Distribuzione del Loess nel Margine Appenninico della Pianura Padana: Identificazione e Classificazione dei Depositi Loessici Attraverso Rilievi di Campo, Cartografia Pedologica Digitale e Dati Telerilevati, e Modellizzazione della Loro Distribuzione Spaziale

This thesis maps the spatial distribution of three stratigraphic units along the Apennine fringe of the Po Plain (Northern Italy) — D3.1 (a buried vetusol developed on the Pede-Apennine fluviatile formation, predating loess deposition), D4 (the Borzano gravels, a braided-river valley-fill deposit cut into the same formation), and D5 (a post-tectonic erosional surface, or piedmont glacis) — all three of which are subsequently capped by the polygenic Ghiardo loess. Cremaschi's (1987) pedostratigraphic classification was adopted as the reference framework. Two Random Forest classifiers were trained under a spatially structured, class-balanced cross-validation scheme (k = 5 folds) to prevent spatial autocorrelation from inflating accuracy: a terrain-only model (n = 600 points; slope, aspect, profile and general curvature, distance to channel network, LS factor) and a combined terrain-and-spectral model restricted to bare-soil locations (n = 346 points; terrain predictors with B3, B6, B11 and ferrous index). Adding spectral predictors to terrain data increased out-of-fold classification accuracy from 56.7% to 63.0% (a 6.3 percentage-point gain), raised Cohen's kappa from 0.350 to 0.436, and improved multiclass AUC from 0.774 to 0.816. Both models classified significantly better than chance (Model A: 56.7% accuracy vs. a 33.3% no-information rate, p < .001; Model B: 63.0% accuracy vs. a 37.9% no-information rate, arising from unequal class prevalence in the bare-soil-restricted subset, p < .001). Ordinal severity error (RMSE) fell from 0.786 to 0.743 with the addition of spectral data. Distance to the channel network and the LS factor emerged as the two dominant predictors in both models via permutation importance. Partial dependence analysis showed D5's predicted probability rising consistently with slope, consistent with its documented origin as an erosional surface, while D4 showed a preference for concave curvature consistent with its valley-fill origin, and D3.1 showed terrain responses consistent with a stable, in-place buried profile. These statistically derived patterns were further cross-checked against spectral mineral matching (Spectral Angle Mapper against the USGS Spectral Library) and Malvern particle-size analysis of field soil samples (n = 18 core samples across six stratigraphic units, plus 6 supplementary samples). D3.1 and D4 showed broadly similar, loess-consistent mineralogy and grain-size signatures, plausibly reflecting the shared Ghiardo loess cover common to both units, while D5 showed a distinct mineral assemblage consistent with its status as an erosional surface exposing older substrate. These results demonstrate that combining terrain and spectral remote sensing data within a spatially aware machine learning framework measurably improves the identification of loess-derived stratigraphic units, and that the resulting classification patterns are geologically interpretable rather than purely statistical artefacts.

Questa tesi mappa la distribuzione spaziale di tre unità stratigrafiche lungo il margine appenninico della Pianura Padana (Italia settentrionale) — D3.1 (un vetusuolo sepolto sviluppatosi sulla formazione fluviale pedeappenninica, antecedente alla deposizione del loess), D4 (le ghiaie di Borzano, un deposito di colmata vallivo di ambiente fluviale a canali intrecciati, inciso nella medesima formazione) e D5 (una superficie erosiva post-tettonica, ovvero un glacis pedemontano) — tutte e tre successivamente ricoperte dal loess poligenico del Ghiardo. È stata adottata come quadro di riferimento la classificazione pedostratigrafica di Cremaschi (1987). Due classificatori Random Forest sono stati addestrati secondo uno schema di validazione incrociata spazialmente strutturato e bilanciato per classe (k = 5 fold), al fine di evitare che l'autocorrelazione spaziale gonfiasse artificialmente l'accuratezza: un modello basato unicamente su variabili di terreno (n = 600 punti; pendenza, esposizione, curvatura di profilo e generale, distanza dal reticolo idrografico, fattore LS) e un modello combinato terreno-spettrale, limitato alle sole aree di suolo nudo (n = 346 punti; variabili di terreno insieme alle bande B3, B6, B11 e all'indice ferroso). L'aggiunta delle variabili spettrali a quelle di terreno ha incrementato l'accuratezza di classificazione out-of-fold dal 56,7% al 63,0% (un guadagno di 6,3 punti percentuali), ha innalzato il coefficiente kappa di Cohen da 0,350 a 0,436, e ha migliorato l'AUC multiclasse da 0,774 a 0,816. Entrambi i modelli hanno classificato in modo significativamente superiore al caso (Modello A: accuratezza del 56,7% contro un no-information rate del 33,3%, p < ,001; Modello B: accuratezza del 63,0% contro un no-information rate del 37,9%, dovuto alla prevalenza di classe non equilibrata nel sottoinsieme limitato al suolo nudo, p < ,001). L'errore ordinale di severità (RMSE) è diminuito da 0,786 a 0,743 con l'aggiunta dei dati spettrali. La distanza dal reticolo idrografico e il fattore LS sono emersi come le due variabili predittive dominanti in entrambi i modelli tramite l'analisi della permutation importance. L'analisi delle partial dependence ha mostrato che la probabilità prevista per D5 aumenta in modo coerente con la pendenza, in accordo con la sua origine documentata come superficie erosiva, mentre D4 ha mostrato una preferenza per la curvatura concava, coerente con la sua origine di colmata vallivo, e D3.1 ha mostrato risposte di terreno coerenti con un profilo sepolto stabile e in situ. Questi pattern derivati statisticamente sono stati ulteriormente verificati incrociandoli con l'identificazione mineralogica spettrale (Spectral Angle Mapper rispetto alla USGS Spectral Library) e con l'analisi granulometrica Malvern di campioni di suolo raccolti sul campo (n = 18 campioni principali distribuiti su sei unità stratigrafiche, più 6 campioni supplementari). D3.1 e D4 hanno mostrato firme mineralogiche e granulometriche complessivamente simili, coerenti con il loess, plausibilmente riconducibili alla comune copertura di loess del Ghiardo condivisa da entrambe le unità, mentre D5 ha mostrato un'associazione mineralogica distinta, coerente con il suo status di superficie erosiva che espone il substrato più antico. Questi risultati dimostrano che la combinazione di dati di terreno e di telerilevamento spettrale, all'interno di un quadro di apprendimento automatico spazialmente consapevole, migliora in modo misurabile l'identificazione delle unità stratigrafiche di origine loessica, e che i pattern di classificazione ottenuti sono geologicamente interpretabili e non semplici artefatti statistici.