تجزیه و تحلیل شاخص کل و شاخص کل همگن

بحث بین اتحادیه اروپا (EU) و ایالات متحده در مورد برچسب گذاری محصولات غذایی به موضوع اصلی مذاکرات تجاری در حال انجام تبدیل شده است. اتحادیه اروپا مفهوم حفاظت را بر اساس نشانه های جغرافیایی (GI) بیان می کند و این به شدت با استراتژی تجاری ایالات متحده استفاده شده در برچسب گذاری مبدا جغرافیایی آنها در تضاد است (Gervais، 2015؛ Van Caenegem، 2015).

مفهوم اصلی GI در آغاز قرن بیستم در فرانسه با هدف ترویج محصولات شراب محلی در میان تشدید رقابت در بازار بین المللی شراب توسعه یافت. این سیستم همچنین با اعمال سیستم نامگذاری از شهرت تولید کننده محافظت می کرد. سایر کشورهای اروپایی، از جمله اسپانیا، ایتالیا و پرتغال، به سرعت از فرانسه در اتخاذ سیستم نامگذاری پیروی کردند (برهام، 2003). در سال 2008، اتحادیه اروپا ثبت نام GI را تحت "تعیین نام حفاظت شده منشاء" (PDO) برای برخی محصولات بخش شراب آغاز کرد (مقررات شورای (EC) شماره 510/2006؛ کمیسیون اروپا، 2006). اگرچه کشورهای عضو از برخی تفاوت ها در به کارگیری قوانین حفاظت GI استفاده می کنند، مفهوم اصلی حفاظت GI همیشه بر اساس مفهوم terroir است.

قطعنامه سازمان بین المللی تاک و شراب (OIV) 333/2010 مفهوم terroir را اینگونه تعریف می کند: «به کارگیری در منطقه ای که تعامل بین بخش های آلی و معدنی زمین و فعالیت های کشاورزی کاربردی، ویژگی های ترکیبی را تشکیل می دهند. منحصر به فرد بودن محصول از این مناطق» (OIV، 2010). فرانسه مفهوم terroir را در ارتباط با شراب آغاز کرد. این ویژگی ها می توانند تأثیر مستقیم یا غیرمستقیم بر نوع و کیفیت شراب منطقه داشته باشند.

تفاسیر اضافی از terroir عبارتند از:

(الف) علاوه بر عوامل محیطی، عوامل جغرافیایی انسانی مانند سنت مرتبط با انتقال اطلاعات و محیط فرهنگی نیز می تواند بر شخصیت شراب تأثیر بگذارد (وودور، 2002).

(ب) کری (2001) تروآر را مجموعه ای از عوامل طبیعی تعریف می کند که به راحتی توسط فعالیت های انسانی قابل تغییر یا تغییر نیستند.

(C) گلادستونز و اسمارت (1997) ترویر را پیچیده تر می دانند، به طوری که تأثیرات روی شراب را نمی توان صرفاً به عنوان ترکیبی از اجزای طبیعی منظر اندازه گیری کرد.

GIS نه تنها توسط Terroir بلکه با اجرای استانداردها و رویه های خاص نیز محافظت می شود. در عمل ، این بدان معنی است که شراب نه تنها باید از یک منطقه خاص تهیه شود بلکه باید با رویه های مصوب نیز تهیه شود و ویژگی های خاص را برآورده کند. سومین رویکرد اصلی اتحادیه اروپا به GI این است که محصول GI از استفاده غیرمجاز محافظت کامل دارد تا محصولات جدید به هیچ وجه قابل برچسب زدن باشند که می توانند برای یک محصول GI اشتباه بگیرند (Gangjee ، 2012).

حمایت از همه محصولات کشاورزی ایالات متحده ، از جمله شراب ، مبتنی بر درخواست علامت تجاری است. تولیدکنندگان حقوق انحصاری و محافظت از محصول خود را به دست می آورند و خریداران ضمانت بیشتری از محصولات با کیفیت بالا کسب می کنند. دفتر ثبت اختراعات و علائم تجاری ایالات متحده به طور کلی ثبت نام محصولات با نام علائم تجاری را بر اساس مکان های جغرافیایی حذف نمی کند (دفتر ثبت اختراع و علائم تجاری ایالات متحده ، 2016). علاوه بر این ، ویژگی های جغرافیایی فقط در مواردی که این ویژگی ها به خواص دیگری غیر از منشأ جغرافیایی محصول اشاره می کنند ، می توانند محافظت شوند. آمریکا با رویکرد GI اروپا به طور عمده مخالفت می کند ، زیرا الگوی اروپایی را نوعی حمایت گرایی ، محافظت از تولید کنندگان سنتی اتحادیه اروپا و اطمینان از مزایای آنها نسبت به سایر تولید کنندگان بازار جهانی می داند. اتحادیه اروپا در مورد اعتراض ، استدلال می کند که رویکرد آن عمدتاً از مصرف کنندگان محافظت می کند. تحت سیستم اتحادیه اروپا ، مصرف کنندگان اطلاعات صریح در مورد محصولاتی که خریداری می کنند تضمین می شود و اشتباه گرفتن محصولات مشابه با یکدیگر سخت تر است (Farrand ، 2016).

