Elaborazione degli effetti valutati dai fattori di impatto sulle componenti ambientali
Bisogna analizzare singolarmente quelli che sono i fattori di impatto che influiscono sulle componenti ambientali, infatti andiamo ad analizzare le componenti fisiche, biologiche, culturali e sociali.
Il progetto può influenzare o meno il regime e la qualità delle acque sotterranee, tuttavia le turbine eoliche non consumano acqua, quindi non vi sarà la produzione di acque reflue. Per quanto riguarda il possibile impatto sul suolo, può verificarsi principalmente solo a seguito della costruzione delle fondamenta delle colonne delle turbine, dall’impiego delle attrezzature da costruzione e del trattamento inadeguato dei materiali di scarto prodotti durante la costruzione. Alcuni effetti negativi possono verificarsi anche nella fase di costruzione del parco eolico a seguito della realizzazione di alcuni elementi correlati al progetto, ovvero la costruzione di strade e la realizzazione del complesso amministrativo del parco eolico.
Oltre alla capacità di potenza totale e alle dimensioni delle turbine eoliche, l'aspetto spaziale è particolarmente importante considerando l'intensità del rumore generato. Per modellare i livelli di intensità del rumore, si fa riferimento al Regolamento sulla Metodologia di Determinazione della zona acustica.
La componente biologica valuta la fauna presente nell'area interessata, considerando specialmente la fauna volante e i corridoi migratori che potrebbero interferire con l'opera. Anche questo infatti influenza il posizionamento delle turbine eoliche.
Il valore più influente di impatto è associato all’aspetto generale del paesaggio. Gli effetti visivi sull'ambiente circostante sono in realtà un'impressione soggettiva. Si può però giungere ad una conclusione, infatti le turbine eoliche potrebbero modificare solo parzialmente l’ambiente interessato, inoltre, le turbine potrebbero conferire una specifica identità visiva al paesaggio.
Fisicamente, le turbine eoliche occupano solo una percentuale del terreno coperto dal parco eolico, mentre il resto del terreno tra le fondamenta delle turbine e strade interne può essere utilizzato per altri scopi (utilizzato ad esempio per la produzione agricola). Per queste ragioni, non ci sono impatti significativi in termini di cambiamento dell'uso del suolo.
Risulta importante anche che non ci siano siti archeologici protetti e che non ci siano nemmeno altri elementi di carattere culturale, tenendo comunque conto che potrebbe essere possibile imbattersi in siti archeologici sconosciuti. In tal caso, sarebbe necessario intraprendere misure adeguate al fine di preservare i resti. Il rischio di incidenti legato alle turbine eoliche, invece è minimo.
Metodo Kernel Fuzzy Clusteryng Means Algoritm
Un metodo innovativo per le valutazioni ambientali è il metodo KFCM. Considerando che le tecniche di valutazione ambientale devono considerare sia le prospettive ambientali, che quelle sociali ed economiche, i modelli di valutazione dovrebbero essere sistemi di input multipli e di un output singoli in modo tale da mostrare chiaramente l'influenza ambientale dell’opera in questione, assegnando così un punteggio finale.
Come sappiamo la valutazione ambientale è un processo non lineare, complesso e multidisciplinare, ed è quindi difficile esprimere e misurare con precisione le variabili associate.
Un popolare strumento di modellazione dei dati in grado di eseguire compiti intelligenti è la rete neurale artificiale (ANN) che funziona in modo simile al cervello umano \cite{haykin2007} \cite{Rojas_1996}. Le ANN sono ben note per la loro alta precisione e alto tasso di apprendimento, anche quando sono disponibili pochissime informazioni \cite{partha2014}.
Uno degli algoritmi di rete neurale più comunemente studiati è la rete neurale BP, tali reti possono fornire buone capacità di autoapprendimento, autoadattamento e generalizzazione \cite{Liu_2016}.
Una rete neurale BP può eseguire una classificazione di pattern arbitrariamente complessi e una mappatura di funzioni multidimensionali. Pertanto, l'applicazione di una rete neurale BP a problemi di valutazione complessi può semplificare il processo di valutazione e migliorare l'efficienza e l'accuratezza dei calcoli.
