IMMAGINE RICONOSCIMENTO. 6.1 La densità di vegetazione: l indice NDVI DELLA VEGETAZIONE SULL I

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "IMMAGINE RICONOSCIMENTO. 6.1 La densità di vegetazione: l indice NDVI DELLA VEGETAZIONE SULL I"

Transcript

1 CAPITOLO SESTO RICONOSCIMENTO DELLA VEGETAZIONE SULL I IMMAGINE QUICKBIRDIRD 6.1 La denstà d vegetazone: l ndce NDVI Allo scopo d caratterzzare la dstrbuzone della vegetazone sulle superfc d barena s è provveduto all elaborazone delle mmagn corrette radometrcamente e geometrcamente. La prma fase è consstta nella valutazone della denstà vegetale medante l utlzzo d un ndce d vegetazone. Gl ndc sfruttano la dfferenza d rflettanza della vegetazone nel vsble (n partcolare nel blu e nel rosso) e nel vcno nfrarosso, e possono basars semplcemente su rapport fra bande o essere espress n formule pù complesse che rchedono nformazon relatve a parametr del suolo e alla composzone atmosferca. Queste anals non consentono n generale d valutare l abbondanza d cascuna spece presente al suolo, ma fornscono ad ogn modo utl nformazon sullo stato fenologco della vegetazone e sulla sua denstà. L ndce d vegetazone pù dffuso è l NDVI (Normalzed Dfference Vegetaton Index), che ha l vantaggo d consentre l confronto fra mmagn rprese n temp dvers. L NDVI mette n relazone l assorbmento spettrale della cloroflla nel rosso

2 con la tpca rflessone nel vcno nfrarosso dove è fortemente nfluenzata dal tpo d struttura foglare (Gomarasca, 1997). Il valore dell NDVI è defnto dalla relazone: NDVI IR R [2] IR R Questa funzone può assumere valor dell ntervallo [-1,+1] che, n genere, sono compres tra -0,1 e +0,6. -0,6<NDVI<-0,15-0,15<NDVI<0,00 0,00<NDVI<+0,05 +0,05<NDVI<+0,13 +0,13<NDVI<+0,24 +0,24<NDVI<+0,30 Fg NDVI calcolato su dat QuckBrd relatv all area d S.Felce. Il rsultato dell applcazone dell ndce alle bande 3 e 4 del QuckBrd è un mmagne n scala d grg n cu pxel pù char rappresentano valor maggor d NDVI. Medante una tecnca dsponble nel software ENVI che consente d suddvdere n ntervall la scala contnua d grgo e d assegnare a cascuno d ess

3 un colore predefnto (densty slcng), è stato possble vsualzzare l mmagne n modo che fosse pù agevole apprezzare la dstrbuzone sulla scena delle zone a dversa denstà vegetale (fg.6.1). La scala de valor assunt dall ndce rsulta puttosto rdotta e valor non sono molto alt, come c è da aspettars consderando che l mmagne è stata acqusta nel mese d maggo, quando ancora la vegetazone non era ancora crescuta completamente; noltre dall mmagne rsulta evdente la notevole presenza d suolo, dovuta essenzalmente ad una condzone d marea partcolarmente bassa che ha fatto emergere le zone d bassofondo e meandr d molt gheb e canal. Un ulterore formulazone dell NDVI è rappresentata dal Fractonal Vegetaton Cover (FVC), che normalzza l NDVI e lo trasforma n un ndce d copertura percentuale d vegetazone. Il valore d FVC è defnto dalla relazone: FVC NDVI NDVI mn [3] NDVI max NDVI mn dove, n questo caso, NDVI max = 0,30 ed NDVI mn = -0,6. La [3] ha qund l effetto d normalzzare l NDVI tra valor che rappresentano lo 0% (NDVI mn ) d l 100% d copertura vegetale (NDVI max ). Medante l applcazone della funzone densty slcng all mmagne ottenuta, s nota che le aree relatve ad acqua e suolo sono state consderate dall ndce come aree a copertura percentuale mnore d 67,5%, mentre solamente per denstà maggor d questo valore l ndce rconosce la presenza d vegetazone e ne stma l abbondanza sulla base dell NDVI calcolato. Anche n questo caso, lo spostamento del valore mnmo d copertura vegetale rlevable dal sensore dpende essenzalmente dal perodo d acquszone dell mmagne, rlevata a metà maggo e qund n condzon d vegetazone ancora n buona parte secca e non n fore. La dversa rflettanza della vegetazone n questo stado fenologco può qund aver attenuato la dfferenza nella rsposta nel rosso e nell nfrarosso vcno. Il rsultato sulla mappa è che la maggor parte della copertura vegetale s assesta n meda tra l 67,5% e l 87,5%, mentre solo n poche zone s raggunge una denstà d vegetazone consderevole vcna al 100% (fg.6.2). Entrambe le elaborazon llustrano noltre come la denstà d vegetazone

4 rsult maggore lungo bord de gheb e de canal, e dmnusca nvece procedendo verso le zone pù nterne della barena. 0,00<FVC<0,50 0,50<FVC<0,675 0,675<FVC<0,75 0,75<FVC<0,875 0,875<FVC<1,00 Fg FVC calcolato su dat QuckBrd relatv all area d S.Felce. 6.2 L ndvduazone delle aree d vertà a terra sull mmagne Il rconoscmento della vegetazone alofla d barena sulle mmagn avvene tramte la defnzone a terra d aree a composzone nota e la successva localzzazone delle stesse sull mmagne. Come gà vsto nel captolo IV, nelle barene d San Felce, Paglaga, Salne e Palude Maggore sono stat effettuat prm rlev vegetazonal prevst dal progetto TIDE. Nelle uscte n campo s sono ndvduate pù d 70 aree d vegetazone monospecfca da utlzzare per la classfcazone. In fg.6.3 vene rportato un esempo d localzzazone d alcune delle aree rlevate nella zona d Spacco Tralo presso la barena d San Felce. Come s nota nel dettaglo ngrandto, polgon traccat vanno a coprre pù pxel dell mmagne

5 aggregandol n categore, o class, con caratterstche omogenee d copertura; n partcolare nell mmagne sono ndcate alcune aree d bordo rlevate lungo gheb o canal prncpal e caratterzzate da elevata eterogenetà, e aree nterne pù vaste, formate da consorz vegetal d due o tre spece al massmo. D ogn area permetrata è stata stmata anche la presenza percentuale d suolo nudo, n modo da poter determnare l nterferenza d questo elemento con la rsposta spettrale della vegetazone e l suo effetto sulla classfcazone che ne derva. Fg Indvduazone delle aree rlevate a San Felce sull mmagne multspettrale QuckBrd (banda MS1). Il prncpale problema ncontrato n questa fase d elaborazone ha rguardato l unone de punt che defnscono le aree d vegetazone a terra per formare le ROI (Regons Of Interest) nell mmagne multspettrale: la congunzone fra GCP (Ground Control Ponts) può nfatt avvenre solamente n corrspondenza de vertc de pxel (qu d lato 2,8 m), che sono le untà mnme d rappresentazone della scena; come s osserva n fg.6.4, nel caso n cu le coordnate rcadano all nterno d un pxel (punto n 2 rosso) le superfc che s possono selezonare hanno dmenson

6 molto dverse, e cò può compromettere l grado d omogenetà de pxel appartenent ad ogn area e qund la frma spettrale della classe ndvduata dalla ROI. Il problema può essere rsolto sceglendo l vertce nterno all area pù vcno al vero GCP (cas 2-3) e ottenendo aree leggermente meno estese, ma a composzone pù omogenea dal momento che pxel d confne sono esclus dalla ROI. Ad ogn modo, n ENVI è presente una funzone (Reconcle ROIs va Map) che permette d sovrapporre ROI defnte su mmagn dverse a condzone che esse sano Fg Modfcazone dell area delle ROI n funzone delle coordnate d vertce scelte. state georeferenzate. Cò ha consentto d dentfcare con maggor precsone le coordnate d vertce delle aree sull mmagne pancromatca, sfruttandone l elevata rsoluzone spazale, e d ottenere po la localzzazone delle medesme ROIs sull mmagne multspettrale utlzzata per la classfcazone. 6.3 Le tecnche d classfcazone dell mmagne Il processo d classfcazone consente d dentfcare nell mmagne dgtale pxel caratterzzat da rsposte spettral molto sml e d raggrupparl n categore che rappresentano le class d superfc esstent al suolo. Le tecnche d classfcazone possono essere dstnte n non gudate e gudate: la procedura non controllata, o unsupervsed, non rchede la conoscenza degl element da dscrmnare sulla scena, ma s basa esclusvamente su valor d radanza de pxel dell mmagne, consentendo d aggregare dat n famgle o cluster. I crter secondo cu dscrmnare grupp sono d natura statstca e vengono fornt al calcolatore come nucle central con determnat attrbut

