Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

0

Share

Download to read offline

Informazione Geografica, Città, Smartness

Download to read offline

Informazione Geografica, Città, Smartness, Beniamino Murgante - 7 Giugno 2013 - Università degli Studi dell'Aquila

Related Audiobooks

Free with a 30 day trial from Scribd

See all
  • Be the first to like this

Informazione Geografica, Città, Smartness

  1. 1. InformazioneGeografica, Città,SmartnessBeniamino MurganteUniversità degli Studi della Basilicata,beniamino.murgante@unibas.ithttp://www.unibas.it/utenti/murgante/Benny.htmlLaquila 7 Giugno 2013
  2. 2. Ian McHargHistory of GIS1969
  3. 3. History of GIS1969Physiographic obstructionsSocial aspects
  4. 4. History of GIS1969Physiographic obstructions
  5. 5. Density of scattered settlements in 1987 and 2004 (flats/hectare)Density 1987 Density 2004Density
  6. 6. Areas which haveKernel densityincluded between 1and 18 flats/hectare
  7. 7. The Moran index is able to specify if an event is clustered,scattered or with a random distribution.It has been calculated1. by means of the inverse distance method considering datain two different periods, 1987 and 2004, to evaluate thevariation of scattered rate of settlements.The following values have been achieved:Moran Index at 1987: I1987 = 0.0698;Moran Index at 2004: I2004 = 0.0722.2. by means of the fixed distance band: 1600mThe following values have been achieved:Moran Index at 1987: I1987 = 0.458;Moran Index at 2004: I2004 = 0.677.
  8. 8. G function byGetis and Ord(1992)Class Autocorrelation G’no correlation Negative autocorrelation -1.3 ÷ - 2-6.3 ÷ 11 low Positive autocorrelation amonglower bounds-1.3 ÷ - 22 medium-low Positive autocorrelation amongmedium-low bounds-2 ÷ - 43 medium Positive autocorrelation amongmedium bounds-4 ÷ - 6.31 high Positive autocorrelation among highbounds1 ÷ 11.9Class Autocorrelation LISAno correlation Negative autocorrelation -106,9 ÷ 01 low Positive autocorrelation among lower bounds 0 ÷ 142 medium-low Positive autocorrelation among medium-low bounds 14 ÷ 283 medium Positive autocorrelation among medium bounds 28 ÷ 541 high Positive autocorrelation among high bounds 54 ÷ 84.7Local Indicatorof SpatialAssociation(Anselin, 1995)
  9. 9. LISA & Getis and Ord’s G
  10. 10. Clusters localizationwith the Getis andOrd function
  11. 11. Clusters localizationwith the Getis andOrd function
  12. 12. Clusters localizationwith the Getis andOrd function
  13. 13. Clusters localizationwith the Getis andOrd function
  14. 14. Clusters localizationwith the Getis andOrd function
  15. 15. Toblers First Law of Geography “All things arerelated, but nearby things are more related thandistant things” (1970)PositiveAutocorrelationNegativeAutocorrelationNo Autocorrelation(O’Sullivan and Unwin, 2002)
  16. 16. Density functionPoint Pattern Analysis
  17. 17. kernel density)A..,,A,A,y,(xL n21iii …=  −= ∑= ττ1(L)λn1i2iLLkPoint Pattern Analysis
  18. 18. Relation between thebandwidthdimension and thestudy area −= ∑= ττ1(L)λn1i2iLLkPoint Pattern Analysis
  19. 19. kernel density: kernel functionsPoint Pattern Analysis
  20. 20. Point Pattern AnalysisKernel Density Estimation(Levine, 1999)
  21. 21. Toblers First Law of Geography “All things arerelated, but nearby things are more related thandistant things” (1970)∑∑∑∑===== njijninjijijniwwcSAC1111Where:•n is the number of objects;•i and j are two objects;•xi is the value of object i attribute;•cij is a degree of similarity of attributes i and j;•wij is a degree of similarity of location i and j;(Goodchild, 1986; Lee and Wong, 2001)