بحث و گفتگو در مورد برچسب زدن مواد غذایی همچنان موضوعی مداوم بین اتحادیه اروپا و ایالات متحده در سازمان تجارت جهانی (WTO) و مشارکت فراملی (TPP) و همچنین در تدوین قابل قبول از تجارت و سرمایه گذاری فراتر از اقیانوس اطلس (TTIP) است. یک استدلال مؤثر در برابر اجرای مدل GI اروپا ، به چالش کشیدن "منطقه" به عنوان پایه و اساس PDO است. Barham (2003) و Vaudour و همکاران.(2015) حمایت می کند که مرزهای PDO غالباً نماینده مرزهای Terroir نیستند. به همین دلیل ، کشورهایی که مدل GI اروپا را اتخاذ کرده اند ، باید بر از بین بردن این درگیری متمرکز شوند.

این مطالعه پهنه بندی برای مناطق تاکستان بورژلند اتریش را پیشنهاد می کند. این کشور عضو اتحادیه اروپا مدل GI اروپا را معرفی کرد و مناطق PDO - به اصطلاح Controlatus Austria Controlatus (DAC) - را برای گرانترین و بهترین کیفیت شراب ایجاد کرد. این فرضیه برای آزمایش در صورتی که مرزهای PDO فعلی با ویژگی های جغرافیایی واحدهای طبیعی Terroir مطابقت داشته باشد ، تشکیل شده است. اهداف جزئی برای اعتبارسنجی فرضیه ایجاد شد:

ایجاد نقشه پهنه بندی شراب Burgenland بر اساس ویژگی های جغرافیایی فیزیکی که ماده طبیعی تررویر را که توسط آمار چند متغیره تعیین می شود ، تشکیل می دهند.

اعتبارسنجی وسعت واقعی منطقه Burgenland DAC با منطقه بندی تازه شکل گرفته.

پیشنهادات برای تغییرات احتمالی در مرزهای DAC برای شروع بحث در مورد این موضوع و تحریک مذاکره با مقامات و سازمان های درگیر.

مواد و روش ها

در سال 2009 اتریش شراب را بر اساس قانون شراب سازی به دو دسته تقسیم کرد: شراب با و بدون برچسب های جغرافیایی (Weingesetz ، 2009). این مطالعه بر روی شراب با برچسب های جغرافیایی و به طور خاص بر روی شراب هایی که در مناطق محافظت شده DAC تولید می شوند ، تمرکز دارد. منطقه تولید شراب اتریش به 16 منطقه با رشد شراب با نشانه جغرافیایی شراب تقسیم می شود: هفت با "انواع پروفایل" و نه منطقه به اصطلاح DAC. در مناطق سابق فقط شراب های ساخته شده از انواع منتخب ، منطقه ای معمولی گنجانده شده و محافظت می شوند ، در حالی که در مناطق DAC عوامل دیگری مانند احترام به تکنیک های پردازش تجویز شده توسط کمیسیون منطقه ای در نظر گرفته شده است. چهار مورد از این مناطق DAC در Burgenland واقع شده است (شکل 1) ، با این قلمرو بیش از 3،961. 8 کیلومتر 2 و 138. 4 کیلومتر 2 منطقه تاکستان را پوشش می دهد. بیشتر سرزمین بورژلند در یکی از چهار منطقه DAC قرار دارد: Neusiedlersee ، Leithaberg ، Mittelburgenland و Eisenberg. فقط دو منطقه در یک منطقه DAC وجود ندارد و این مناطق Leithaberg DAC را در قسمت شمالی ایالت فدرال احاطه می کنند. متداول ترین انواع شراب Burgenland عبارتند از Zweigeltrebe ، Welschriesling ، Burgundy سفید ، Chardonnay و Lemberger.

جدول شکل 1. محل مناطق Burgenland DAC در اتریش.

جدول شکل 1. محل مناطق Burgenland DAC در اتریش.

مناطق همگن ما می تواند توسط بسیاری از عوامل جغرافیایی فیزیکی مرتبط ایجاد شود. داده های ورودی از کلیه 66،673 منطقه تاکستان به طور رسمی ثبت شده در ایالت فدرال Burgenland جمع آوری شد (AMT der Burgenländichen Landesregierung ، 2016). داده های نشانگر آب و هوا از پایگاه داده عمومی قابل دسترسی WorldClim (Hijmans et al. ، 2005) ، Atlas Wind of Oustria (Krenn et al. ، 2012) و تنها منبع اطلاعات خاک پایگاه داده الکترونیکی است که داده های جمع آوری شده از یک-مناطق کاردستی خاک شده کیلومتر (BFW ، 2016). مدل زمین دیجیتال محاسبه ویژگی های توپوگرافی و جدول 1 داده های ورودی مورد استفاده برای منطقه بندی را نشان می دهد.

