> For the complete documentation index, see [llms.txt](https://docs.geopard.tech/geopard-tutorials/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/zones-maps-and-analytics/multi-layer-analytics.md).

# Analisi multistrato

Con GeoPard puoi integrare più livelli di dati per creare zone di gestione. Controlli pesi, indici, numero di zone, tipo di clustering e area minima del poligono.

{% @arcade/embed url="<https://app.arcade.software/share/em63luvNTYI6CFKUC3m6>" flowId="em63luvNTYI6CFKUC3m6" %}

*Demo interattiva: creazione di zone multilivello*

L’agricoltura di precisione genera grandi quantità di dati, tra cui dati di resa, immagini satellitari e livelli di fertilità del suolo. Molte aziende agricole faticano ancora a trasformare questi livelli in informazioni utili e azioni concrete. Nell’agricoltura di precisione, le zone di gestione sono aree di un campo con un potenziale di resa simile, definito in base al tipo di suolo, alla posizione sul versante, alla chimica del suolo, al microclima o ad altri fattori che influenzano le colture. Anche la conoscenza diretta del campo è una componente importante del processo. Le zone di gestione aiutano a ottimizzare gli input agronomici e il potenziale di resa.

La sfida principale consiste nel creare zone di gestione che riflettano la variabilità effettiva del campo. Combinare livelli come immagini satellitari, fertilità del suolo, derivati topografici e dati dei monitor di resa è il passo successivo per ottenere zone di gestione più adattabili alle condizioni reali.

L’analisi multilivello (nota anche come analisi integrata) sta diventando parte del motore di analisi geospaziale di GeoPard.

Le combinazioni classiche per l’analisi integrata includono uno o più dataset di resa, una mappa NDVI, l’altitudine e le caratteristiche fisico-chimiche rilevate dai sensori del suolo. GeoPard supporta questi parametri e consente anche di includere altri livelli di dati del campo già disponibili nel sistema o caricati direttamente dall’utente, come i dati di campionamento del suolo e di resa. In questo modo, è possibile utilizzare un insieme completo di parametri per l’analisi integrata:

Dati di resa\
Dati di telerilevamento:

* Mappa del potenziale produttivo (annuale e pluriennale)
* Mappa di stabilità/variabilità
* Indici di vegetazione NDVI, EVI2, WDRVI, LAI, SAVI, OSAVI, GCI, GNDVI

Topografia:

* Altitudine
* Pendenza
* Curvatura
* Indice di umidità
* Esposizione
* Ombreggiatura del rilievo
* Accidentazione
* Rugosità

Dati del suolo:

* pH
* CEC (capacità di scambio cationico)
* SOM (sostanza organica del suolo)
* K (potassio)
* Strato superficiale del suolo sottile, minore capacità di ritenzione idrica disponibile (suolo soggetto a siccità)
* EC (conducibilità elettrica)
* e altri parametri chimici disponibili nel dataset caricato

È importante notare che è possibile configurare fattori personalizzati per ogni livello di dati e assegnare il peso desiderato. In GeoPard puoi creare mappe delle zone di gestione basate sulla tua conoscenza del campo, selezionando le fonti dei dati e i rispettivi pesi.

## Come funzionano i pesi dei livelli

Il peso determina quanto ciascun livello influisce su ogni pixel della mappa delle zone risultante.

### Prima si esegue la normalizzazione

I livelli di input utilizzano unità e intervalli incompatibili: l’NDVI varia da 0 a 1, la resa da 4 a 12 t/ha, il pH da 5,5 a 7,5 e l’EC da 5 a 60 mS/m. Combinare i valori grezzi farebbe prevalere il livello con l’intervallo numerico più ampio, indipendentemente dalla sua importanza agronomica.

GeoPard applica prima la normalizzazione min-max a ogni livello, riportandolo a un intervallo comune in base ai valori minimo e massimo del livello all’interno del campo. A determinare l’influenza è quindi soltanto il peso.

### Poi si applicano i pesi

Ogni livello normalizzato viene moltiplicato per il proprio peso e i livelli vengono combinati in un’unica superficie.

### I pesi negativi invertono il livello

Un peso negativo inverte la scala: i valori alti del livello vengono considerati bassi e quelli bassi alti. Usa questa opzione quando valori elevati indicano condizioni peggiori, ad esempio:

* Tenore di argilla in un campo con drenaggio insufficiente
* Altitudine, quando le aree depresse sono esposte a gelate o ristagni idrici
* EC, quando valori elevati indicano salinità anziché capacità di ritenzione idrica

### I valori mancanti vengono interpolati

Quando in un livello mancano dei pixel (copertura nuvolosa in un’immagine satellitare, un passaggio saltato nei dati di resa o punti di campionamento del suolo poco numerosi), GeoPard interpola i dati mancanti a partire dai valori circostanti, invece di escludere il pixel. La mappa combinata rimane continua su tutto il campo.

### Il risultato viene nuovamente normalizzato

Dopo l’applicazione dei pesi e la combinazione dei livelli, la mappa risultante viene normalizzata nuovamente per coprire l’intero intervallo e poi suddivisa nel numero di zone selezionato.

{% hint style="info" %}
**Scelta dei pesi:** inizia assegnando il peso più alto al livello di cui ti fidi maggiormente. La resa pluriennale e la produttività satellitare a lungo termine sono in genere gli indicatori più affidabili. Le immagini satellitari di una singola data sono più legate alle circostanze, perché una singola immagine mostra un solo momento della stagione.
{% endhint %}

Le immagini seguenti mostrano un campo di esempio con livelli di dati come una mappa della produttività basata su 18 anni di dati, un modello digitale del terreno, la pendenza, l’ombreggiatura del rilievo e i dati di resa del 2019, insieme a diversi risultati dell’analisi integrata. Puoi osservare come evolvono le zone di gestione man mano che vengono aggiunti altri livelli.

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-8.png?resize=1024%2C501&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-9.png?resize=1024%2C504&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-10.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></figcaption></figure>

<figure><img src="https://i0.wp.com/help.geopard.tech/wp-content/uploads/2021/12/image-11.png?resize=1024%2C505&#x26;ssl=1" alt=""><figcaption></figcaption></figure>


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.geopard.tech/geopard-tutorials/it/tour-del-prodotto-app-web/zones-maps-and-analytics/multi-layer-analytics.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