  22. 22. Geary C Ratio (1954)Moran’s I statistic2__2)()(2))()(1(xxwxxwNciiijjijiijji−ΣΣΣ−ΣΣ−=if cij=(xi−xj)2Moran index (1948)2______)()())((xxwxxxxwNIiiijjijiijji−ΣΣΣ−−ΣΣ=if )()(____xxxxc jiij −−=
  23. 23. =0adjacentji,1wijWeights Matrixijij 1/dw =><=ddijijd0ddwijijFixed Distance Bandij2ij 1/dw =
  24. 24. Spatial weights matrix and the metaphor chess gameWeights MatrixRook QueenBishop
  25. 25. Local Indicators of Spatial AssociationG function byGetis and Ord(1992)( )2)()(1)()()()(21 111−−−−=∑ ∑∑∑= =−==NdwdwNiSdwxxdwdGniniiiniiiiniiiLocal version ofGeary Ratio C ∑=−=Njjiiji zzwc12)(
  26. 26. LISA allows for each statistical unit to assess the similarity of eachobservation with that of its surroundings.Five scenarios emerge:• Locations with high values of the phenomenon and high level ofsimilarity with its surroundings (high - high), defined as HOT SPOTS;• Locations with low values of the phenomenon and high level of similaritywith its surroundings (low - low), defined as COLD SPOTS;• Locations with high values of the phenomenon and low level of similaritywith its surroundings (high - low), defined as Potential "Spatial outliers";• Locations with low values of the phenomenon and low level of similaritywith its surroundings (low - high), defined as Potential "Spatial Outliers";• Location devoid of significant autocorrelations.Local Indicator of Spatial Association∑=⋅=Njjijii zwzI1 δ)( XXz ii−=Local Indicator ofSpatial Association(Anselin, 1995)
  27. 27. Monitoring Urban Sprawlspectral indices Spatial autocorrelationTo cope with the fact that small changes have to be captured and extractedfrom TM multi-temporal data sets, we adopted the use of spectral indices toemphasize occurring changes, and spatial autocorrelation techniques to revealspatial patternsGlobal indicator(Moran, Geary C ratio)Local indicator(LISA, Local GearyGetis e Ord)Spatial autocorrelation are consideredvery useful tools in analysing satelliteimages, since they consider not onlypixel value (reflectance, temperature,spectral index) under investigation, butalso the relationship between same pixeland its surrounding pixels.
  28. 28. LANDSATwww.landsat.orghttp://earthexplorer.usgs.gov/
  29. 29. LANDSATwww.landsat.orghttp://glovis.usgs.gov/
  30. 30. SoftwareGRASSR Project forStatisticalComputing
  31. 31. Study area
  32. 32. Study areaLandsat in RGB
  33. 33. Change DetectionChange Detection 1999 – 2009 NDVINormalized Difference ofIndex Vegetation
  34. 34. Spatial autocorrelationG function by Getis and Ord
  35. 35. Spatial autocorrelationLocal Geary
  36. 36. Spatial autocorrelationLocal Indicator of SpatialAssociation
  37. 37. Spatial autocorrelation
  38. 38. Spatial autocorrelation
  39. 39. Spatial autocorrelation
  40. 40. Ongoing researchBuilt-up Areas Index (1976-1999-2009)
  41. 41. Analisi su GRID a partire da dati 3DA partire da un TIN o un DEM è possibileeffettuare numerosi tipi di analisi di superficieche comprendono:•l’interpolazione di curve di livello (Contour),• l’analisi delle pendenze (Slope),•l’esposizione (Aspect),•l’illuminazione dei versanti (Hillshade),HillshadeAspectSlope
  42. 42. Analisi di visibilitàL’analisi viewshed identifica le celle in un raster inputche possono essere viste da uno o più punti diosservazione o da linee (in quest’ultimo caso i nodi o ivertici delle linee saranno usati come observer point).Viewshed
  43. 43. Main differences among Multiple, Cumulative and IdentifyingViewshed in the case of two targets
  44. 44. Identifying viewshed for wind farm in evaluating monuments visibility
  45. 45. Origin of GIS
  46. 46. Diminuzione del costo dei software G.I.S(Longley, et al. 2001)
  47. 47. Incremento delle funzioni dei GIS(Longley, et al. 2001)
  48. 48. Crescita di potenzialità dei personal computer(Legge di Moore)(Longley, et al. 2001)