Se una rete neurale viene utilizzata per risolvere un problema di valutazione, è necessario disporre di campioni di “training” per addestrare la rete neurale BP e ottenere regole di apprendimento.
Tuttavia, i pesi di connessione e i valori di soglia di ogni livello della rete neurale BP devono essere inizializzati in modo casuale.
L'obiettivo di questo metodo è analizzare i potenziali impatti ambientali dell’opera, attraverso l'algoritmo di clustering e alla rete neurale BP in modo da generare una soluzione di progettazione ottimizzata per ridurre i potenziali impatti ambientali.
Il metodo proposto consiste in tre fasi:
- analizzare i dati di input originali e costruire un sistema di indici di valutazione;
- raggruppare i dati di valutazione e produrre un insieme di campioni di “training”;
- addestrare la rete neurale BP e identificare i criteri di valutazione del modello; quindi il modello di “training” può valutare le prestazioni ambientali e scegliere lo schema di processo ottimale.
Nel metodo di valutazione dell’impatto ambientale la scelta degli indici è fondamentale. L'inclusione di più indici in una valutazione aumenta la complessità, i tempi e i costi. Diversi indici di qualità ambientale, economica e sociale sono stati utilizzati negli anni per analizzare e valutare gli impatti ambientali.
In generale, questi indici possono essere classificati come indicatori quantitativi e indicatori qualitativi in base al metodo di assegnazione. I valori degli indicatori quantitativi sono precisi e provengono dai dati di misurazione o dati di progetto, mentre gli indicatori qualitativi sono generati da punteggi di esperti su una scala di 10 punti basata su normative specifiche \cite{2005}.
L'obiettivo di questo approccio è ottenere il valore atteso del campione di “training”.
Algoritmo di clustering Fuzzy Kernel
I passaggi di questo metodo sono i seguenti:
Innanzitutto, definiamo una funzione criterio, C, e un centro di raggruppamento iniziale, successivamente in base ai campioni e alla distanza dal centro di raggruppamento, questi ultimi vengono suddivisi in classi. Inoltre viene calcolato il centro del cluster e il grado di appartenenza fuzzy di ciascuna classe per tutti i campioni. Questo processo viene ripetuto fino a ridurre al minimo la funzione del criterio \cite{Lucieer_2009}. Quando si risolvono problemi complessi, non lineari e ad alta dimensione, l'algoritmo FCM (KFCM) del kernel presenta molti vantaggi \cite{WANG_2017}.
I nuovi vettori di funzionalità vengono costruiti tramite la funzione kernel, pertanto, lo spazio di input viene mappato sullo spazio delle caratteristiche ad alta dimensione in modo che i campioni linearmente inseparabili nello spazio di input diventino separabili linearmente. Infine, il raggruppamento viene eseguito nello spazio delle caratteristiche ad alta dimensione.
Il clustering KFCM partiziona un insieme di n oggetti X = { x 1 , x 2 ,…, x n } nello spazio dimensionale R p in cluster fuzzy C. Quindi, tutti i campioni vengono mappati sullo spazio delle caratteristiche ad alta dimensione Q con la funzione Φ per ottenere l'insieme funzionale Φ ( x 1 ), Φ ( x 2 )…, Φ ( x n ). Il clustering è completato nello spazio Q .
Secondo la definizione della funzione kernel, la funzione K ( x , y ) nello spazio delle caratteristiche ad alta dimensione può essere rappresentata dal prodotto scalare dello spazio originale, K ( x , y ) = Φ ( x ) T Φ ( y ) e soddisfano i criteri di disuguaglianza e simmetria di Cauchy-Schwarz.
La matrice e i centri cluster vengono aggiornati attraverso una minimizzazione iterativa della funzione obiettivo. In conclusione avremo una funzione di appartenenza del campione e l'espressione del centro di raggruppamento.
La rete neurale BP, invece, trasmette l'errore e al tempo stesso rettifica l'errore per regolare i pesi e le soglie, determinando o approssimando la relazione di mappatura di input e output \cite{Ding_2010} \cite{Ding_2011} \cite{Rakitianskaia_2012} . Una tipica rete neurale BP a tre livelli è composta da un livello di input, uno nascosto e uno di output \cite{bishop2007}.