7 spettral, attorno a cu vengono raggruppat pxel con caratterstche sml; non è qund necessara alcuna nformazone sulla loro corrspondenza con l effettva copertura del suolo; le tecnche controllate, o supervsed, sfruttano nvece la defnzone a pror delle class tematche d nteresse al suolo: la scelta sull mmagne d alcune aree campone rappresentatve delle categore d copertura consente d calcolare parametr statstc relatv alle class tematche prescelte, n base a valor de pxel appartenent alle aree campone. In questo modo s ottengono gl spettr d radanza meda tpc d ogn classe, con cu condurre la classfcazone dell ntera scena (tranng sets), che avvene per confronto tra pxel dell mmagne e le rsposte spettral delle class d nteresse secondo un crtero d somglanza prescelto (algortmo d classfcazone). Il rsultato della procedura è n entramb cas un mmagne n cu pxel vengono dentfcat, classe per classe, con ton d grgo dfferent o con un colore convenzonale caratterstco per ogn categora. I due sstem llustrat rspondono ad esgenze d classfcazone dverse: quando è mportante mettere n relazone grupp d pxel con categore d copertura effettvamente present sulla scena, l metodo gudato permette d defnre delle class nformatve d estrema utltà; quando nvece s devono analzzare superfc poco conoscute e scarsamente accessbl, la tecnca non gudata consente d esegure una prelmnare anals esploratva dell mmagne, defnendo grupp d pxel n termn d class spettral, la cu relazone con le class nformatve può emergere solo attraverso sopralluogh n campo o l confronto con mappe tematche (Mather, 1987). Con l aumento della rsoluzone spazale de modern sstem d telerlevamento è mglorata la possbltà d dscrmnare tra dvers oggett al suolo, ma è anche crescuta la dffcoltà nel rconoscmento e nell nterpretazone; nfatt, con la maggor defnzone aumenta anche l numero d pxel che rappresentano un oggetto, ed è qund preferble la scelta d sstem d classfcazone non pù puntual, che assegnano coè ogn pxel ad una classe tematca n modo ndpendente da pxel adacent, ma contestual, n modo che sa prevsta una fase d ntroduzone d nformazon sulla relazone spazale d cascun pxel con quell adacent (Rossell et al., 2001).

8 6.3.1 Classfcazone non supervsonata: ISODATA e k-means I due metod d classfcazone non gudata pù utlzzat n remote sensng sono l ISODATA e l k-means. S tratta n entramb cas d procedure teratve: n base alla scelta d alcun parametr nzal defnt dall operatore, s ndvduano de cluster d confronto ne qual var pxel vengono collocat secondo un crtero d somglanza spettrale. Ad ogn terazone l assegnazone de pxel vene rcalcolata n base alle caratterstche de cluster pù vcn, fnché non s raggunge un numero d rcollocazon mnore d una sogla scelta dall operatore (es. 5%). L algortmo ISODATA è smle al k-means, con l unca dfferenza che l numero d cluster può varare durante l terazone, mentre l k-means prevede che l numero d class sa defnto a pror (Mather, 1987). In fg.6.5 vengono rportat rsultat ottenut da alcun tentatv d classfcazone dell mmagne QuckBrd de target acqua, vegetazone e suolo a San Lorenzo medante due algortm, per valutare l grado d dfferenza spettrale rlevable da due classfcator n corrspondenza de prncpal element dell mmagne. In entramb cas è stata mascherata la componente acqua nell mmagne multspettrale 1. Come s osserva, per valor nzal abbastanza sml le due tecnche fornscono rsultat confrontabl: n partcolare, sembra che la classfcazone ISODATA sottostm la presenza d suolo nell area sa nel multspettrale che nel pancromatco, mentre la k-means resce a dstnguere la presenza delle tre class, nonostante l estrazone della rete de canal nel pancromatco non da buon rsultat n nessuno de due cas. Complessvamente le nformazon fornte dal sensore sono qund suffcent per la dscrmnazone delle prncpal caratterstche dell area d ndagne, sebbene tentatv d classfcazone esegut aumentando l numero d clusters d partenza non consentano d ottenere rsultat soddsfacent nel rconoscmento de dvers popolament vegetal. I prncpal problem che s ncontrano nell applcazone delle procedure ISODATA e k-means rguardano la scarsa rproducbltà delle classfcazon e la sensbltà de due algortm alle condzon scelte dall operatore nella fase nzale. Per questo motvo l rconoscmento delle aree d vegetazone d barena è avvenuto 1 L esclusone d una categora d pxel dall anals s effettua rcorrendo all algortmo d classfcazone supervsonata SAM che sarà llustrato n dettaglo nel paragrafo

9 medante l mpego delle numerose vertà a terra acquste sull area d studo, che hanno costtuto l tranng set per le procedure d classfcazone controllata. A B C D Fg Classfcazon ISODATA e k-means della porzone d mmagne che comprende la barena d San Lorenzo (A: ISODATA multspettrale; 3class; sogla 3%; B: ISODATA pancromatco; 4 class; sogla 3%; C: k-means multspettrale; 4 class; sogla 5%; D: k-means pancromatco; 4 class; sogla 5%) La classfcazone controllata: l algortmo SAM Esstono numeros algortm d classfcazone gudata. Tra prncpal, dsponbl nel software ENVI: Parallelepped, Maxmum Lkelhood, Mnmum Dstance, Mahalanobs Dstance, Bnary Encodng. Le dverse tecnche vengono scelte n base a temp d calcolo, all accuratezza valutata n funzone de dat d controllo dsponbl per la valdazone, a cost per la raccolta delle vertà a terra durante le campagne d msura.

10 In questo lavoro la classfcazone de popolament vegetal è stata effettuata applcando l algortmo SAM (Spectral Angle Mapper) (Kruse et al., 1993), che n occasone d precedent stud condott s è dmostrato partcolarmente ndcato per l rconoscmento degl element al suolo n aree umde (Tortato, 2001; Saccardo, 2000). In partcolare l SAM ha fornto rsultat molto soddsfacent nella dstnzone tra le zone vegetate d barena e quelle occupate dall acqua. In base al funzonamento dell algortmo SAM, l operatore selezona sull mmagne alcune regon d nteresse, o vertà a terra, che vengono attrbute a popolament vegetal che s voglono dentfcare (endmember): la frma spettrale che rappresenta ogn classe è lo spettro medo calcolato sull nseme de pxel appartenent a cascuna ROI. Il vettore dello spettro d rfermento così calcolato vene confrontato con lo spettro del pxel da classfcare medante l calcolo dell angolo compreso tra le due curve d rsposta nello spazo delle bande spettral, e ogn pxel vene assegnato alla classe con cu l suo spettro forma l angolo mnore (fg.6.6). Il pxel non vene classfcato se questa dstanza angolare è superore ad una sogla fssata a pror dall operatore. Il prodotto scalare tra due vettor (s p) è defnto dalla relazone: n s p = s p 1 s p cos [4] dove s e p sono le component de due vettor nello spazo n-dmensonale delle bande, mentre s e p sono modul de vettor stess. Il valore dell angolo sogla che determna l appartenenza del pxel alla classe d rfermento è defnto dalla seguente relazone: s p arccos s p arccos n 1 n 1 s 2 s p n 1 p 2 [5] banda 2 spettro medo ROI α pxel da classfcare

11 Fg Spazo generato da due bande spettral: α è l angolo che separa lo spettro d rfermento da quello del pxel da classfcare. Il vantaggo che l uso d questo classfcatore comporta rsede nell nvaranza dell angolo d separazone fra gl spettr alle dfferenze d llumnazone della scena: dal momento che l algortmo confronta l angolo compreso tra vettor della classe d rfermento e del pxel da classfcare, consderandone qund solo la drezone e non la lunghezza, qualsas fattore moltplcatvo che ne modfch l valore non nflusce sulla sogla d separazone; questa caratterstca fa n modo che pxel appartenent alla medesma classe ma llumnat n modo dfferente a causa della varable topografa delle superfc d barena vengano consderat analogh dal classfcatore SAM (Shrestha, 2002). L accuratezza della mappa d vegetazone ottenuta va n seguto verfcata valutando la capactà dell algortmo d assegnare all esatta categora grupp d pxel d classe nota, esclus dalla fase d calbrazone dell mmagne (test set). 6.4 La selezone degl endmember La scelta delle aree campone da usare come set d addestramento (tranng set) e set d verfca (test set) per calbrare e valdare le mmagn rappresenta una fase molto delcata della classfcazone controllata. In partcolare, prncpal fattor che ne condzonano l accuratezza possono essere così schematzzat (Foody, 2002; Muchoney e Strahler, 2002): mperfetta coregstrazone delle mmagn: nel caso n cu le aree d rfermento vengano a loro volta ndvduate all nterno d mappe o foto telerlevate 2, anche d dversa rsoluzone spazale, è ndspensable che la georeferenzazone e la messa a regstro delle mmagn sano molto accurate, per evtare l erronea assegnazone de pxel da classfcare alle categore 2 In genere, l uso d dat acqust da sensor remot come test set è dffuso nella valdazone d mappe a bassa rsoluzone che rproducono superfc estese n cu non sono possbl acquszon d vertà a terra (Thomlnson, 1999).

12 rconoscute sulla scena; la selezone degl endmembers per la classfcazone dell mmagne QuckBrd è avvenuta medante sopralluogh n campo e la georeferenzazone è rsultata molto buona, qund questo fattore non è da consderars per ora nfluente, anche se dventerà mportante quando s confronteranno tra loro dat acqust da dvers sensor (MIVIS, CASI e QuckBrd); accuratezza nella defnzone degl attrbut degl endmember: dat d rfermento usat come tranng sets sono n genere consderat una fedele rappresentazone dell effettva composzone della scena; n realtà le aree rlevate a terra sono a loro volta l rsultato d una classfcazone la cu affdabltà dpende strettamente dalla soggettvtà nell nterpretare le dfferenze fra le class present al suolo (Therry e Lowell, 2001). La stma dell accuratezza nella classfcazone s rduce qund alla msura del suo grado d accordo con dat rlevat a terra, pù che con l effettva realtà (Congalton e Green, 1993). La stma delle percentual d copertura vegetale ne st d studo presenta n effett una quota d soggettvtà, n quanto è stata effettuata da alcun de partecpant alle campagne d msura medante osservazone vsva delle aree; n realtà, per rsolvere l problema, l assegnazone defntva delle percentual è stata verfcata medante l confronto con le fotografe dgtal acquste su ogn area da un altezza d 2,5m, e nelle prossme fas dell ndagne s potranno utlzzare allo scopo anche le mmagn acquste dal pallone aerostatco, caratterzzate da una rsoluzone spazale molto elevata (da 2 a 4cm); la rappresentatvtà (statstca, spazale e complessva) delle vertà a terra (Muchoney e Strahler, 2002): l estensone delle aree campone dpende essenzalmente dal numero d varabl (bande spettral) d cu s voglono determnare le propretà statstche; Mather (1987) ndca un valore d crca 30 pxel per ogn caratterstca da estrarre dalla classe, ma rtene che tale dmensone mnma sa valda solo n caso d ndpendenza de pxel dell mmagne. In realtà, pxel adacent presentano n genere caratterstche sml (autocorrelazone spazale), e d conseguenza, un buon tranng set dovrebbe comprendere un numero consderevole d pxel, d modo che le statstche effettuate sulle class fornscano rsultat attendbl.