  49. 49. CANRI 1999
  50. 50. Gli utenti di informazione geografica tendono a sviluppare iGli utenti di informazione geografica tendono a sviluppare idati in proprio per svariati motivi:dati in proprio per svariati motivi:o non riescono a conoscere la disponibilità di dati chenon riescono a conoscere la disponibilità di dati chepotrebbero essere utilizzati per i propri scopi;potrebbero essere utilizzati per i propri scopi;o accedere a questi dati spesso è difficoltoso;accedere a questi dati spesso è difficoltoso;o gli utenti non sono soliti condividere i dati con altregli utenti non sono soliti condividere i dati con altreamministrazioni o organizzazioni (spesso anche all’internoamministrazioni o organizzazioni (spesso anche all’internodella stessa amministrazione);della stessa amministrazione);
  51. 51. Tutto ciò comporta:Tutto ciò comporta:o molti attori ed enti coinvolti nella produzione di dati (spessomolti attori ed enti coinvolti nella produzione di dati (spessodegli stessi);degli stessi);o duplicazione di dati;duplicazione di dati;o un proliferare di minisoftware GIS;un proliferare di minisoftware GIS;o difficoltà di scambio ed uso di dati tra le diversedifficoltà di scambio ed uso di dati tra le diverseorganizzazioni;organizzazioni;o alla diminuzione del costo di acquisizione dei software e delalla diminuzione del costo di acquisizione dei software e delhardware non è corrisposta una altrettanto drasticahardware non è corrisposta una altrettanto drasticariduzione dei costi di produzione di informazione geografica.riduzione dei costi di produzione di informazione geografica.
  52. 52. Executive Order 12906Coordinamento dell’accesso e dell’acquisizione dei datiCoordinamento dell’accesso e dell’acquisizione dei datigeografici: The National Spatial Data Infrastructuregeografici: The National Spatial Data Infrastructure(NSDI)(NSDI)o "National Spatial Data Infrastructure""National Spatial Data Infrastructure" significa lasignifica latecnologia, le politiche, gli standards e le risorse umanetecnologia, le politiche, gli standards e le risorse umanenecessarie ad acquisire, elaborare, memorizzare, distribuirenecessarie ad acquisire, elaborare, memorizzare, distribuiree migliorare l’utilizzo dei dati spaziali.e migliorare l’utilizzo dei dati spaziali.o "Geospatial data""Geospatial data"o TheThe "National Geospatial Data Clearinghouse""National Geospatial Data Clearinghouse" significa unasignifica unarete diffusa di produttori, gestori, utenti di dati spazialirete diffusa di produttori, gestori, utenti di dati spazialiconnessi elettronicamente.connessi elettronicamente.
  53. 53. Executive Order 12906CANRI 1999
  54. 54. Nebert, The SDI CookbookWebClientWebClientClearinghouseServersGateway(s)UserZ39.50 protocolHTTP protocolServiceRegistryServiceRegistryWebServerWebServer•One Search across many servers•Metadata is the key
  55. 55. IL CONTENUTOWHAT?WHERE?WHO?WHY?HOW?WHEN?Titolo e descrizione del datasetEstensione geografica espressa dalatitudine,longitudine, coordinategeografiche e confini naturali oamministrativiCreatore, fornitore, potenziale pubblicoDescrizione delle ragioni della collezionedei dati e uso di essi.Data di creazione del dataset eperiodicità dell’aggiornamentoDescrizione delle modalità con cui ildataset è stato prodotto e delle modalitàdi accesso ai dati.IDENTIFICAZIONE deiDATIQUALITA’ dei DATIORGANIZZAZIONE deiDATIRIFERIMENTO SPAZIALEDISTRIBUZIONE deiDATIINFORMAZIONI suiMETADATIINFORMAZIONI suENTITA’ e ATTRIBUTIMetadati
  56. 56. Clearinghouse
  57. 57. Clearinghouse
  58. 58. Clearinghouse
  59. 59. Clearinghouse
  60. 60. Clearinghouse
  61. 61. Clearinghouse
  62. 62. Clearinghouse
