Università degli Studi della Tuscia di Viterbo - Unitus DSpace ...

Infine, l’estensione a dati fuzzy, espressi cioè in forma di appartenenza parziale, di alcune analisi
comunemente applicate in ecologia quali, ad esempio, Fuzzy Correspondence Analysis (Chevenet
et al., 1994), Fuzzy Principal Component Analysis (Charvet et al., 2000), etc., permette di poter
analizzare diversi tipi di dati provenienti da un’ampia varietà di fonti, differenti nel tempo e nello
spazio e di poter così sintetizzare le conoscenze sull’autoecologia di diversi taxa ottenute da una
grande varietà di fonti di diverso tipo.
Principi e procedimenti di base
La logica fuzzy ha praticamente rivoluzionato la teoria classica degli insiemi ed il concetto
semantico di “verità” (Enea & Salemi, 2001). Secondo la concezione tradizionale di insieme, un
dato oggetto può appartenere all’insieme oppure no: l’appartenenza è univoca, “tutto o nulla”, e non
ci sono casi intermedi. Nella la logica fuzzy un oggetto può appartenere parzialmente all’insieme
considerato. Allo stesso modo, nella logica classica un’affermazione viene valutata semanticamente
come “vera” o “falsa”, mentre la nozione fuzzy le assegna un valore di verità parziale, che bene si
addice a tante situazioni in cui non si può avere la certezza assoluta sulle caratteristiche del
fenomeno (Marchini, 2004). Confrontata con altri approcci, la logica fuzzy si è dimostrata
nettamente più efficace nella trattazione di dati imprecisi (Salski et al., 1996).
I passaggi fondamentali di un generico procedimento fuzzy sono tre: “fuzzificazione”,
“inferenza”, e “defuzzificazione” (Fig. 7a). La fase di “fuzzificazione” consiste nel passare dal
valore numerico della variabile considerata al suo corrispondente valore di appartenenza ad un dato
insieme fuzzy, tramite una precisa funzione d’appartenenza (membership function) (Fig. 7b); con
questa operazione si normalizzano tutti i dati nell’intervallo [0,1], sicché sono possibili anche
confronti tra quantità tra loro diverse e misurate in scale differenti. Una proprietà importante delle
membership functions relative ad uno stesso parametro è la loro reciproca sovrapposizione, sicché
alcuni valori della variabile possono appartenere parzialmente a più insiemi fuzzy, come, ad
esempio, in Figura 7b, il valore 20 ha grado di appartenenza 0,2 al fuzzy set e 0,8 al
set . Tanto più estesa è la zona di sovrapposizione, tanta più incertezza viene compresa nel
sistema. L’”inferenza” è il momento in cui vengono applicate le regole di combinazione tra gli
insiemi fuzzy. Generalmente non si tratta di complicati modelli matematici ma di semplici
espressioni linguistiche, che vengono convertite in formalismo matematico con il linguaggio if
………then della Logica. Questo è importante perché la conoscenza dell’esperto su un problema
può essere utilizzata senza dover essere trasformata in formule, spesso di complessa
determinazione.
50