داده های توپوگرافی: ارتفاع - ارتفاع بالاتر از سطح دریا ؛TWI - شاخص رطوبت توپوگرافی ؛TPI - شاخص موقعیت توپوگرافی. داده های آب و هوا (تجزیه و تحلیل انجام شده بر روی سطوح حاصل از بانک اطلاعاتی WorldClim 1950-2000 (وضوح 1 کیلومتر). منبع داده Hijmans و همکاران ، 2005): تبخیر-تبخیر و تعرق بالقوه. GST - میانگین دمای جو در فصل پوشش گیاهی ؛HI - Huglin Index ؛GDD - روزهای در حال رشد ؛DTR - دامنه دمای روزانه (اختلاف دما بین روز و شب). CI - شاخص شب خنک ؛Percip - بارندگی کل در فصل پوشش گیاهی ؛گلوبیر - تابش بالقوه جهانی ؛باد-میانگین سرعت باد (داده های به دست آمده از اطلس بادی 2009-2011 اتریش. منبع داده Krenn و همکاران ، 2012). داده های خاک و بستر به دست آمده از BFW (2016): SOM - درصد مواد آلی ؛PH - واکنش خاک ؛خاک رس - درصد محتوای خاک رس ؛سیلت - درصد درصد سیلت ؛CA - درصد درصد کلسیم ؛ماسه - درصد محتوای شن و ماسه ؛عمق* - داده های طبقه بندی شده از عمق خاک (1 عمق بیشترین عمق). آب ** - داده های طبقه بندی شده از میزان آب خاک (1 خشک ترین - 14 مرطوب ترین).

روش تحقیق به دو مرحله اصلی تقسیم می شود: (1) کاهش ابعاد و یافتن روابط مشترک در مجموعه داده های چند بعدی با تجزیه و تحلیل عاملی و (2) ایجاد مناطق با تجزیه و تحلیل خوشه ای. اعتبار سنجی دقت منطقه بندی تاکستان پیشنهادی در یک مرحله جداگانه نشان داده شده است.

تجزیه و تحلیل عاملی برای کاهش مجموعه داده های چند بعدی به منظور کوچک کردن اندازه داده های اصلی با حداقل از دست دادن اطلاعات استفاده شد. این از این فرض ناشی می شود که روابط بین پارامترها نتیجه تعداد کمتری از ابعاد غیرقابل اندازه گیری است که به عنوان عوامل برچسب گذاری شده اند. اولین گام مهم استانداردسازی داده ها با z-score و ارزیابی قابلیت استفاده مجموعه داده برای تحلیل عاملی بر اساس آزمون کایزر-مایر-اولکین (KMO) است (Kaiser and Dickman, 1959). علاوه بر این، داده های با مقدار بیشتر از 0. 6 برای تحلیل عاملی مناسب بودند.

در مرحله بعد، تحلیل عاملی را بر روی بقیه داده ها انجام دادیم. از آنجایی که یکی از اهداف تحلیل عاملی کاهش داده های ورودی است، کاهش عوامل را بر اساس معیار کایزر انجام دادیم. این معیار توصیه می کند که عواملی با مقدار ویژه بزرگتر از 1 حفظ شوند (کایزر و دیکمن، 1959).

آخرین بخش تحلیل عاملی چرخش عوامل بود. بیشتر روش های چرخش مبتنی بر تابع سادگی است که تابعی از همه بارهای عاملی است. برای رسیدن به مقادیر حداکثر یا حداقل بار عاملی ساخته شده است. انتخاب روش چرخش مختص محقق است و در اینجا ما چرخش متعامد Varimax را انتخاب می کنیم.

مناطق با تجزیه و تحلیل خوشه ای k-means غیر سلسله مراتبی ایجاد شدند، زیرا ادبیات آماری استفاده از آن را برای مجموعه داده های بزرگتر توصیه می کند و کاربرد آن ساده است (Kurasova و همکاران، 2014). مجموعه داده ورودی به k-cluster تقسیم شد به طوری که شباهت درون خوشه ای تا حد امکان زیاد و شباهت بین خوشه ای تا حد ممکن کمتر بود. شباهت خوشه بر روی میانگین مقدار مشخصه های انتخاب شده در هر خوشه محاسبه می شود. خوشه بندی K-means ابتدا شامل انتخاب تعداد اشیا یا خوشه ها برای ارائه پارامتر k می شود و هر یک از این اشیاء مرکز ثقل خوشه را فراهم می کنند. اشیاء باقی مانده به مشابه ترین خوشه ها اختصاص داده می شوند. سپس شباهت با فاصله جسم از مرکز ثقل خوشه محاسبه می شود. سپس یک مرکز ثقل جدید از خوشه های تازه تشکیل شده محاسبه می شود و این فرآیند تا زمانی تکرار می شود که هیچ تغییر دیگری برای بهبود رابطه بین و درون خوشه ای ایجاد نشود. مجموع مجذور خطا معیاری است که برای فاصله استفاده می شود.