  63. 63. Clearinghouse
  64. 64. Clearinghouse
  65. 65. Geoportals
  66. 66. INSPIREo i dati vanno raccolti una sola volta e gestiti laddove ciò puòi dati vanno raccolti una sola volta e gestiti laddove ciò puòessere fatto in maniera più efficiente;essere fatto in maniera più efficiente;o deve essere possibile combinare i dati provenienti dadeve essere possibile combinare i dati provenienti dadifferenti fonti e condividerli tra più utenti ed applicazioni;differenti fonti e condividerli tra più utenti ed applicazioni;o deve essere possibile la condivisione di informazionideve essere possibile la condivisione di informazioniraccolte dai diversi livelli di governo;raccolte dai diversi livelli di governo;o l’informazione geografica necessaria per il buon governol’informazione geografica necessaria per il buon governodeve esistere ed essere realmente accessibile a condizionideve esistere ed essere realmente accessibile a condizioniche non ne limitino il possibile uso;che non ne limitino il possibile uso;o deve essere facile individuare quale informazionedeve essere facile individuare quale informazionegeografica è disponibile, valutarne l’utilità per i propri scopigeografica è disponibile, valutarne l’utilità per i propri scopie le condizioni secondo cui è possibile ottenerla ed usarla.e le condizioni secondo cui è possibile ottenerla ed usarla.
  67. 67. InteroperabilitàPer presentarsi in maniera competitiva rispetto a tutti i nuovicanali di finanziamento è necessario far parlare tra di loro idatabase spaziali delle varie autorità locali (Laurini eMurgante, 2008).Le principali barriere verso la completa interoperabilità sonoLe principali barriere verso la completa interoperabilità sonodeterminate da tre fattori:determinate da tre fattori:o burocraticiburocratici, generati da una scarsa abitudine a condividere il, generati da una scarsa abitudine a condividere ildato che, nella maggior parte dei casi, porta ad una sorta didato che, nella maggior parte dei casi, porta ad una sorta dipresunto diritto di proprietà personale dell’addetto chepresunto diritto di proprietà personale dell’addetto cheprovvede alla sua gestione;provvede alla sua gestione;o tecnologicitecnologici, prodotti prevalentemente da differenze tra i, prodotti prevalentemente da differenze tra isistemi, le strutture ed il formato dei dati;sistemi, le strutture ed il formato dei dati;o semanticisemantici, dovute alla mancanza di corrispondenza nei, dovute alla mancanza di corrispondenza neisignificati.significati.
  68. 68. Information-Explosion EraGoogle Earth bing virtual earthopenstreetmap
  69. 69. Information-Explosion Era
  70. 70. Information-Explosion Era
  71. 71. Information-Explosion Erahttp://www.giscloud.com/map/11766/timatongis/tourism-in-matera-on-geographic-information-system
  72. 72. Information-Explosion Era
  73. 73. http://www.giscloud.com/map/12804/laboratorio_gis/dati_basilicatahttp://www.giscloud.com/map/11766/timatongis/tourism-in-matera-on-geographic-information-system
  74. 74. Semantic MatchingStandard e modelli di dati consentono di importare oconvertire rapidamente dati senza generare perdite diqualità, ma non sono sufficienti a trasferire il significatodelle informazioni.Prima di porsi il problema di come strutturare il datobisogna affrontare la più complessa questione di cosarappresentare.
  75. 75. Semantic MatchingLago???laguna ???Bacino ???Corpo d’acqua ???StradaCartografoIngegneria civileSistemiditrasporto
  76. 76. Semantic Matching630 Terms:Centro storico, A residenzialeconservativa, Zona A, Zona A centrostorico, Zona A centro antico, ZonaA (1…..n)Area di espansione, zona diespansione, zona C, zona Cinsediamenti residenziali, zona Cresidenziale di espansione,