13 La rappresentatvtà delle vertà a terra è asscurata anche dalla possbltà d defnre un dsegno d camponamento: una procedura random è ndcata nell esplorazone d aree suffcentemente vaste da garantre che tutte le class sano adeguatamente rappresentate; nel caso delle superfc d barena, l mpratcabltà d alcune zone lmta l acquszone delle vertà a terra a determnat st pù accessbl, ne qual è possble effettuare le msurazon e rlev vegetazonal (Edwards et al., 1999). Spesso, noltre, l camponamento s lmta alle aree pù vaste ed omogenee, mentre le zone d confne o d bordo sono escluse per evtare dmnuzon nell accuratezza della classfcazone (Rchards, 1996); cò n realtà rduce la capactà del tranng set d fornre una rappresentazone completa della scena osservata e può compromettere l successo della classfcazone. Durante le campagne d rlevamento TIDE sono state rlevate numerose aree d bordo, n quanto necessare alla completa descrzone della complesstà dell ambente d barena, qund la rappresentatvtà delle class d copertura al suolo può consderars buona; la corrspondenza fra la superfce delle aree e de pxel: le dfferenze d dmensone tra le vertà a terra ed pxel dell mmagne possono dmnure l accuratezza della classfcazone. È necessaro nfatt che le aree rlevate n campo occupno una superfce confrontable con la rsoluzone geometrca dell mmagne, e che l loro grado d omogenetà garantsca la purezza della rsposta spettrale d rfermento (Atknson, 2000). Il sensore Quckbrd ntegra l segnale d rflettanza rcevuto da una superfce d 2,8m d lato, qund le aree d vegetazone utl per l rconoscmento sono state selezonate tra quelle d maggor dmenson, con l accortezza d non compromettere l omogenetà della copertura. Per le classfcazon s è decso d utlzzare solo pxel central appartenent alle aree permetrate n campo, per dmnure l effetto d eventual ncertezze nella georeferenzazone e l nterferenza spettrale de pxel d confne con aree adacent d dversa composzone; l grado d separabltà degl endmember: classfcator rsultano tanto pù effcent quanto maggor sono le dfferenze tra le class d rfermento e quanto mnor sono le dfferenze al loro nterno. La msura del grado d separabltà delle ROI consente d selezonare le aree che ncrementano l accuratezza della classfcazone. Il software ENVI calcola la dstanza

14 spettrale tra le vertà a terra secondo la formula d Jeffres-Matusta [6] e la Dvergenza trasformata [7]: queste due msure d dstanza sembrano partcolarmente ndcate nell estrazone delle caratterstche delle mmagn multspettral (Swan e Kng, 1973). La prma msura separa le class n base alla loro frma, assumendo che sano caratterzzate da una dstrbuzone normale multvarata; la seconda msura la dstanza statstca tra le denstà d probabltà che caratterzzano la dstrbuzone delle class. La dstanza d Jeffres-Matusta ha la seguente forma: dove: 1 α 8 C C JM j 1 1 T j μ μ μ μ j 2 2 e [6] j 1 C 1 ln 2 2 C C C e j ndcano gl spettr da confrontare, C è la matrce d covaranza dello spettro, μ è l vettore spettro medo, C è l determnante d C e T è la funzone trasposzone. La Dvergenza è defnta nvece dall espressone: j j D j TD 8 j 2 1 e [7] con: D j 1 tr C C j C C j trc C μ μ j μ μ j 2 T dove e j ndcano gl spettr da confrontare, C è la matrce d covaranza dello spettro, μ è l vettore spettro medo, T è la funzone trasposzone e tr è la tracca della matrce argomento. I valor assunt dalle due funzon varano tra 0 e 2,0: se maggor d 1,9 ndcano buona separabltà, mentre per valor nferor è n genere preferble selezonare altre ROI o aggregarle n un unca classe. Come sarà messo n evdenza nel prossmo paragrafo, la selezone de set d addestramento e d verfca per l elaborazone dell mmagne QuckBrd s è

15 rvelata puttosto buona, consentendo classfcazon con elevato grado d accuratezza. 6.5 Classfcazon dell mmagne QuckBrd Prelmnarmente è stata costruta sull mmagne la maschera dell acqua per escludere la rete de canal e de gheb dalle elaborazon successve, rducendo così l numero de dat ed temp d calcolo. L ndvduazone della ROI rappresentatva delle superfc d acqua avvene nella banda dell nfrarosso vcno: la bassa rflettanza de corp d acqua n tale ntervallo spettrale consente nfatt d dstnguerl agevolmente dalle aree d vegetazone. La maschera è stata realzzata eseguendo una classfcazone SAM con angolo spettrale massmo par a 0,25 radant e assegnando l valore 0 alla classe acqua e l valore 1 alla classe rmanente (mmagne bnara). L applcazone della maschera consste nella moltplcazone dell mmagne orgnara per l mmagne bnara: pxel moltplcat per 1 rmangono nalterat, mentre la moltplcazone per 0 annulla l valore de pxel corrspondent. La seconda fase d elaborazone è consstta nella classfcazone dell mmagne sulla base d tranng set a copertura monospecfca maggore dell 80%. L accuratezza de rsultat è stata valutata medante la classfcazone d test set effettuando l anals della matrce d confusone, che confronta la classe d appartenenza osservata con la categora d assegnazone nell mmagne classfcata. La valutazone dell accuratezza d classfcazone costtusce una fase molto delcata nella produzone d cartografa tematca ottenuta da nformazon telerlevate n quanto: fornsce un ndce della qualtà complessva della mappa; effettua l confronto tra dfferent algortm d classfcazone; permette d dentfcare eventual error nell elaborazone delle mmagn (Hay, 1979). Un ndagne condotta da Trodd nel 1995 ha tuttava rvelato che su un campone d 84 classfcazon rportate n 25 artcol pubblcat sulle maggor rvste scentfche tra l 1994 e l 1995, l 8% de lavor non rportava alcuna valutazone sulla qualtà della classfcazone; noltre solamente l 60% de rsultat era fornto d matrce d confusone e l 44% dava due o pù msure quanttatve d accuratezza: n quest cas

16 l valore raggunto era ad ogn modo nferore alla sogla mnma raccomandata d accuratezza dell 85% (Foody, 2002). Tra le numerose procedure d verfca, l uso della matrce d confusone è molto dffuso, n quanto non solo fornsce nformazon pù complete della semplce stma percentuale d pxel correttamente classfcat, ma caratterzza gl error commess nella procedura consentendo d mglorare la classfcazone e le consderazon che ne dervano. Tuttava, l uso della matrce d confusone s basa su alcune potes raramente soddsfatte dalle mmagn telerlevate, tra le qual l assunto che ogn pxel da classfcare appartene nteramente a solo una categora defnta n un suffcentemente completo set d class dstnte ed esclusve (Townsend, 2000). Come sarà llustrato nel paragrafo 6.6, sstem d classfcazone soft sembrano poter fornre una soluzone al problema de pxel mst present nell mmagne (Foody, 1996). Dalla matrce d confusone dervano dverse msure d accuratezza: una delle pù note è l overall accuracy, A, che s ottene per ogn categora dvdendo l numero d pxel correttamente classfcat per l numero totale d pxel d quella classe: r p [8] A 1 N dove p sono gl element della dagonale della matrce, lungo cu s trovano pxel classfcat correttamente, ndca la classe, N è l numero complessvo d pxel classfcat ed r rappresenta le rghe della matrce (ENVI User s Gude, 2001). Dvers autor crtcano l uso d A affermando che alcun pxel possono essere assegnat casualmente alla classe corretta (Pontus, 2000) e ndvduano nel coeffcente k d Cohen l ndce standard d accuratezza della classfcazone: r N K N 1 2 p 1 r 1 r p dove R corrsponde alle categore a cu l classfcatore assegna pxel dell mmagne (rghe della matrce) e C rappresenta le class effettvamente present al suolo (colonne della matrce) 3. R p R p C p C [9] 3 Il coeffcente k è utle per esprmere l grado d qualtà complessvo della classfcazone, n quanto rappresenta la dfferenza tra l accuratezza raggunta e quella che potrebbe essere ottenuta da una classfcazone completamente casuale dell mmagne: per esempo un coeffcente k d 0,8 sgnfca che l classfcatore non ha commesso l 82% degl error che una classfcazone random avrebbe generato.