این معیار برای ایجاد جمع و جور ترین و جدا شده ترین خوشه هایی که متناسب با شرایط مناطق تولید تاکستان ایجاد شده است ، تنظیم شده است. پارامتر K را نمی توان از وضعیت واقعی تخمین زد ، اما باید با روش های دیگر تنظیم شود. شاخص های اعتبار داخلی معمولاً برای مشخص کردن پارامتر K استفاده می شود. هیچ کس هنوز نتوانسته است تعیین کند که کدام شاخص دقیق ترین است ، بنابراین ما تخمین پارامتر K را با استفاده از پنج شاخص اعتبار داخلی مختلف آزمایش کردیم. ما محاسبه کردیم: Ball/Hall (Ball and Hall ، 1965) ، Hartigan (Hartigan ، 1975) ، WBI (Zhao et al. ، 2009) ، Calinski-Harabasz (Calinski and Harabasz ، 1974) و Xu Index (Xu ، 1997). ما خوشه بندی را از K = 2 تا K = 25 آزمایش کردیم ، با نقاط اولیه گرانش در هر فرآیند برای به حداکثر رساندن مسافت های اولیه داخل خوشه. شاخص های داخلی بر روی نمودارهای خطی مشاهده شد و مقدار پارامتر بهینه در حداکثر یا حداقل محلی تعیین شد (ژائو ، 2012).

علاوه بر کاربرد و مقایسه در نتیجه اعتبار سنجی شاخص ، ما از داده های ورودی برای برآورد تعداد خوشه ها توسط ابزار تجزیه و تحلیل خوشه ای عمومی در آماری 10 استفاده کردیم. تخمین خودکار پارامتر K با این روش برای آزمایش اعتبار انتخاب پارامتر K توسطشاخص هاسپس تجزیه و تحلیل خوشه ای در نتایج آنالیز عاملی انجام شد. هر یک از 66673 تاکستان مورد تجزیه و تحلیل متعاقباً با مناطق شناسایی شده مطابقت داشتند.

مرحله آخر نزدیکی پیوندها بین اعضای هر خوشه را نشان می داد. قدرت نیرو ، کیفیت تجزیه و تحلیل خوشه ای و اعتماد به نفس آماری هر شی در خوشه ها با تجزیه و تحلیل تبعیض آمیز چند بعدی مورد بررسی قرار گرفت (براون و مک نیکلاس ، 2012). این تجزیه و تحلیل درصد از اعضای صحیح شامل هر خوشه را با استفاده از ماتریس طبقه بندی ارائه می دهد. سپس دقت ورود با مقایسه تسهیل از پیش تعریف شده شی با یک خوشه محاسبه می شود. مسافت در تجزیه و تحلیل تبعیض در مسافت Mahalanobis در همبستگی پارامتر محاسبه می شود. تجزیه و تحلیل مستقل از محدوده ارزش پارامتر است و هر یک از اعضا با کمترین فاصله تا مرکز ثقل به خوشه اختصاص می یابد. این یک ماتریس طبقه بندی با درصد نمایندگی در هر دو خوشه ایجاد شده و کل تجزیه و تحلیل خوشه ایجاد می کند.

سرانجام ، مناطق DAC و مرزهای آنها از نظر بصری با مناطق همگن ایجاد شده مقایسه شد و پیشنهادات برای بحث و گفتگو با مقامات محلی/منطقه ای تهیه شد.

ترسیم مناطق تاکستان Burgenland بر اساس ویژگی های جغرافیایی فیزیکی که توصیف تشتر طبیعی با تجزیه و تحلیل دقیق از منابع علمی مربوطه در جدول 1 حاصل شدمناسب بودن (جدول 2). تجزیه و تحلیل عاملی سپس بدون TPI تکرار شد. آزمون KMO کلی برای همه پارامترها 89/0 بود ، بنابراین شرایط اولیه مناسب را برای تجزیه و تحلیل عاملی بدون TPI فراهم می کند.

نتایج تجزیه و تحلیل عاملی باعث استخراج پنج عامل با مقادیر ویژه بیش از 1 (جدول 3) و عوامل نیز در خارج از معیارهای کایزر بر اساس مطالعات علمی که محدود به ترویر طبیعی است ، استخراج شد. این مطالعات شرایط وقوع عوامل مشترک مؤثر بر تولید شراب را از پیش تعیین می کند. ما سپس چرخش Varimax را در نتایج تجزیه و تحلیل عاملی اولیه اعمال کردیم (جدول 4).