  77. 77. Plan4all24 partner di 15 paesieuropei.enti locali,partner tecnologici,università e istituti di ricerca,associazioni chi si occupano diinformazione geografica alivello nazionale (come AMFMGIS Italia) o pan-europee(come EUROGI),Associazioni di PlannersISOCARP,la Società Internazionale deiCity and Regional Planners.
  78. 78. SDI e Pianificazione del territorioNelle ultime decadi si sono sempre più diffusi approcciriguardanti la pianificazione ed il governo del territoriobasati sulla necessità di un forte coinvolgimento di tutti ilivelli istituzionali e di governo, degli stakeholder e deicittadini nel processo di definizione delle principali scelteriguardanti il proprio territorio.A questo incremento di aspetti partecipativi non ècorrisposto un uso efficace della condivisione del dato edelle tecnologie web che potrebbero sostenerelinteroperabilità delle scelte di piano, prevedendo unapartecipazione attiva di tutti gli stakeholder.
  79. 79. Le metodologie abitualmente adottate nel settore dellapianificazione territoriale non fanno un uso efficace dellacondivisione del dato e delle tecnologie web che potrebberosostenere linteroperabilità delle scelte di piano, prevedendouna partecipazione attiva di tutti gli stakeholder.Emerge quindi una forte necessità di un’armonizzazione deidati utilizzati nel settore della pianificazione e un’esigenzaassoluta di un core data set dedicato agli strumenti dipianificazione con la finalità di garantire in tutta Europa unafacile comprensibilità di queste informazioni.SDI e Pianificazione del territorio
  80. 80. La pianificazione del territorio e le informazioni ad essaconnesse hanno un’importanza strategica non solo per illivello locale e nazionale, ma anche alla scala internazionaledove un "continuum" di insediamenti caratterizzal’attraversamento delle varie nazioni Europee.Nelle regioni transfrontaliere è fondamentale valutarequanto un’indicazione di piano data da un lato del confinepossa impattare dall’altro lato.SDI e Pianificazione del territorio
  81. 81. Plan4allIl progetto europeo Plan4all, è principalmente focalizzatosullarmonizzazione dei dati riguardanti la pianificazioneterritoriale tenendo come riferimento principale la direttivaEuropea INSPIRE.La parte importante del progetto Plan4all è la definizione diprocedure e metodologie comuni per la condivisione dei datiterritoriali e lutilizzazione di nuovi standard riguardanti idati di pianificazione territoriale allinterno dellUE.
  82. 82. Plan4allLobiettivo di Plan4all è quello di costruire una rete di entilocali, regionali e nazionali, stakeholder, aziende del settoredell’ICT, organizzazioni che si occupano di pianificazione esviluppo economico, università e agenzie internazionali con loscopo di trovare un consenso riguardante larmonizzazionedelle Infrastrutture di Dati Spaziali per la pianificazioneterritoriale, secondo la direttiva europea INSPIRE.
  83. 83. Plan4allAnnex I•Coordinate ref. systems•Geographical gridsystems•Geographical names•Administrative unitsaddresses•Cadastral parcels•Transport networks•Hydrography•Protected sitesAnnex II•Elevation• Land cover (1)•Orthoimagery•GeologyAnnex III•Statistical units•Buildings•Soil• Land use (2)•Human health and safety•Utility and Governmentservices (3)•Environmental monitoringfacilities• Production and industrialfacilities (4)• Agricultural and aquaculturefacilities (5)Annex III (follow up)•Population distribution –demography• Area management/restriction /regulation zonesand reporting units (6)• Natural risk zones (7)•Atmospheric conditions•Meteorological geographicalfeatures•Oceanographic geographicalfeatures•Sea regions•Bio-geographical regions•Habitats and biotopes•Species distribution•Energy resources•Mineral resources