17 Le assegnazon scorrette esegute da classfcator all nterno dell area osservata non sono n genere casual, ma spesso c è una dstnta dstrbuzone spazale degl error n funzone delle propretà del sensore, delle condzon al suolo o della presenza de pxel d confne, che possono essere spazalmente autocorrelat o rsentre d un mprecsa georeferenzazone (Steele et al., 1998). Sfortunatamente la matrce d confusone non fornsce nformazon crca la dstrbuzone degl error d classfcazone, anche se l mpego d tecnche geostatstche può rsultare utle nel rappresentarne la varazone spazale Rconoscmento d tre endmember Con l esecuzone delle prme classfcazon sull mmagne Quckbrd s è cercato d valutare la capactà dell algortmo SAM d rconoscere le aree d vegetazone d barena, n modo da mettere a punto un sstema d rappresentazone della complesstà della zonazone che fosse effcente ed affdable. La selezone d tre endmember (acqua, suolo e vegetazone) e l utlzzo d una sogla d separazone fra class d tpo multangolo (0,25 rad per l acqua, 0,06 per l suolo, 0,15 per la vegetazone) ha consentto d raggungere ottm rsultat d classfcazone (con un accuratezza complessva A par a 96,9% e un coeffcente k d 0,95 (fg.6.7)), com era prevedble date le notevol dfferenze d frma spettrale de tre endemember nel vsble e nel vcno nfrarosso (fg.6.8). I valor rportat nella matrce d confusone ndcano che la totaltà de pxel suolo è stata assegnata alla categora corretta, mentre l 3,8% d pxel d vegetazone e l 4,4% de pxel acqua sono stat classfcat come suolo, probablmente a causa d un eccessvo valore d angolo spettrale mpostato nella defnzone d questa categora.

18 Suolo Vegetazone Acqua Totale Non Classfcato Suolo 100 3,8 4,4 25,2 Vegetazone 0 96,2 0 53,5 Acqua ,5 21,3 Totale A = 96,9% k = 0,95 Fg.6.7: Classfcazone SAM e matrce d confusone con la selezone d tre endmembers. Barena d San Felce. Fg.6.8: Curve spettral d vegetazone, suolo e acqua: la dversa rflettanza delle tre categore Nel vsble e nel vcno nfrarosso ne consente la dstnzone nell mmagne multspettrale.

19 6.5.2 Rconoscmento d quattro endmember A = 85% k = 0,8008 Sarcocorna Spartna Suolo Lmonum Totale Non classfcato ,86 0,93 Sarcocorna 78, ,43 27,1 Spartna 21, ,57 24,3 Suolo ,86 23,36 Lmonum ,29 24,3 Totale Fg.6.9: Classfcazone SAM e matrce d confusone con la selezone d quattro endmember. Barena d San Felce. In fg.6.9 sono rportat rsultat della classfcazone eseguta con quattro endmember (suolo e aree d vegetazone a copertura omogenea maggore dell 80%) e angolo spettrale d 15, sull mmagne mascherata dall acqua. L ncertezza nella classfcazone delle aree test selezonate a terra n termn d accuratezza A e coeffcente k rsulta aumentata (par a 85% e 0,8 rspettvamente), ma s mantene ancora a lvell puttosto buon secondo le sogle ndcate da Foody (2002). L accuratezza mnore s nota nella stma d Lmonum sp., che n buona parte vene classfcato come Sarcocorna e Spartna spp., sebbene l ncertezza maggore rguard la categora Sarcocorna sp., che vene attrbuta alla classe Spartna sp. per l 21,8%

20 de pxel. Suolo e Spartna sp. rsultano nvece perfettamente dstngubl dalle altre class (accuratezza del 100%). Sembra qund esstere una certa dffcoltà nella dstnzone delle aree a Lmonum sp. da parte del sensore, che non ne dscrmna nettamente la frma spettrale, confondendola con quella d Sarcocorna sp. Tale crcostanza è probablmente da rcondurs al perodo d acquszone dell mmagne (metà maggo), quando ancora le pante d Lmonum narbonense non sono forte e sono rconoscbl solo dalla tpca rosetta basale, e alla vcnanza spazale che n genere caratterzza la presenza d queste due spece sulle barene. La stma della separabltà fra le class e la loro curva spettrale meda (fg.6.10 e 6.11) confermano rsultat ottenut: sebbene la dfferenza tra le categore Lmonum e Sarcocorna sa molto bassa, l tranng set scelto è comunque n grado d garantre una buona classfcazone anche d aree test che non sono perfettamente dstngubl tra loro, come dmostrano bass valor d separabltà rportat n tabella. 70 Jeffres Matusta Transf. Dverg. Sarcocorna e Lmonum 1,227 1,662 Spartna e Lmonum 1,988 2,000 Sarcocorna e Spartna 1,989 1,997 Sarcocorna e suolo 2,000 2,000 Suolo e Spartna 2,000 2,000 Suolo e Lmonum 2,000 2,000 Fg.6.10: Msure d dstanza fra le class e spettr med delle ROIs tranng set DN L Sa Sp s uo lo Fg.6.11: Msure d dstanza fra le class e spettr med delle ROIs test ses

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne

Metodi e Modelli per l Ottimizzazione Combinatoria Progetto: Metodo di soluzione basato su generazione di colonne Metod e Modell per l Ottmzzazone Combnatora Progetto: Metodo d soluzone basato su generazone d colonne Lug De Govann Vene presentato un modello alternatvo per l problema della turnazone delle farmace che

Dettagli

Introduzione al Machine Learning

Introduzione al Machine Learning Introduzone al Machne Learnng Note dal corso d Machne Learnng Corso d Laurea Magstrale n Informatca aa 2010-2011 Prof Gorgo Gambos Unverstà degl Stud d Roma Tor Vergata 2 Queste note dervano da una selezone

Dettagli

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA

Ministero della Salute D.G. della programmazione sanitaria --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA Mnstero della Salute D.G. della programmazone santara --- GLI ACC - L ANALISI DELLA VARIABILITÀ METODOLOGIA La valutazone del coeffcente d varabltà dell mpatto economco consente d ndvduare gl ACC e DRG

Dettagli

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione

Relazione funzionale e statistica tra due variabili Modello di regressione lineare semplice Stima puntuale dei coefficienti di regressione 1 La Regressone Lneare (Semplce) Relazone funzonale e statstca tra due varabl Modello d regressone lneare semplce Stma puntuale de coeffcent d regressone Decomposzone della varanza Coeffcente d determnazone

Dettagli

PARTE II LA CIRCOLAZIONE IDRICA

PARTE II LA CIRCOLAZIONE IDRICA PARTE II LA CIRCOLAZIONE IDRICA La acque d precptazone atmosferca che gungono al suolo scorrono n superfce o penetrano n profondtà dando orgne alla crcolazone, la quale subsce l nfluenza d molt fattor

Dettagli

Trigger di Schmitt. e +V t

Trigger di Schmitt. e +V t CORSO DI LABORATORIO DI OTTICA ED ELETTRONICA Scopo dell esperenza è valutare l ampezza dell steres d un trgger d Schmtt al varare della frequenza e dell ampezza del segnale d ngresso e confrontarla con

Dettagli

Variabili statistiche - Sommario

Variabili statistiche - Sommario Varabl statstche - Sommaro Defnzon prelmnar Statstca descrttva Msure della tendenza centrale e della dspersone d un campone Introduzone La varable statstca rappresenta rsultat d un anals effettuata su

Dettagli

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari

Capitolo 3 Covarianza, correlazione, bestfit lineari e non lineari Captolo 3 Covaranza, correlazone, bestft lnear e non lnear ) Covaranza e correlazone Ad un problema s assoca spesso pù d una varable quanttatva (es.: d una persona possamo determnare peso e altezza, oppure

Dettagli

Università degli Studi di Urbino Facoltà di Economia

Università degli Studi di Urbino Facoltà di Economia Unverstà degl Stud d Urbno Facoltà d Economa Lezon d Statstca Descrttva svolte durante la prma parte del corso d corso d Statstca / Statstca I A.A. 004/05 a cura d: F. Bartolucc Lez. 8/0/04 Statstca descrttva

Dettagli

Concetti principale della lezione precedente

Concetti principale della lezione precedente Corso d Statstca medca e applcata 6 a Lezone Dott.ssa Donatella Cocca Concett prncpale della lezone precedente I concett prncpal che sono stat presentat sono: I fenomen probablstc RR OR ROC-curve Varabl

Dettagli

Capitolo 6 Risultati pag. 468. a) Osmannoro. b) Case Passerini c) Ponte di Maccione

Capitolo 6 Risultati pag. 468. a) Osmannoro. b) Case Passerini c) Ponte di Maccione Captolo 6 Rsultat pag. 468 a) Osmannoro b) Case Passern c) Ponte d Maccone Fgura 6.189. Confronto termovalorzzatore-sorgent dffuse per l PM 10. Il contrbuto del termovalorzzatore alle concentrazon d PM

Dettagli

CAPITOLO 3 Incertezza di misura Pagina 26

CAPITOLO 3 Incertezza di misura Pagina 26 CAPITOLO 3 Incertezza d msura Pagna 6 CAPITOLO 3 INCERTEZZA DI MISURA Le operazon d msurazone sono tutte nevtablmente affette da ncertezza e coè da un grado d ndetermnazone con l quale l processo d msurazone

Dettagli

Economia del Settore Pubblico 97. Economia del Settore Pubblico 99. Quale indice di diseguaglianza usare? il rapporto interdecilico PROBLEMA:

Economia del Settore Pubblico 97. Economia del Settore Pubblico 99. Quale indice di diseguaglianza usare? il rapporto interdecilico PROBLEMA: Economa del Settore Pubblco Laura Vc laura.vc@unbo.t www.dse.unbo.t/lvc/edsp_.htm LEZIONE 4 Rmn, 9 aprle 008 Economa del Settore Pubblco 96 I prncpal ndc d dseguaglanza: ndc d entropa generalzzata Isprata