جدول 2. تست KMO از کفایت نمونه برداری برای داده های ورودی اعمال می شود

جدول 3. نتایج تجزیه و تحلیل عاملی بر اساس آزمون KMO

مقادیر KMO پایین تر از 0. 6 نشان می دهد که متغیر برای تجزیه و تحلیل عاملی کافی نیست و باید حذف شود. به همین دلیل ، شاخص TPI از تجزیه و تحلیل بیشتر حذف شد. اختصارات در جدول 1 توضیح داده شده است.

جدول 4. بارهای عاملی متغیرهای حفظ شده پس از چرخش واریماکس

به گفته کایزر و دیکمن (1959) ، عوامل دارای مقادیر ویژه بیشتر از 1 برای تجزیه و تحلیل خوشه ای انتخاب شدند.

جدول

روابط هر متغیر با عوامل حفظ شده بیان شده توسط بارهای عاملی. مقادیر BOLD نشان دهنده ارتباط معنی داری متغیر با عوامل استخراج شده است. اختصارات در جدول 1 توضیح داده شده است.

اولین فاکتور استخراج شده با توجه به بار بالای فاکتور پارامترهای آب و هوا با ارتفاع به عنوان توپوکلیم مشخص می شود. ضریب همبستگی برای منطقه مورد تجزیه و تحلیل بالاتر از 0. 96 است ، بنابراین بدیهی است که شرایط آب و هوایی به شدت با ارتفاع ارتباط دارد. عامل دوم با واکنش خاک و مقدار سیلت و کلسیم مرتبط است. اگرچه سیلت یک ویژگی فیزیکی خاک است ، ما از این عامل به عنوان شیمی خاک یاد می کنیم زیرا واکنش خاک با محتوای کلسیم خاک متحد است و این به شدت با خاکهای عمیق سیلتی مرتبط است. عامل سوم به نام آبگرفتگی خاک نامیده می شود زیرا نشان دهنده تغییر در جذب آب خاک و میزان ذرات خاک رس است. عامل چهارم تغییرات ذرات شن را نشان می دهد. در حالی که سایر پارامترهای مؤثر بر عامل چهارم بالاتر از 0. 5 نبودند ، بیشتر آنها بر خصوصیات فیزیکی خاک تأثیر گذاشت. بنابراین از خصوصیات فیزیکی خاک برای این عامل استفاده شد. فاکتور پنجم به عنوان توپوگرافی نامگذاری شد زیرا به شدت با شاخص رطوبت توپوگرافی و شیب مرتبط بود.

پارامتر k تعداد بهینه فاکتورها را منعکس می کند و این در مقادیر شاخص های اعتبار داخلی در شکل 2 تنظیم شده است. نتیجه با اعتبار سنجی متقاطع V-برابر در آماری 10 تجزیه و تحلیل خوشه عمومی تأیید شد.

جدول شکل 2. شاخص های اعتبار داخلی مقادیر مورد استفاده برای برآورد مقدار بهینه پارامتر k برای k = 2 تا k = 25. دایره قرمز تعداد بهینه خوشه ها (پارامتر K) را برجسته می کند.

جدول شکل 2. شاخص های اعتبار داخلی مقادیر مورد استفاده برای برآورد مقدار بهینه پارامتر k برای k = 2 تا k = 25. دایره قرمز تعداد بهینه خوشه ها (پارامتر K) را برجسته می کند.

دومین منطقه رایج تاکستان همگن منطقه 1 (جدول 5 ، شکل 3) با 27. 98 ٪ از کل منطقه تاکستان Burgenland است. این تقریباً به طور کامل در Neusiedlersee و Leithaberg DAC واقع شده است و دارای خاکهای بسیار عمیق با pH خنثی تا کمی قلیایی است که فاکتور شیمی خاک را نشان می دهد.

منطقه 2 سومین نوع متداول سایت تاکستان را دارد و 19. 06 ٪ از کل منطقه تاکستان Burgenland را در بر می گیرد. این کشور بیشتر در میتلبورگن لند DAC در مرکزی بورژلند واقع شده است و 77 ٪ از منطقه تاکستان را تشکیل می دهد. این منطقه از طریق فاکتورهای توپوگرافی و آب و هوایی با مناطق 1 و 4 متفاوت است و تاکستان ها در ارتفاع بالاتر با بارندگی بیشتر در فصل رشد و همچنین دمای جوی پایین تر هستند. همانطور که در زیر فاکتور توپچی تعیین شده است. تاکستان های موجود در این منطقه عمدتاً در دامنه ها قرار دارند. بنابراین در ضریب توپوگرافی نیز گنجانده شده است. خاکهای منطقه 2 نسبت به مناطق 1 و 4 نسبتاً کم عمق هستند ، بنابراین شرایط مختلف هیدروژولوژیکی را در این منطقه تحمیل می کنند.