  84. 84. Plan4allhttp://www.plan4all.eu
  85. 85. Everythingis Smart
  86. 86. Everything is Smarthttp://youtu.be/5rMI_aVYtR0
  87. 87. I am SmartI amSmartI am SmartI am SmartI am SmartI am Smart
  88. 88. SMART ECONOMY : Tasso di occupazione; presenza di imprese innovative, di imprese giovani edi imprese femminili; presenza e qualità di università e istituti di ricerca; dotazione infrastrutturaleSMART ENVIRONMENT: Per la dimensione ambiente sono stati presi in esame: la qualità dell’aria,la percentuale di raccolta differenziata dei rifiuti urbani, la presenza di spazi verdi in città,l’efficienza e la qualità della rete idrica (dispersione di acqua e depurazione), la presenza di centridi raccolta RAEESMART GOVERNANCE: Non solo e-gov, ma anche dotazione di auto ecologiche, utilizzo di cartariciclata e raccolta differenziata negli uffici comunali, risparmio energetico, acquisti verdi), adozionedi politiche per l’assetto e lo sviluppo del territorio (approvazione e adozione del Piano regolatore,del Piano per gli insediamenti produttivi, del Piano delle attività commerciali, e così via), capacità difare rete con altri Comuni.SMART LIVING:investimenti in cultura e welfare attraverso l’offerta di servizi di vario tipo, dagli asilinido alle biblioteche comunali, dai consultori alle strutture per anziani, fino ai cinema. Pesano nellaclassifica, il numero di persone sotto la soglia di povertà, il tasso di emigrazione ospedaliera,l’inserimento sociale degli immigrati, la criminalità diffusa.SMART MOBILITY: La mobilità è smart nelle città in cui esiste una rete diffusa ed efficiente ditrasporto pubblico e in cui ci sono parcheggi di scambio; in cui la maggior parte delle automobili incircolazione sono poco inquinanti; in cui ci sono zone a traffico limitato, piste ciclabili, servizi di bikee car sharing.SMART PEOPLE: Il livello di istruzione e l’abbandono scolastico, il numero di donne che lavora eche ricopre cariche all’interno dell’amministrazione, la presenza di studenti stranieri, lapartecipazione politica, il coinvolgimento in associazioni di volontariato, ma anche la lettura deiquotidiani e la partecipazione ad eventi culturali. Sono tutti aspetti che ci dicono se i cittadini di unacittà sono attivi e partecipi e se la città riesce a valorizzare il suo capitale sociale.
  89. 89. SMART ECONOMY : Tasso di occupazione; presenza di imprese innovative, di imprese giovani edi imprese femminili; presenza e qualità di università e istituti di ricerca; dotazione infrastrutturaleSMART ENVIRONMENT: Per la dimensione ambiente sono stati presi in esame: la qualità dell’aria,la percentuale di raccolta differenziata dei rifiuti urbani, la presenza di spazi verdi in città,l’efficienza e la qualità della rete idrica (dispersione di acqua e depurazione), la presenza di centridi raccolta RAEESMART GOVERNANCE: Non solo e-gov, ma anche dotazione di auto ecologiche, utilizzo di cartariciclata e raccolta differenziata negli uffici comunali, risparmio energetico, acquisti verdi), adozionedi politiche per l’assetto e lo sviluppo del territorio (approvazione e adozione del Piano regolatore,del Piano per gli insediamenti produttivi, del Piano delle attività commerciali, e così via), capacità difare rete con altri Comuni.SMART LIVING:investimenti in cultura e welfare attraverso l’offerta di servizi di vario tipo, dagli asilinido alle biblioteche comunali, dai consultori alle strutture per anziani, fino ai cinema. Pesano nellaclassifica, il numero di persone sotto la soglia di povertà, il tasso di emigrazione ospedaliera,l’inserimento sociale degli immigrati, la criminalità diffusa.SMART MOBILITY: La mobilità è