Dettagli

LEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz

LEZIONE 2 e 3. La teoria della selezione di portafoglio di Markowitz LEZIONE e 3 La teora della selezone d portafoglo d Markowtz Unverstà degl Stud d Bergamo Premessa Unverstà degl Stud d Bergamo Premessa () È puttosto frequente osservare come gl nvesttor tendano a non

Dettagli

Capitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS

Capitolo 7. La «sintesi neoclassica» e il modello IS-LM. 2. La curva IS Captolo 7 1. Il modello IS-LM La «sntes neoclassca» e l modello IS-LM Defnzone: ndvdua tutte le combnazon d reddto e saggo d nteresse per le qual l mercato de ben (curva IS) e l mercato della moneta (curva

Dettagli

STATISTICA DESCRITTIVA CON EXCEL

STATISTICA DESCRITTIVA CON EXCEL STATISTICA DESCRITTIVA CON EXCEL Corso d CPS - II parte: Statstca Laurea n Informatca Sstem e Ret 2004-2005 1 Obettv della lezone Introduzone all uso d EXCEL Statstca descrttva Utlzzo dello strumento:

Dettagli

LA COMPATIBILITA tra due misure:

LA COMPATIBILITA tra due misure: LA COMPATIBILITA tra due msure: 0.4 Due msure, supposte affette da error casual, s dcono tra loro compatbl quando la loro dfferenza può essere rcondotta ad una pura fluttuazone statstca attorno al valore

Dettagli

L AUTORITÀ PER L ENERGIA ELETTRICA E IL GAS

L AUTORITÀ PER L ENERGIA ELETTRICA E IL GAS Delberazone 20 ottobre 2004 Approvazone delle condzon general d accesso e d erogazone del servzo d rgassfcazone d gnl predsposte dalla socetà Gnl Itala Spa (delberazone n. 184/04) L AUTORITÀ PER L ENERGIA

Dettagli

Calcolo delle Probabilità

Calcolo delle Probabilità alcolo delle Probabltà Quanto è possble un esto? La verosmglanza d un esto è quantfcata da un numero compreso tra 0 e. n partcolare, 0 ndca che l esto non s verfca e ndca che l esto s verfca senza dubbo.

Dettagli

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 -

PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE. (Metodo delle Osservazioni Indirette) - 1 - PROCEDURA INFORMATIZZATA PER LA COMPENSAZIONE DELLE RETI DI LIVELLAZIONE (Metodo delle Osservazon Indrette) - - SPECIFICHE DI CALCOLO Procedura software per la compensazone d una rete d lvellazone collegata

Dettagli

Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE. Prof. Dario Amodio d.amodio@univpm.it. Ing. Gianluca Chiappini g.chiappini@univpm.

Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE. Prof. Dario Amodio d.amodio@univpm.it. Ing. Gianluca Chiappini g.chiappini@univpm. Corso AFFIDABILITÀ DELLE COSTRUZIONI MECCANICHE Prof. Daro Amodo d.amodo@unvpm.t Ing. Ganluca Chappn g.chappn@unvpm.t http://www.dpmec.unvpm.t/costruzone/home.htm (Ddattca/Dspense) Testo d rfermento: Stefano

Dettagli

GLI ERRORI SPERIMENTALI NELLE MISURE DI LABORATORIO

GLI ERRORI SPERIMENTALI NELLE MISURE DI LABORATORIO GLI ERRORI SPERIMETALI ELLE MISURE DI LABORATORIO MISURA DI UA GRADEZZA FISICA S defnsce grandezza fsca una propretà de corp sulla quale possa essere eseguta un operazone d msura. Msurare una grandezza

Dettagli

Dati di tipo video. Indicizzazione e ricerca video

Dati di tipo video. Indicizzazione e ricerca video Corso d Laurea n Informatca Applcata Unverstà d Urbno Dat d tpo vdeo I dat vdeo sono generalmente rcch dal punto d vsta nformatvo. Sottottol (testo) Colonna sonora (audo parlato e/o musca) Frame (mmagn

Dettagli

Corso di Statistica (canale P-Z) A.A. 2009/10 Prof.ssa P. Vicard

Corso di Statistica (canale P-Z) A.A. 2009/10 Prof.ssa P. Vicard Corso d Statstca (canale P-Z) A.A. 2009/0 Prof.ssa P. Vcard VALORI MEDI Introduzone Con le dstrbuzon e le rappresentazon grafche abbamo effettuato le prme sntes de dat. E propro osservando degl stogramm

Dettagli

Soluzione attuale ONCE A YEAR. correlation curve (ISO10155) done with, at least 9 parallel measurements

Soluzione attuale ONCE A YEAR. correlation curve (ISO10155) done with, at least 9 parallel measurements Torna al programma Sstema per la garanza della qualtà ne sstem automatc d msura alle emsson: applcazone del progetto d norma pren 14181:2003. Rsultat dell esperenza n campo presso due mpant plota. Cprano

Dettagli

Strutture deformabili torsionalmente: analisi in FaTA-E

Strutture deformabili torsionalmente: analisi in FaTA-E Strutture deformabl torsonalmente: anals n FaTA-E Il comportamento dsspatvo deale è negatvamente nfluenzato nel caso d strutture deformabl torsonalmente. Nelle Norme Tecnche cò vene consderato rducendo

Dettagli

Apprendimento Automatico e IR: introduzione al Machine Learning

Apprendimento Automatico e IR: introduzione al Machine Learning Apprendmento Automatco e IR: ntroduzone al Machne Learnng MGRI a.a. 2007/8 A. Moschtt, R. Basl Dpartmento d Informatca Sstem e produzone Unverstà d Roma Tor Vergata mal: {moschtt,basl}@nfo.unroma2.t 1

Dettagli

Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi

Regressione Multipla e Regressione Logistica: concetti introduttivi ed esempi Regressone Multpla e Regressone Logstca: concett ntroduttv ed esemp I Edzone ottobre 014 Vncenzo Paolo Senese vncenzopaolo.senese@unna.t Indce Note prelmnar alla I edzone 1 Regressone semplce e multpla

Dettagli

DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2

DBMS multimediali A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal A L B E R T O B E L U S S I B A S I D I D A T I A N N O A C C A D E M I C O 2 0 1 1 / 2 0 1 2 DBMS multmedal Def: Sono DBMS che consentono d memorzzare e recuperare dat d natura multmedale:

Dettagli

Manuale di istruzioni Manual de Instruções Millimar C1208 /C 1216

Manuale di istruzioni Manual de Instruções Millimar C1208 /C 1216 Manuale d struzon Manual de Instruções Mllmar C1208 /C 1216 Mahr GmbH Carl-Mahr-Str. 1 D-37073 Göttngen Telefon +49 551 7073-0 Fax +49 551 Cod. ord. Ultmo aggornamento Versone 3757474 15.02.2007 Valda

Dettagli

Questo è il secondo di una serie di articoli, di

Questo è il secondo di una serie di articoli, di DENTRO LA SCATOLA Rubrca a cura d Fabo A. Schreber Il Consglo Scentfco della rvsta ha pensato d attuare un nzatva culturalmente utle presentando n ogn numero d Mondo Dgtale un argomento fondante per l

Dettagli

FORMAZIONE ALPHAITALIA

FORMAZIONE ALPHAITALIA ALPHAITALIA PAG. 1 DI 13 FORMAZIONE ALPHAITALIA IL SISTEMA DI GESTIONE PER LA QUALITA Quadro ntroduttvo ALPHAITALIA PAG. 2 DI 13 1. DEFINIZIONI QUALITA Grado n cu un nseme d caratterstche ntrnseche soddsfa

Dettagli

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse

Lezione 10. L equilibrio del mercato finanziario: la struttura dei tassi d interesse Lezone 1. L equlbro del mercato fnanzaro: la struttura de tass d nteresse Ttol con scadenza dversa hanno prezz (e tass d nteresse) dfferent. Due ttol d durata dversa emess dallo stesso soggetto (stesso

Dettagli

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII

RETI TELEMATICHE Lucidi delle Lezioni Capitolo VII Prof. Guseppe F. Ross E-mal: guseppe.ross@unpv.t Homepage: http://www.unpv.t/retcal/home.html UNIVERSITA' DEGLI STUDI DI PAVIA Facoltà d Ingegnera A.A. 2011/12 - I Semestre - Sede PV RETI TELEMATICHE Lucd

Dettagli

1. Una panoramica sui metodi valutativi

1. Una panoramica sui metodi valutativi . Una panoramca su metod valutatv La dottrna azendalstca rconosce l esstenza d var metod att a determnare l valore del captale economco d un mpresa. In partcolare, è possble ndvduare tre macro-tpologe

Dettagli

Indicatori di rendimento per i titoli obbligazionari

Indicatori di rendimento per i titoli obbligazionari Indcator d rendmento per ttol obblgazonar LA VALUTAZIONE DEGLI INVESTIMENTI A TASSO FISSO Per valutare la convenenza d uno strumento fnanzaro è necessaro precsare: /4 Le specfche esgenze d un nvesttore

Dettagli

MODELLO SPEDITIVO PER LA PREVISIONE DELLA DISPONIBILITÀ IDRICA NEL BACINO DEL PO IN PERIODI DI SICCITA

MODELLO SPEDITIVO PER LA PREVISIONE DELLA DISPONIBILITÀ IDRICA NEL BACINO DEL PO IN PERIODI DI SICCITA U.O. Protezone Cvle MODELLO SPEDITIVO PER LA PREVISIONE DELLA DISPONIBILITÀ IDRICA NEL BACINO DEL PO IN PERIODI DI SICCITA Centro Funzonale Component del gruppo d lavoro: Nomnatvo Ente Tel. Fax Ing. Maurzo

Dettagli

A. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO

A. AUMENTO DELLA SPESA PUBBLICA FINANZIATO ESCLUSIVAMENTE TRAMITE INDEBITAMENTO 4. SCHMI ALTRNATIVI DI FINANZIAMNTO DLLA SPSA PUBBLICA. Se l Governo decde d aumentare la Spesa Pubblca G (o Trasferment TR), allora deve anche reperre fond necessar per fnanzare questa sua maggore spesa.

