Documenti full-text disponibili:
Abstract
I dati geospaziali e i sistemi di monitoraggio satellitare sono ormai strumenti consolidati per tracciare le flotte della pesca su larga scala, ma rimane un divario significativo per la pesca artigianale (SSF) – imbarcazioni sotto i 12 metri che non utilizzano attrezzi trainati. Nonostante la crescente pressione normativa europea (Regolamento CE n. 2023/2842), l'Italia non ha ancora adottato misure nazionali per raccogliere dati spaziotemporali ad alta risoluzione su questo settore. Colmare questa lacuna è tuttavia essenziale per una gestione efficace delle risorse marine, la tutela degli habitat e la risoluzione dei conflitti tra i diversi utenti del mare.
Questa tesi sviluppa e valida metodologie innovative ed economicamente sostenibili per monitorare un settore storicamente povero di dati. Le sfide principali sono tre: raccogliere dati affidabili nonostante i vincoli logistici tipici della pesca artigianale; integrare la conoscenza qualitativa dei pescatori con metriche quantitative oggettive; trasformare rapidamente grandi volumi di dati complessi in informazioni spaziali utilizzabili. A tal fine, il lavoro sfrutta le potenzialità dei Big Data e dell'Intelligenza Artificiale, inclusi algoritmi di Machine e Deep Learning.
Il framework metodologico si articola in tre capitoli. Il Capitolo 1 valida la Mappatura Partecipativa come strumento collaborativo per acquisire la conoscenza locale dei pescatori, producendo dati spazialmente espliciti sulle aree di pesca e sullo sforzo stagionale. Il Capitolo 2 utilizza dispositivi di tracciamento ad alta risoluzione per registrare con precisione l'attività delle imbarcazioni, sviluppando tecniche avanzate per segmentare le rotte e quantificare l'impronta spaziale della pesca. Il Capitolo 3 integra i due approcci in una strategia unitaria, combinando il contesto socio-ecologico derivato dalla LEK con i dati oggettivi di telerilevamento, ottenendo uno scenario composito ad alta risoluzione.
Applicato alla Regione Marche come area di studio principale, questo framework migliora concretamente la comprensione della pesca artigianale, fornendo le basi spaziali necessarie per una pianificazione marittima sostenibile.
Abstract
I dati geospaziali e i sistemi di monitoraggio satellitare sono ormai strumenti consolidati per tracciare le flotte della pesca su larga scala, ma rimane un divario significativo per la pesca artigianale (SSF) – imbarcazioni sotto i 12 metri che non utilizzano attrezzi trainati. Nonostante la crescente pressione normativa europea (Regolamento CE n. 2023/2842), l'Italia non ha ancora adottato misure nazionali per raccogliere dati spaziotemporali ad alta risoluzione su questo settore. Colmare questa lacuna è tuttavia essenziale per una gestione efficace delle risorse marine, la tutela degli habitat e la risoluzione dei conflitti tra i diversi utenti del mare.
Questa tesi sviluppa e valida metodologie innovative ed economicamente sostenibili per monitorare un settore storicamente povero di dati. Le sfide principali sono tre: raccogliere dati affidabili nonostante i vincoli logistici tipici della pesca artigianale; integrare la conoscenza qualitativa dei pescatori con metriche quantitative oggettive; trasformare rapidamente grandi volumi di dati complessi in informazioni spaziali utilizzabili. A tal fine, il lavoro sfrutta le potenzialità dei Big Data e dell'Intelligenza Artificiale, inclusi algoritmi di Machine e Deep Learning.
Il framework metodologico si articola in tre capitoli. Il Capitolo 1 valida la Mappatura Partecipativa come strumento collaborativo per acquisire la conoscenza locale dei pescatori, producendo dati spazialmente espliciti sulle aree di pesca e sullo sforzo stagionale. Il Capitolo 2 utilizza dispositivi di tracciamento ad alta risoluzione per registrare con precisione l'attività delle imbarcazioni, sviluppando tecniche avanzate per segmentare le rotte e quantificare l'impronta spaziale della pesca. Il Capitolo 3 integra i due approcci in una strategia unitaria, combinando il contesto socio-ecologico derivato dalla LEK con i dati oggettivi di telerilevamento, ottenendo uno scenario composito ad alta risoluzione.
Applicato alla Regione Marche come area di studio principale, questo framework migliora concretamente la comprensione della pesca artigianale, fornendo le basi spaziali necessarie per una pianificazione marittima sostenibile.
Tipologia del documento
Tesi di dottorato
Autore
Lattanzi, Pamela
Supervisore
Co-supervisore
Dottorato di ricerca
Ciclo
38
Coordinatore
Settore disciplinare
Settore concorsuale
Parole chiave
Small-scale fisheries, Machine Learning, Deep Learning, Artificial Intelligence, supervised classification, passive fishing gears, Marine Spatial Planning, fisheries management, participatory mapping, high-resolution vessel tracking data, GPS, Local Ecological Knowledge
Data di discussione
17 Luglio 2026
URI
Altri metadati
Tipologia del documento
Tesi di dottorato
Autore
Lattanzi, Pamela
Supervisore
Co-supervisore
Dottorato di ricerca
Ciclo
38
Coordinatore
Settore disciplinare
Settore concorsuale
Parole chiave
Small-scale fisheries, Machine Learning, Deep Learning, Artificial Intelligence, supervised classification, passive fishing gears, Marine Spatial Planning, fisheries management, participatory mapping, high-resolution vessel tracking data, GPS, Local Ecological Knowledge
Data di discussione
17 Luglio 2026
URI
Gestione del documento: