GO-SURF: sistema di supporto alle decisioni per un approccio partecipativo alla gestione forestale
Bibliographic record
Abstract
Le Strategie Europee per le Foreste per la Biodiversità e per il Suolo, insieme alla Strategia Forestale Nazionale, riconoscono l'importanza cruciale della gestione forestale sostenibile nell'affrontare nuove sfide. Queste sfide comprendono l'aumento della gravità e della frequenza di eventi di disturbo naturali, come tempeste di vento, siccità e pullulazioni di insetti, oltre alle diverse richieste sociali, a volte contrastanti tra loro, che i portatori di interesse hanno nei confronti della gestione forestale sostenibile e dei sistemi forestali. È quindi neccessario coinvolgere i proprietari forestali pubblici e privati, ma anche i vari portatori di interesse nel processo decisionale. In questo contesto, i Sistemi di Supporto alle Decisioni Forestali (SSDF) sono considerati strumenti utili per ottimizzare la gestione forestale e coinvolgere i vari attori, in quanto assistono gli utenti nei processi decisionali, tenendo conto di aspetti ambientali, economici, amministrativi, legali e sociali. In Europa, il Partenariato Europeo per l'Innovazione nel settore agricolo ha riconosciuto l'importanza dei SSDF e ha finanziato Gruppi Operativi (GO) per sviluppare soluzioni innovative. In regione Toscana, nell’ambito dei PEI-AGRI è stato finanziato il GO-SURF (Sistema di Supporto Decisionale alla Pianificazione Forestale Sostenibile) che ha sviluppato un SSDF basato su modellistica spaziale per supportare la gestione forestale sostenibile utilizzando un approccio partecipativo. In questo lavoro, viene presentata l'applicazione WebGIS "GO-SURF APP," che permette di estrarre informazioni su base spaziale relative alle diverse utilità ecosistemiche (provvigione legnosa, biomassa, incremento medio annuo e area basimetrica) e il processo partecipativo che ha guidato lo sviluppo e l’implementazione dell’SSDF. L’approccio partecipativo che ha coinvolto i diversi attori della gestione forestale ha consentito di identificare gli utenti dell’SSDF, i loro bisogni e di concordare sugli obiettivi del processo. Questo ha consentito di rendere accessibili i dati attraverso un sistema WEB-GIS sviluppato ad hoc per il mondo forestale e fruibile ad un ampio pubblico, contribuendo ad aumentare la conoscenza dei sistemi forestali in Toscana.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.015 | 0.049 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".