Dettagli

RELAZIONE TECNICA. Introduzione. 1 Finalità e requisiti delle attività di dispacciamento nel mercato elettrico liberalizzato

RELAZIONE TECNICA. Introduzione. 1 Finalità e requisiti delle attività di dispacciamento nel mercato elettrico liberalizzato Allegato n. 1 a Prot AU/01/130 RELAZIONE TECNICA PRESUPPOSTI PER L ADOZIONE DI SCHEMA DI CONDIZIONI PER L EROGAZIONE DEL PUBBLICO SERVIZIO DI DISPACCIAMENTO DELL ENERGIA ELETTRICA SUL TERRITORIO NAZIONALE

Dettagli

Induzione elettromagnetica

Induzione elettromagnetica Induzone elettromagnetca L esperenza d Faraday L'effetto d produzone d corrente elettrca n un crcuto prvo d generatore d tensone fu scoperto dal fsco nglese Mchael Faraday nel 83. Egl studò la relazone

Dettagli

Calibrazione. Lo strumento idealizzato

Calibrazione. Lo strumento idealizzato Calbrazone Come possamo fdarc d uno strumento? Abbamo bsogno d dentfcare l suo funzonamento n condzon controllate. L dentfcazone deve essere razonalmente organzzata e condvsa n termn procedural: s tratta

Dettagli

Corso di laurea in Economia marittima e dei trasporti

Corso di laurea in Economia marittima e dei trasporti Unverstà degl stud d Genova Corso d laurea n Economa marttma e de trasport Il problema del cammno mnmo n ret multobettvo Relatrce: Anna Scomachen Canddato: Slvo Vlla Dedcato a: Coloro che n me Hanno sempre

Dettagli

MACROECONOMIA A.A. 2014/2015

MACROECONOMIA A.A. 2014/2015 MACROECONOMIA A.A. 2014/2015 ESERCITAZIONE 2 MERCATO MONETARIO E MODELLO /LM ESERCIZIO 1 A) Un economa sta attraversando un perodo d profonda crs economca. Le banche decdono d aumentare la quota d depost

Dettagli

Relazioni tra variabili: Correlazione e regressione lineare

Relazioni tra variabili: Correlazione e regressione lineare Dott. Raffaele Casa - Dpartmento d Produzone Vegetale Modulo d Metodologa Spermentale Febbrao 003 Relazon tra varabl: Correlazone e regressone lneare Anals d relazon tra varabl 6 Produzone d granella (kg

Dettagli

Calcolo della caduta di tensione con il metodo vettoriale

Calcolo della caduta di tensione con il metodo vettoriale Calcolo della caduta d tensone con l metodo vettorale Esempo d rete squlbrata ed effett del neutro nel calcolo. In Ampère le cadute d tensone sono calcolate vettoralmente. Per ogn utenza s calcola la caduta

Dettagli

Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc.. 2006/2007

Fondamenti di Visione Artificiale (Seconda Parte) Corso di Robotica Prof.ssa Giuseppina Gini Anno Acc.. 2006/2007 Fondament d Vsone Artfcale (Seconda Parte PhD. Ing. Mchele Folgherater Corso d Robotca Prof.ssa Guseppna Gn Anno Acc.. 006/007 Caso Bdmensonale el caso bdmensonale, per ndvduare punt d contorno degl oggett

Dettagli

DATA MINING E CLUSTERING

DATA MINING E CLUSTERING Captolo 4 DATA MINING E CLUSTERING 4. Che cos'è l Data Mnng Per Data Mnng s'ntende quel processo d estrazone d conoscenza da banche dat, tramte l'applcazone d algortm che ndvduano le assocazon non mmedatamente

Dettagli

10-7-2009. GAZZETTA UFFICIALE DELLA REPUBBLICA ITALIANA Serie generale - n. 158. ALLEGATO 1 (Allegato A, paragrafo 2)

10-7-2009. GAZZETTA UFFICIALE DELLA REPUBBLICA ITALIANA Serie generale - n. 158. ALLEGATO 1 (Allegato A, paragrafo 2) ALLEGATO 1 (Allegato A, paragrafo 2) Indcazon per l calcolo della prestazone energetca d edfc non dotat d mpanto d clmatzzazone nvernale e/o d produzone d acqua calda santara 1. In assenza d mpant termc,

Dettagli

InfoCenter Product A PLM Application

InfoCenter Product A PLM Application genes d un fra o Gestone de crcolazone dell'nformazone sa crcoscrtta entro Pdetermnat ambt settoral. L'ntegrazone de sstem e de odpartment azendal rchede nuove modaltà operatve, nuove t competenze e nuov

Dettagli

LA RETE DINAMICA NAZIONALE (RDN) ED IL NUOVO SISTEMA DI RIFERIMENTO ETRF2000

LA RETE DINAMICA NAZIONALE (RDN) ED IL NUOVO SISTEMA DI RIFERIMENTO ETRF2000 LA RETE DINAMICA NAZIONALE (RDN) ED IL NUOVO SISTEMA DI RIFERIMENTO ETRF2000 L. Baron, F. Caul, D. Donatell, G. Farolf, R. Maserol, Servzo Geodetco - Isttuto geografco Mltare - Frenze 1. Premessa La Rete

Dettagli

Modello idraulico - Rapporto tecnico. (Rev. 0b)

Modello idraulico - Rapporto tecnico. (Rev. 0b) ASAP LIFE06/ENV/IT/000255 ASAP_D4-3_ModelloIdraulcoRappTecnco_IT_0b 1/20 LIFE06/ENV/IT/255 A.S.A.P. Actons for Systemc Aqufer Protecton The ASAP proect s partally funded by the European Unon LIFE Programme

Dettagli

9.6 Struttura quaternaria

9.6 Struttura quaternaria 9.6 Struttura quaternara L'ultmo lvello strutturale é la struttura quaternara. Non per tutte le protene è defnble una struttura quaternara. Infatt l esstenza d una struttura quaternara é condzonata alla

Dettagli

Grafico di una serie di dati sperimentali in EXCEL

Grafico di una serie di dati sperimentali in EXCEL Grafco d una sere d dat spermental n EXCEL 1. Inseramo sulla prma rga l ttolo che defnsce l contenuto del foglo. Po nseramo su un altra rga valor spermental della x e su quella successva valor della y.

Dettagli

ANALISI DELLA SICUREZZA STRUTTURALE DI UN EDIFICIO DI C.A. SITO IN PERUGIA

ANALISI DELLA SICUREZZA STRUTTURALE DI UN EDIFICIO DI C.A. SITO IN PERUGIA ANALISI DELLA SICUREZZA STRUTTURALE DI UN EDIFICIO DI C.A. SITO IN PERUGIA Annbale Lug MATERAZZI Straordnaro d Progetto d Strutture Dpartmento d Ingegnera Cvle e Ambentale. Unverstà d Peruga Marco BRECCOLOTTI

Dettagli

Fondamenti di Fisica Acustica

Fondamenti di Fisica Acustica Fondament d Fsca Acustca Pro. Paolo Zazzn - DSSARR Archtettura Pescara Anals n requenza de segnal sonor, bande d ottava e terz d ottava. Rumore banco e rumore rosa. Lvello equvalente. Fsologa dell apparato

Dettagli

Elementi di linear discriminant analysis per la classificazione e il posizionamento nelle ricerche di marketing

Elementi di linear discriminant analysis per la classificazione e il posizionamento nelle ricerche di marketing http://www.mauroennas.eu Element d lnear dscrmnant analyss per la classfcazone e l poszonamento nelle rcerche d maretng Mauro Ennas Lnear Dscrmnant Analyss http://www.mauroennas.eu ADL_fnale_confronto_Ecel.sav

Dettagli

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE

I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE Facoltà d Economa Valutazone de prodott e dell mpresa d asscurazone I MODELLI MULTISTATO PER LE ASSICURAZIONI DI PERSONE Clauda Colucc Letza Monno Gordano Caporal Martna Ragg I Modell Multstato sono un

Dettagli

Soluzioni per lo scarico dati da tachigrafo innovativi e facili da usare. http://dtco.it

Soluzioni per lo scarico dati da tachigrafo innovativi e facili da usare. http://dtco.it Soluzon per lo scarco dat da tachgrafo nnovatv e facl da usare http://dtco.t Downloadkey II Moble Card Reader Card Reader Downloadtermnal DLD Short Range and DLD Wde Range Qual soluzon ho a dsposzone per

Dettagli

Il pendolo di torsione

Il pendolo di torsione Unverstà degl Stud d Catana Facoltà d Scenze MM.FF.NN. Corso d aurea n FISICA esna d ABORAORIO DI FISICA I Il pendolo d torsone (sezone costante) Moreno Bonaventura Anno Accademco 005/06 Introduzone. I