منطقه 3 در آیزنبرگ DAC در بورگلند جنوبی کوچکترین منطقه است. خاک های آن به طور معمول کم عمق ، اسیدی و با کلسیم کمتری دارند. همانطور که در زیر فاکتور شیمی خاک ذکر شد. این خاک همچنین سریعتر خشک می شود زیرا حاوی کمتر ذرات خاک رس در فاکتور آبگرفتگی خاک است.

منطقه 5 شامل 41 ٪ از تاکستان های Leithaberg DAC است و در ارتفاع پایین قرار دارد ، با تأثیر آب و هوای قوی پاننی در منطقه 4 ذکر شده است. سطح آب در این آبگرفتگی خاک و کسر رس رس بالاتر آن را از مناطق دیگر متمایز می کند.

کیفیت تجزیه و تحلیل خوشه ای 95. 95 ٪ تأیید کرد که تجزیه و تحلیل تبعیض آمیز صحت و صحت روش انتخاب شده را تأیید می کند ، و صحت طبقه بندی هر منطقه نیز به یک سطح رضایت بخش رسیده است (منطقه 1 - 92. 10 ٪ ؛ منطقه 2 - 92. 31 ٪ ؛ منطقه 3 - 96. 62٪ ؛ منطقه 4 - 89. 50 ٪ ؛ منطقه 5 - 99. 95 ٪).

جدول 5. میانگین مقادیر شاخص های گروه بندی استفاده شده برای هر منطقه ایجاد شده

اختصارات در جدول 1 توضیح داده شده است.

مناطق همگن به منظور PDOS برای نزدیک شدن به مرزهای واقعی Terroir ایجاد شده است. ما تغییراتی در مرزهای منطقه ای DAC در مناطق مورد بررسی مانند تقسیم Neusiedlersee DAC به دو منطقه مساوی پیشنهاد می کنیم ، جایی که منطقه 4 برابر با Neusiedlersee DAC است و قسمت دوم به Leithaberg DAC پیوسته است زیرا ما همچنین بخشی از منطقه 1 است. ایجاد یک DAC در قسمت شمالی بورگنلند. این می تواند توسط کمیته منطقه ای و ملی در نظر گرفته شود که بررسی گنجاندن شراب DAC و گواهی برای استفاده از علائم تجاری DAC می تواند در صورتی صادر شود که برنامه هایی شامل مناطقی که در حال حاضر جزئی از هر DAC نیستند (شکل 3). علاوه بر این ، در حالی که دریاچه Neusiedler شامل باقیمانده Leithaberg DAC است که باید به یک منطقه DAC جداگانه تبدیل شود ، وضعیت متفاوتی برای Mittelburgenland و Eisenberg DAC وجود دارد که مناطق 2 و 3 از مرزهای مناطق DAC که در حال حاضر در قانون اتریش تعریف شده اند ، عبور نمی کنند. بنابراین ما توصیه می کنیم که مرزهای این مناطق شکل فعلی خود را حفظ کنند.

جدول شکل 3. مناطق همگن تاکستان مبتنی بر مفهوم طبیعی Terroir در ایالت فدرال بورژلند.

توضیحات کوتاه مناطق ایجاد شده: منطقه 1 - خاکهای سیلتی عمیق با pH خنثی تا کمی قلیایی. منطقه 2 - بالاترین مکان با خاکهای کم عمق در دامنه ها. منطقه 3 - خاکهای کم عمق ، اسید نسبی و خشک. منطقه 4 - کمترین ارتفاع با محتوای شن و ماسه بالا ؛منطقه 5 - بالاترین محتوای خاک رس. میانگین مقادیر شاخص های مورد استفاده در تجزیه و تحلیل خوشه در جدول 5 آورده شده است.

جدول شکل 3. مناطق همگن تاکستان مبتنی بر مفهوم طبیعی Terroir در ایالت فدرال بورژلند.

توضیحات کوتاه مناطق ایجاد شده: منطقه 1 - خاکهای سیلتی عمیق با pH خنثی تا کمی قلیایی. منطقه 2 - بالاترین مکان با خاکهای کم عمق در دامنه ها. منطقه 3 - خاکهای کم عمق ، اسید نسبی و خشک. منطقه 4 - کمترین ارتفاع با محتوای شن و ماسه بالا ؛منطقه 5 - بالاترین محتوای خاک رس. میانگین مقادیر شاخص های مورد استفاده در تجزیه و تحلیل خوشه در جدول 5 آورده شده است.