smart nelle città in cui esiste una rete diffusa ed efficiente ditrasporto pubblico e in cui ci sono parcheggi di scambio; in cui la maggior parte delle automobili incircolazione sono poco inquinanti; in cui ci sono zone a traffico limitato, piste ciclabili, servizi di bikee car sharing.SMART PEOPLE: Il livello di istruzione e l’abbandono scolastico, il numero di donne che lavora eche ricopre cariche all’interno dell’amministrazione, la presenza di studenti stranieri, lapartecipazione politica, il coinvolgimento in associazioni di volontariato, ma anche la lettura deiquotidiani e la partecipazione ad eventi culturali. Sono tutti aspetti che ci dicono se i cittadini di unacittà sono attivi e partecipi e se la città riesce a valorizzare il suo capitale sociale.
  90. 90. • adozione di opendata e Standard OCG,• wifi libero,• augmented reality a supporto del turismo,• iniziative di crowdfunding,• decisioni prese mediante crowdsourcing,
  91. 91. Validation of urban land cover
  92. 92. http://www.broadsheet.ie/2011/06/21/what-happens-online-in-60-seconds/
  93. 93. Google Earthbing virtual earthopenstreetmapInformation-Explosion EraInformation-Explosion EraKitsuregawa et al. 2007
  94. 94. Murgante, 2012
  95. 95. Murgante, 2012
  96. 96. Repubblica,2012
  97. 97. http://faculty.washington.edu/kstarbi/TtT_Hurricane_Map_byEvent.html
  98. 98. Ratti, 2008
  99. 99. http://test.geosdi.org/geo-portal/
  100. 100. SmartCity e Aree Rurali (Smart RuralCommunities)
  101. 101. SmartCity e Aree Rurali (SmartRural Communities)
  102. 102. Documenti diProgrammazionePiano
  103. 103. GeographicalobjectsRealVirtualprogramming documentsStatementGeo-StatementMurgante et al. 2010
  104. 104. Murgante et al. 2011Murgante B., Tilio L., Lanza V., Scorza F. (2011) “Using participative GIS and e-tools for involving citizens of MarmoPlatano – Melandro area in European programming activities” special issue on “E-Participation in Southern Europe and theBalkans” Journal of Balkans and Near Eastern Studies, vol. 13(1) pp. 97–115. Taylor & Francis, London, ISSN:1944-8953, doi:10.1080/19448953.2011.550809.
  105. 105. http://www.pitmpm.basilicata.it/PIT/map.phtmlhttp:// www.pitmpm.basilicata.it/cgi-bin/wms_pit
  106. 106. http://www.pitmpm.basilicata.it/PIT/map.phtml
  107. 107. SAVOIA BALVANOPICERNOTITOMURO
  108. 108. CONCLUSIONI
  109. 109. CONCLUSIONI
  110. 110. CONCLUSIONI• L’Agenzia per l’Italia digitale definisce strategie eobiettivi, coordina il processo di attuazione e predisponegli strumenti tecnologici ed economici per il progressodelle comunità intelligenti• predispone annualmente il piano nazionale dellecomunità intelligenti-PNCI• emana le linee guida recanti definizione di standardtecnici• È istituito presso l’Agenzia per l’Italia digitale il Comitatotecnico delle comunità intelligentiArt. 20 Agenda Digitale - Comunitàintelligenti
  111. 111. CONCLUSIONI• 1 designato dal Dipartimento della Funzione Pubblicadella Presidenza del Consiglio dei Ministri• 2 designati dalla Conferenza permanente per i rapportitra lo Stato, le regioni e le provincie autonome di Trentoe Bolzano• 1 designato dall’Associazione nazionale dei comuniitaliani• 1 designato dall’Unione delle province italiane• 6 di nomina del Direttore generale dell’Agenzia perl’Italia digitale: 1 dagli Atenei, 3 da associazioni diimprese e cittadini maggiormente rappresentative, 1ISTAT, 1 Agenzia stessaComitato tecnico delle comunità intelligenti

Informazione Geografica, Città, Smartness, Beniamino Murgante - 7 Giugno 2013 - Università degli Studi dell'Aquila

Views

Total views

1,203

On Slideshare

0

From embeds

0

Number of embeds

35

Actions

Downloads

5

Shares

0

Comments

0

Likes

0

×