All’interno dell’area Mediterranea, ben conosciuta per via del suo alto tasso di ricchezza genetica, l’Italia
centro-meridionale è una zona molto importante per via del suo clima e delle sue caratteristiche filogenetiche. Per
studiare questo tipo di interazioni i dati climatici rappresentano una rilevante fonte di informazione e obbiettivo di
questo studio è stato quello di valutare e comparare otto metodi per l’interpolazione spaziale di variabili ed indici
climatici includendo metodi parametrici e non metodi deterministici, regressivi e geostatistici. La valutazione della
qualità di interpolazione è stata effettuata attraverso tre stimatori: il Root Mean Square Error assoluto (RMSE) e
percentuale (rRMSE) ed il relative BIAS (rBIAS). L’analisi ha evidenziato l’assenza di un modello nettamente migliore
con un errore medio relativo variabile tra il 3.8% ed il 295% a causa di una mancanza di correlazioni statistiche tra
variabili dipendenti e predittori. Tuttavia l’utilizzo di dati locali con metodi geostatistici è risultata essere comunque
la scelta migliore grazie alla potenzialità di fornire la distribuzione spaziale dell’errore di interpolazione.
Parole chiave: Interpolazione spaziale; Abruzzo; dati climatici; Zona Mediterranea; kriging.
Biodiversity will probably be threatened by climate change effects and the Mediterranean area is a well
know hotspot of genetic diversity. Climatic data are a very important source of information for those studies and
the aim of this work was to study and compare eight methods for spatial interpolation of climatic data and indices
including parametric and non-parametric methods, deterministic, regressive and geostatistical. The Root Mean
Square Error (RMSE), relative RMSE (rRMSE) and relative BIAS (rBIAS) were calculated to assess algorithm’s
performances in a Mediterranean region. None of the eight methods performed much better than others with a very
complex physiographic environment. The range of errors was very high and rRMSE varied from 3.8% to 295%.
Anyway, even in case of low differences among methods and despite the necessity of the assumption of normality of
data, the interpolation at local scale with parametric and geostatistical methods (e.g. kriging or cokriging) should be
preferred to globally-interpolated climatic data due to the possibility to obtain the distribution of prediction’s error.
Keywords: Spatial interpolation; Abruzzo; climatic data, Mediterranean area; kriging.
Se vuoi essere informato sulle nostre novità editoriali, registrati alla nostra newsletter!