این تحقیق یک گام خاص در جهت محدود کردن مناطق تولید تاکستان یکدست که مرزهای آن با مناطق طبیعی طبیعی مطابقت دارد ، ارائه می دهد. این باید در هر منطقه DAC اجرا شود که محصولات را بر اساس GIS برچسب می زند. روش تجزیه و تحلیل خوشه ای برای شناسایی مناطق تاکستان در تحقیقات مورد استفاده قرار گرفته است (هررا نویزز و همکاران ، 2011 ؛ هاوس و همکاران ، 2012 ؛ پیشینی و همکاران ، 2014) ، و این نویسندگان با کاهش داده ها مناطق همگن واحدهای طبیعی تررویر را محدود می کننددر تجزیه و تحلیل مؤلفه اصلی (PCA). آنها سپس متغیرها را برای تجزیه و تحلیل خوشه ای از مجموعه داده ورودی خود ، بر اساس نمرات فاکتور حاصل ، انتخاب کردند.

ما از تجزیه و تحلیل عاملی برای کاهش داده ها استفاده کردیم ، زیرا تجزیه و تحلیل عاملی ساختار پنهان داده های چند بعدی را در نظر می گیرد. این در تجزیه و تحلیل PCA رخ نمی دهد. تجزیه و تحلیل عاملی ابزاری بهتر از تجزیه و تحلیل PCA است که فرض دانش از عواملی که داده های ورودی را توصیف می کنند وجود دارد و برای گرفتن ساختار آنها ضروری است (Beavers et al. ، 2013). هنگام استخراج عوامل خود ، از معیار Kaiser (کایزر و دیکمن ، 1959) و همچنین این فرض که عوامل فیزیکی و شیمیایی آب و هوا ، توپوگرافی و خاصیت خاک همه بر روی طبیعی طبیعی تأثیر می گذارند ، استفاده کردیم. علاوه بر این ، PCA در جستجوی روابط بین داده ها در مجموعه داده ها نیست ، فقط حداکثر واریانس را با کمترین تعداد مؤلفه های اصلی توضیح می دهد و منجر به نتایج دقیق تر ، اگر گاهی اوقات مشابه باشد. بنابراین ما تجزیه و تحلیل عاملی را کارآمدتر از PCA می دانیم.

تجزیه و تحلیل خوشه ای از K-Means بر اساس فاکتورهای استخراج شده و چرخان از دو روش تخمین پارامتر k استفاده می کند. این یک جنبه قوی از تحقیقات ما در مقایسه با پیشین و همکاران است.(2014). تعداد خوشه های ما توسط هر دو تجزیه و تحلیل خوشه ای تعمیم یافته با استفاده از اعتبار سنجی متقاطع V-Fold و پنج شاخص با اعتبار متفاوت تعیین شده است. برآورد حاصل از پارامتر K برای خوشه بندی K-Mean پایدار بود ، با تعداد خوشه های نزدیک به تعداد واقعی مناطق DAC در بورژلند. این فرضیه مندرج در تغییرات پیشنهادی ما در مرزهای این مناطق را توجیه می کند.

توجه به این نکته حائز اهمیت است که مناطق طبقه بندی شده طبیعی طبقه بندی شده ما نه تنها از مرزهای داخل منطقه ای بلکه مرزهای اداری نیز عبور می کنند. بنابراین باید تغییرات منطقه DAC در مناطق همسایه Burgenland ایجاد شود. ما این عامل را به دلیل موارد زیر در تجزیه و تحلیل خود گنجانیدیم: (1) ایجاد طبقه بندی مستقل از سایر مناطق مدل مهم بود.(2) ما نمی توانیم اتریش و مجارستان را به عنوان یک واحد واحد شناسایی کنیم زیرا این امر با هدف قانونی منطقه بندی اتحادیه اروپا به عنوان یک مکانیسم محافظ برای محصولات از یک منطقه خاص مغایرت دارد. و (3) تغییرات را نمی توان به طور مؤثر در منطقه بندی موجود اعمال کرد.

هررا نوهز و همکاران.(2011) از روش مشابهی برای پیشین و همکاران استفاده کرد.(2014) ، که در آن تجزیه و تحلیل خوشه ای از شاخص های توپوکالتی بسیار مهمی از تابش خورشیدی بالقوه استفاده می کند ، اما خوشه بندی نهایی داده های بستر خاک را شامل نمی شود که در تحقیقات با محوریت به نظر می رسد (White et al. ، 2007). علاوه بر این ، کری و همکاران.(2008) از نقشه های Overlain با داده های ورودی آب و هوا ، توپوگرافی ، زمین شناسی و خاک که با توجه به پتانسیل تولید آنها طبقه بندی شده اند ، استفاده می شود. بنابراین این نویسندگان به شرح مفصلی از واحدهای طبیعی Throir که خصوصیات کیفی را توصیف می کند ، دست یافتند ، اما این می تواند منجر به مشکلات در این زمینه شود زیرا تحقیقات کیفی به تنهایی کمتر از زمانی که با تحقیقات مناسب بر اساس داده های کمی تفسیر شده ترکیب شود ، کمتر مؤثر است. سنتز نهایی از تابش خورشیدی که تأثیر زیادی در تولید شراب در کلیه مناطق جهانی تاکستان دارد (ویس و همکاران ، 2003) و مزایای تجزیه و تحلیل خوشه ای شامل ویژگی های توصیفی موجود در مناطق تاکستان خاص در مناطق همگن ایجاد شده است. این روش مقایسه منطقه و تعیین تفاوت های کمی را که دستیابی به آن در نقشه های Overlain دشوار است ، امکان پذیر می کند. مرزهای واحد تعیین شده توسط این روش نیز هنگام تغییر مرزهای منطقه ای DAC مطابق با فرضیه ما و همچنین دستیابی به اهداف تحقیقات ما ، سخت تر است.

