organica in ambienti di pianura dell’Emilia Romagna" tra il Servizio Geologico Sismico e dei Suoli della Regione Emilia Romagna e l’Istituto di Ricerca per la Protezione Idrogeologica, CNR-IRPI, Unità Staccata di Firenze Pedologia Applicata. Si ringrazia il Servizio Geologico Sismico e dei Suoli della Regione Emilia Romagna per aver messo a disposizione i dati pedologici.

 

 

BIBLIOGRAFIA

Deutsch, C.V. and Journel, A.G., 1998. GSLIB: Geostatistical Software Library and Users Guide, Oxford University Press, New York, second edition, 369 pages. 

Doran,  J.W. and Parkin, T.B.,1994. Defining and assessing soil quality. Pages  3-21, in Doran, J.W. ,

Chilès, J.-P., Delfiner, P., 1999. Geostatistics : modeling spatial uncertainty. Wiley, New York, 695 p.

Commissione delle Comunità Europee, 2002. Comunicazione della Commissione al Consiglio e al Parlamento Europeo, al Comitato Economico e Sociale e al Comitato delle Regioni. Verso una strategia tematica per la protezione del suolo. Bruxelles, 16.4.2002, COM(2002) 179, 38 pp.

Franzluebbers, A. J., 2002. Soil organic matter stratification ratio as an indicator of soil quality. Soil and Tillage research, 66: 95-106.

Garten, C.T. and Wullschleger, S.D., 1999. Soil Carbon Inventories under a Bioenergy Crop (Switchgrass): Measurement Limitations. Journal of Environmental Quality,  28: 1359-1365.

Goovaerts, P., 1997. Geostatistics for Natural Resources Evaluation. Oxford University Press, New York, 483 p. 

Goovaerts P., 2001. Geostatistical modeling of uncertainty in soil science. Geoderma, 103, 3-26.

Isaaks, E.H. and Srivastava, R.M., 1989. An introduction to Applied Geostatistics. Oxford University Press, New York, 561 p.

Journel, A. G., Posa, D., 1990. Characteristic behavior and order relations for indicator variograms. Mathematical Geology, 22, 1011-1025.

Lantuejoul, C., 2002. Geostatistical Simulation: Models and Algorithms, Springer Verlag, Berlin, 256 p.

Nelson, D.W., and L.E. Sommer. 1982. Total carbon, organic carbon, and organic matter. Pages 539-579 in A.L. Page (ed.) Methods of Soil Analysis. 2nd Ed. ASA Monogr. 9(2). Amer. Soc. Agron. Madison, WI.

Regione Emilia Romagna, 1998. Carta dei suoli  del territorio di pianura dell'Emilia Romagna in scala 1:50.000. Regione Emilia Romagna, Servizio Geologico, Sismico e dei Suoli.

Sequi, P. and De Nobili, M., (2000). “Carbonio Organico”.  In Metodi di Analisi Chimica del Suolo, Ministero delle Politiche Agricole e Forestali, Osservatorio Nazionale Pedologico e per la Qualità del Suolo, Franco Angeli: VII 1-16.

Statios, 2000. WinGslib version 1.3,  Statios  Software and Services, San Francisco, CA.

Ungaro, F., Calzolari, C., Tarocco, P., Giapponesi, A. and Sarno, G. 2005. Quantifying spatial uncertainty of soil organic matter indicators using conditional sequential simulations: a case study in Emilia Romagna plain (Northern Italy). Canadian Journal of Soil Science, 85, 499-510.

Van Meirvenne, M and Goovaerts, P., 2001. Evaluating the probability of exceeding a site-specific soil cadmium contamination threshold. Geoderma, 102, 75-100.

Wameling, A. and Saborowski, J., 2001. Construction of Local Confidence Intervals for Contour Lines. Pages 1-10 in  Proceedings of  IUFRO conference Forest Biometry, Modelling and Information Science,  University of Greenwich, 4-11 June 2001.

 
 
 
 

    n. 1-3 anno 2005