Dettagli

Dispense dell insegnamento di Laboratorio di GIS per la pianificazione

Dispense dell insegnamento di Laboratorio di GIS per la pianificazione Facoltà d Archtettura e Socetà Facoltà d Ingegnera Cvle, Ambentale e Terrtorale Centro per lo Svluppo del Polo d Cremona, Poltecnco d Mlano Va Sesto 41 26100 Cremona Master unverstaro nterfacoltà d II

Dettagli

LE CARTE DI CONTROLLO

LE CARTE DI CONTROLLO ITIS OMAR Dpartento d Meccanca LE CARTE DI CONTROLLO Carte d Controllo Le carte d controllo rappresentano uno degl struent pù portant per l controllo statstco d qualtà. La carta d controllo è corredata

Dettagli

Analisi statistica di dati biomedici Analysis of biologicalsignals

Analisi statistica di dati biomedici Analysis of biologicalsignals Anals statstca d dat bomedc Analyss of bologcalsgnals I Parte Inferenza statstca Agostno Accardo (accardo@unts.t) Master n Ingegnera Clnca LM Neuroscenze 2013-2014 e segg. Altman Practcal statstcs for

Dettagli

PROGETTAZIONE PER IL DISASSEMBLAGGIO: APPLICAZIONE DI RETI NEURALI PER L ANALISI DELLA PROFONDITA DI SMONTAGGIO

PROGETTAZIONE PER IL DISASSEMBLAGGIO: APPLICAZIONE DI RETI NEURALI PER L ANALISI DELLA PROFONDITA DI SMONTAGGIO XIII ADM - XV INGEGRAF Internatonal Conference on TOOLS AND METHODS EVOLUTION IN ENGINEERING DESIGN Cassno, June 3 rd, 2003 Napol, June 4 th and June 6 th, 2003 Salerno, June 5 th, 2003 PROGETTAZIONE PER

Dettagli

Corso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita

Corso di laurea in Ingegneria Meccatronica. DINAMICI CA - 04 ModiStabilita Automaton Robotcs and System CONTROL Unverstà degl Stud d Modena e Reggo Emla Corso d laurea n Ingegnera Meccatronca MODI E STABILITA DEI SISTEMI DINAMICI CA - 04 ModStablta Cesare Fantuzz (cesare.fantuzz@unmore.t)

Dettagli

MODELLISTICA DI SISTEMI DINAMICI

MODELLISTICA DI SISTEMI DINAMICI CONTROLLI AUTOMATICI Ingegnera Gestonale http://www.automazone.ngre.unmore.t/pages/cors/controllautomatcgestonale.htm MODELLISTICA DI SISTEMI DINAMICI Ing. Federca Gross Tel. 059 2056333 e-mal: federca.gross@unmore.t

Dettagli

PREVEDERE IL CHURN: UN APPROCCIO LONGITUDINALE

PREVEDERE IL CHURN: UN APPROCCIO LONGITUDINALE UNIVERSITÀ DEGLI STUDI DI PADOVA FACOLTÀ DI SCIENZE STATISTICHE CORSO DI LAUREA SPECIALISTICA IN SCIENZE STATISTICHE, ECONOMICHE, FINANZIARIE E AZIENDALI PREVEDERE IL CHURN: UN APPROCCIO LONGITUDINALE

Dettagli

Dipartimento di Elettronica Informatica e Sistemistica Università di Bologna. Sistemi radiomobili cellulari

Dipartimento di Elettronica Informatica e Sistemistica Università di Bologna. Sistemi radiomobili cellulari Dpartmento d Elettronca Unverstà d Bologna Sstem radomobl cellular Le comuncazon radomobl Satellte Zona 4: Globale Zona 3: Suburbana Zona 2: Urbana Zona 1: In-Buldng Macro-Cell Mcro-Cell Pco-Cell Telefono

Dettagli

IL FINANZIAMENTO DELLA SANITÀ IN ITALIA: FINANZA AUTONOMA O DERIVATA?

IL FINANZIAMENTO DELLA SANITÀ IN ITALIA: FINANZA AUTONOMA O DERIVATA? WORKIG PAPER o 68 febbrao 2009 IL FIAZIAMETO DELLA SAITÀ I ITALIA: FIAZA AUTOOMA O DERIVATA? AGESE SACCHI JEL Classfcaton: H5, H75, H77 Keywords: Sstema santaro nazonale Federalsmo fscale socetà talana

Dettagli

Il Ministro delle Infrastrutture e dei Trasporti

Il Ministro delle Infrastrutture e dei Trasporti Il Mnstro delle Infrastrutture e de Trasport VISTO l decreto legslatvo 30 aprle 1992, n. 285, come da ultmo modfcato dal decreto legslatvo 18 aprle 2011, n. 59, recante Attuazone delle drettve 2006/126/CE

Dettagli

MATERIALE PER IL CORSO DI INDAGINI E STATISTICHE PER IL TURISMO NON DIFFONDERE DA PERCORSI DI RICERCA SOCIALE (a cura di L.

MATERIALE PER IL CORSO DI INDAGINI E STATISTICHE PER IL TURISMO NON DIFFONDERE DA PERCORSI DI RICERCA SOCIALE (a cura di L. MATERIALE PER IL CORSO DI INDAGINI E STATISTICHE PER IL TURISMO NON DIFFONDERE DA PERCORSI DI RICERCA SOCIALE (a cura d L.Bernard) 3.3. Dsegn d camponamento d Lorenzo Bernard 3.3.1. Una defnzone per ntrodurre

Dettagli

UNA RASSEGNA SUI METODI DI STIMA DEL VALUE

UNA RASSEGNA SUI METODI DI STIMA DEL VALUE UNA RASSEGNA SUI METODI DI STIMA DEL VALUE at RISK (VaR) Chara Pederzol - Costanza Torrcell Dpartmento d Economa Poltca - Unverstà degl Stud d Modena e Reggo Emla Marzo 999 INDICE Introduzone. Il concetto

Dettagli

Il Ministro delle Infrastrutture e dei Trasporti

Il Ministro delle Infrastrutture e dei Trasporti Il Mnstro delle Infrastrutture e de Trasport VISTO l decreto legslatvo 30 aprle 1992, n. 285, come da ultmo modfcato dal decreto legslatvo 18 aprle 2011, n. 59, recante Attuazone delle drettve 2006/126/CE

Dettagli

METODI BAYESIANI PER IL CONTROLLO STATISTICO DI QUALITA

METODI BAYESIANI PER IL CONTROLLO STATISTICO DI QUALITA Unverstà degl Stud d Bresca Poltecnco d Mlano Unverstà degl Stud d Pava Unverstà degl Stud d Lecce Dottorato d Rcerca n TECNOLOGIE E SISTEMI DI LAVORAZIONE XII CICLO METODI BAYESIANI PER IL CONTROLLO STATISTICO

Dettagli

Il patrimonio informativo aziendale come supporto alle attività di marketing

Il patrimonio informativo aziendale come supporto alle attività di marketing Unverstà degl Stud d RomaTre - Facoltà d Economa Corso d Rcerche d Marketng Il patrmono nformatvo azendale come supporto alle attvtà d marketng ng. Stefano Cazzella stefano.cazzella@datamat.t Agenda La

Dettagli

Errori nel Posizionamento Satellitare

Errori nel Posizionamento Satellitare Error nel Poszonamento Satelltare Tpologe Casual Sstematc o d Modello D Osservazone L accuratezza è stmata come l 1% della lunghezza d onda (Regola Emprca). Codce C/A: ±3 m; Codce P: ±0,3 m; Portant L1,

Dettagli

Economia del Lavoro. Argomenti del corso

Economia del Lavoro. Argomenti del corso Economa del Lavoro Argoment del corso Studo del funzonamento del mercato del lavoro. In partcolare, l anals economca nerente l comportamento d: a) lavorator, b) mprese, c) sttuzon nel processo d determnazone

Dettagli

DALLA TEORIA DEGLI ERRORI AL TRATTAMENTO DEI DATI

DALLA TEORIA DEGLI ERRORI AL TRATTAMENTO DEI DATI Captolo - Dalla teora degl error al trattamento de dat DALLA TEORIA DEGLI ERRORI AL TRATTAMENTO DEI DATI LA MISURA DELLE GRANDEZZE Nel descrere fenomen, occorre da un lato elaborare de modell (coè delle

Dettagli

Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena

Controllo e scheduling delle operazioni. Paolo Detti Dipartimento di Ingegneria dell Informazione Università di Siena Controllo e schedulng delle operazon Paolo Dett Dpartmento d Ingegnera dell Informazone Unverstà d Sena Organzzazone della produzone PRODOTTO che cosa ch ORGANIZZAZIONE PROCESSO come FLUSSO DI PRODUZIONE

Dettagli

La rappresentazione dei numeri. La rappresentazione dei numeri. Aritmetica dei calcolatori. La rappresentazione dei numeri

La rappresentazione dei numeri. La rappresentazione dei numeri. Aritmetica dei calcolatori. La rappresentazione dei numeri Artmetca de calcolator Rappresentazone de numer natural e relatv Addzone e sommator: : a propagazone d rporto, veloce, con segno Moltplcazone e moltplcator: senza segno, con segno e algortmo d Booth Rappresentazone

Dettagli

Capitolo 2 Dati e Tabelle

Capitolo 2 Dati e Tabelle Captolo 2 Dat e Tabelle La Descrzone della Popolazone La descrzone d una popolazone passa attraverso due fas: 1. la formazone de dat statstc 2. la sntes de dat La formazone del dato statstco prevede: ()

Dettagli

Newsletter "Lean Production" Autore: Dott. Silvio Marzo

Newsletter Lean Production Autore: Dott. Silvio Marzo Il concetto d "Produzone Snella" (Lean Producton) s sta rapdamente mponendo come uno degl strument pù modern ed effcac per garantre alle azende la flessbltà e la compettvtà che l moderno mercato rchede.