در مقابل ، هاوس و همکاران.(2012) از تجزیه و تحلیل خوشه ای سلسله مراتبی استفاده کرد که در آن مناطق تاکستان در مقیاس بزرگتر با داده های مشابه که فقط شرایط خاک را ضبط می کنند ایجاد می شوند. این مسئله هنگام استفاده از روش خوشه ای سلسله مراتبی در اندازه داده های خوشه ای ایجاد می کند. مشکلات محاسبه همچنین هنگامی بوجود می آید که تعداد زیادی از سوابق و پارامترها وجود داشته باشد زیرا خوشه بندی سلسله مراتبی از خوشه بندی K- سخت تر است. بنابراین دریافتیم که استفاده از این روش در مناطق بزرگ ، مشکلات ناخواسته ایجاد می کند.

تحقیقات گسترده محبوب در ارزیابی پتانسیل سایت های تاکستان Terroir که در آن منطقه بندی تاکستان بر اساس ویژگی های جغرافیایی فیزیکی ترکیبی است ، تمرکز دارد (بویر و گرگ ، 2000 ؛ جونز و داف ، 2011). این نویسندگان همگن منطقه را ارزیابی نمی کنند اگرچه این در واقع ناشی از منطقه بندی سایت تاکستان و مناطق بالقوه است. بخش اعظم این تحقیق نمی تواند اطلاعاتی را برای استفاده در محافظت از دستگاه گوارش استخراج کند. این فقط می تواند مناسب بودن کل یک سایت خاص را ارزیابی کند. این نوع تحقیق از نظر اقتصادی و اقتصادی بیشتر از ارزش بازار است ، حتی اگر با ارزش ترین مناطق را از آن دسته از مواردی که برای تولید شراب با کیفیت کمتر یا نامناسب جدا می شوند ، جدا می کند.

یکی از مهمترین اختلافات مربوط به GIS محصولات مبتنی بر مفهوم Terroir ، اختلاف بین مرزهای منطقه ای است که در آن محصولات ساخته می شوند و طبیعی طبیعی هستند. مرزهای محیط جغرافیایی فیزیکی که شکل منطقه تاکستان را تشکیل می دهد ، غالباً هنگام محدود کردن مرزهای مناطق از "جدول" یا عمدتاً بر اساس خصوصیات فرهنگی و اقتصادی و اجتماعی نادیده گرفته می شود. رویکرد روش شناختی مبتنی بر ترکیب فاکتور و تجزیه و تحلیل خوشه ای در شناسایی مناطق تولید تاکستان یکدست مناسب بود. از مرزهای این مناطق می توان برای محدود کردن مناطق PDO استفاده کرد و نتایج تحقیق ما حاکی از ایجاد پنج منطقه تولید به جای چهار و گنجاندن مناطقی است که از منطقه بندی حذف شده اند. فرایند شناسایی مناطق PDO که در نظر دارد فاکتورهای Terroir را می توان در سراسر اتریش اعمال کرد. همچنین می تواند با برخی از اصلاحات ناشی از داده های ورودی در سایر کشورهای عضو اتحادیه اروپا ، که مدل اروپایی محافظت از محصولات کشاورزی و به ویژه در مواردی که سیستم منطقه ای PDO هنوز توسعه نیافته است ، استفاده شود. اتریش نمونه ای عالی است زیرا مشابه سایر کشورهای عضو اتحادیه اروپا ، فقط به طور رسمی قوانین اروپایی برچسب زدن محافظت شده برای محصولات غذایی را تصویب کرده است. فرایند شناسایی مناطق تاکستان یکدست مطمئناً برای سایر کشورهای عضو اتحادیه اروپا که شراب تولید می کنند و دارای مجموعه داده های موجود از ویژگی های خاک هستند ، کاربرد دارد. بر اساس نتایج و تغییرات پیشنهادی ، ما تأکید می کنیم که قوی ترین دارایی تحقیق ما کاربرد این رویکرد در مناطق دیگر است.

این تحقیق با حمایت آژانس اعطای علمی وزارت آموزش و پرورش جمهوری اسلواکی و آکادمی علوم اسلواکی تحت کمک های مالی Vega 1/0540/16 و 1/0421/16 و APVV-15-0597 ، دانشگاه Comenius Grant No398/2016 و پشتیبانی نهادی Vukoz-IP-00027073.