Dettagli

ELEMENTI DI STATISTICA PARTE 1

ELEMENTI DI STATISTICA PARTE 1 ELEMETI DI STATISTICA PARTE. ITRODUZIOE. La parola statstca. Cenn storc.3 Gl studos.4 La statstca moderna.5 Le font statstche. DEFIIZIOI 3. Una defnzone d statstca 3. I fenomen collettv 3.3 Untà statstche,

Dettagli

ROBOTS A CINEMATICA RIDONDANTE: NUOVI SVILUPPI CONSENTITI DAGLI AZIONAMENTI DIRETTI E DAGLI ALGORITMI DI CONTROLLO GENETICI

ROBOTS A CINEMATICA RIDONDANTE: NUOVI SVILUPPI CONSENTITI DAGLI AZIONAMENTI DIRETTI E DAGLI ALGORITMI DI CONTROLLO GENETICI ROBOTS A CINEMATICA RIDONDANTE: NUOVI SVILUPPI CONSENTITI DAGLI AZIONAMENTI DIRETTI E DAGLI ALGORITMI DI CONTROLLO GENETICI R. Fagla (*), M. Flppn (**), A. Zappon (***) (*)Dp. Ing. Meccanca Unv. degl Stud

Dettagli

Edifici a basso consumo energetico: tra ZEB e NZEB

Edifici a basso consumo energetico: tra ZEB e NZEB Edfc a basso consumo energetco: tra ZEB e NZEB Prof. Ing. Percarlo Romagnon Dpartmento d Progettazone e Panfcazone n Ambent Compless Unverstà IUAV d Veneza Dorsoduro 2206 30123 Veneza perca@uav.t Modell

Dettagli

2 Modello IS-LM. 2.1 Gli e etti della politica monetaria

2 Modello IS-LM. 2.1 Gli e etti della politica monetaria 2 Modello IS-LM 2. Gl e ett della poltca monetara S consderun modello IS-LM senzastatocon seguent datc = 0:8, I = 00( ), L d = 0:5 500, M s = 00 e P =. ) S calcolno valor d equlbro del reddto e del tasso

Dettagli

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni:

Analisi ammortizzata. Illustriamo il metodo con due esempi. operazioni su di una pila Sia P una pila di interi con le solite operazioni: Anals ammortzzata Anals ammortzzata S consdera l tempo rchesto per esegure, nel caso pessmo, una ntera sequenza d operazon. Se le operazon costose sono relatvamente meno frequent allora l costo rchesto

Dettagli

8.1 Sintesi, descrizione, interpretazione

8.1 Sintesi, descrizione, interpretazione 8.1 Sntes, descrzone, nterpretazone Molte duse tecnche d anals statstca multvarata consentono d studare smultaneamente un numero elevato d varabl sntetzzandone l azone snergca attraverso un numero rdotto

Dettagli

Approfondimenti disciplinari

Approfondimenti disciplinari UNIVERSITÁ DEGLI STUDI DI FERRARA CORSO SPECIALE ABILITANTE anno accademco 2006/2007 CORSO DI: Approfondment dscplnar UNITÁ DIDATTICA DELLA CLASSE A049 LA PROBABILITA DOCENTE: PROF. BERNARDI EROS TITOLO:

Dettagli

Codice di Stoccaggio Capitolo 7 Bilanciamento e reintegrazione dello stoccaggio

Codice di Stoccaggio Capitolo 7 Bilanciamento e reintegrazione dello stoccaggio Codce d Stoccaggo Captolo 7 Blancamento e rentegrazone dello stoccaggo 7.4 Corrspettv per servz d stoccaggo L UTENTE è tenuto a corrspondere a STOGIT, per la prestazone de servz, gl mport dervant dall

Dettagli

EH SmartView. Una SmartView sui rischi e sulle opportunità. Servizio di monitoraggio dell assicurazione del credito. www.eulerhermes.

EH SmartView. Una SmartView sui rischi e sulle opportunità. Servizio di monitoraggio dell assicurazione del credito. www.eulerhermes. EH SmartVew Servz Onlne d Euler Hermes Una SmartVew su rsch e sulle opportuntà Servzo d montoraggo dell asscurazone del credto www.eulerhermes.t Cos è EH SmartVew? EH SmartVew è l servzo d Euler Hermes

Dettagli

Bonus Cap Certificates con sottostante Allianz SE, AXA SA, Assicurazioni Generali S.p.A.

Bonus Cap Certificates con sottostante Allianz SE, AXA SA, Assicurazioni Generali S.p.A. Bonus Cap Certfcates con sottostante Allanz SE, AXA SA, Asscurazon General S.p.A. Dal 7 febbrao fno al 1 marzo solo su ISIN: DE000HV8AKJ8 Sottostante: Allanz SE, AXA SA, Asscurazon General S.p.A. Scadenza:

Dettagli

DECRETA. ART. 3 Il compenso per l attività di collaborazione è fissato in 1.095,00 esente dall imposta sul reddito delle persone fisiche.

DECRETA. ART. 3 Il compenso per l attività di collaborazione è fissato in 1.095,00 esente dall imposta sul reddito delle persone fisiche. BANDO PER n. 64 BORSE DI COLLABORAZIONE PER IL SUPPORTO PRESSO IL C.I.A.O. DELL UNIVERSITA DEGLI STUDI DI ROMA LA SAPIENZA NEL PERIODO DA SETTEMBRE 2010 A FINE GENNAIO 2011 000280 IL RETTORE VISTO VISTO

Dettagli

Divagazioni in margine all Introduzione alla Probabilità di P. Baldi A. Visintin Facoltà di Ingegneria di Trento a.a. 2010-11

Divagazioni in margine all Introduzione alla Probabilità di P. Baldi A. Visintin Facoltà di Ingegneria di Trento a.a. 2010-11 Dvagazon n margne all Introduzone alla Probabltà d P. Bald A. Vsntn Facoltà d Ingegnera d Trento a.a. 2010-11 Indce 1. Statstca descrttva. 2. Spaz d probabltà e calcolo combnatoro. 3. Varabl aleatore dscrete.

Dettagli

Markov Random Field. Teoria e applicabilità nell elaborazione delle immagini. Giovanni Bianco. Febbraio 1998. 20 i

Markov Random Field. Teoria e applicabilità nell elaborazione delle immagini. Giovanni Bianco. Febbraio 1998. 20 i Markov Random Feld Teora e applcabltà nell elaborazone delle mmagn U ( f) = v [ 1 δ( )] 20 S N f f f * = arg mn f F { U( d f) + U( f) } Govann Banco Febbrao 1998 2 Manoscrtto depostato presso l Dp. d Ingegnera

Dettagli

La tua area riservata Organizzazione Semplicità Efficienza

La tua area riservata Organizzazione Semplicità Efficienza Rev. 07/2012 La tua area rservata Organzzazone Semplctà Effcenza www.vstos.t La tua area rservata 1 MyVstos MyVstos è la pattaforma nformatca rservata a rvendtor Vstos che consente d verfcare la dsponbltà

Dettagli

Verifica di efficacia di un Sistema di Gestione di Sicurezza e Salute sul lavoro: l OHSAS 18001

Verifica di efficacia di un Sistema di Gestione di Sicurezza e Salute sul lavoro: l OHSAS 18001 Relazone Verfca d effcaca d un Sstema d Gestone d Scurezza e Salute sul lavoro: l OHSAS 18001 Gl nfortun sul lavoro e le malatte professonal sono ad ogg uno de prncpal problem che afflggono l Itala e

Dettagli

Economie di scala, concorrenza imperfetta e commercio internazionale

Economie di scala, concorrenza imperfetta e commercio internazionale Sanna-Randacco Lezone n. 14 Econome d scala, concorrenza mperfetta e commerco nternazonale Non v è vantaggo comparato (e qund non v è commerco nter-ndustrale). S vuole dmostrare che la struttura d mercato

Dettagli

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013

Moduli su un dominio a ideali principali Maurizio Cornalba versione 15/5/2013 Modul su un domno a deal prncpal Maurzo Cornalba versone 15/5/2013 Sa A un anello commutatvo con 1. Indchamo con A k l modulo somma dretta d k cope d A. Un A-modulo fntamente generato M s dce lbero se

Dettagli

Normativa sismica Ponti pagina 1/33 1 CAMPO DI APPLICAZIONE...3 2 OBIETTIVI DEL PROGETTO...3 3 CRITERI GENERALI DI PROGETTAZIONE...

Normativa sismica Ponti pagina 1/33 1 CAMPO DI APPLICAZIONE...3 2 OBIETTIVI DEL PROGETTO...3 3 CRITERI GENERALI DI PROGETTAZIONE... Normatva ssmca Pont pagna 1/33 NORME TECNICHE PER IL PROGETTO SISMICO DEI PONTI 1 CAMPO DI APPLICAZIONE...3 OBIETTIVI DEL PROGETTO...3 3 CRITERI GENERALI DI PROGETTAZIONE...3 4 LIVELLI DI PROTEZIONE ANTISISMICA...3

Dettagli

Riflessione, diffusione e rifrazione

Riflessione, diffusione e rifrazione LUCE E VISIONE I COLOI APPUNTI DI FISICA lessone, dusone e rrazone Per meglo capre prncìp della vsone è necessaro conoscere come s propaga la luce e come s comporta quando ncontra un ostacolo Una prma

Dettagli