Codifica della voce e dell'audio/Tecniche PCM

Le tecniche di quantizzazione PCM si basano su:

• codifica campione-per-campione: lavorano su un campione alla volta, e per ogni campione $x[n]$ in ingresso producono un campione quantizzato ${\hat {x}}[n]$ in uscita;
• codifica di forma d'onda: l'obiettivo è produrre una forma d'onda geometricamente simile all'originale → la forma d'onda risultante sarà anche percettivamente simile.

Le tecniche PCM per la codifica della voce in banda telefonica possono essere suddivise in:

• statiche: una volta che l'algoritmo è stato progettato, esso non cambia nel tempo:
  • senza memoria (o stateless): ogni campione è quantizzato indipendentemente dagli altri campioni;
  • differenziali o predittive: la quantizzazione di ogni campione sfrutta anche informazioni dagli altri campioni nel passato e/o nel futuro;
• adattative: l'algoritmo si adatta al segnale corrente stimato.

Caratteristiche delle tecniche PCM

• + robustezza ai segnali di ingresso: poiché l'algoritmo non fa assunzioni sul tipo di segnale, esso continua a funzionare dando buone prestazioni se il tipo di segnale fornito in input non è voce;
• + complessità: è quasi nulla, al massimo pari a 1 MIPS;
• + ritardo: è basso;
• − bit rate: le tecniche PCM non riescono a garantire la toll quality con un bit rate al di sotto di 32 kb/s (4 bit/campione) → è un bit rate medio-alto, e può essere troppo alto per specifiche applicazioni (ad es. telefonia satellitare).

Tecniche PCM senza memoria

Quantizzatore uniforme: PCM lineare

Esempio di quantizzazione uniforme.

Caratteristica ingresso/uscita di un quantizzatore uniforme.

Il quantizzatore uniforme è caratterizzato da una distribuzione dei livelli uniforme: la zona operativa $X_{m}$ è suddivisa in $2^{N}-1$ gradini di quantizzazione di ampiezza costante $\Delta ={\frac {X_{m}}{2^{N}}}$.

La potenza $\sigma _{e}^{2}$ dell'errore di quantizzazione $e\left[n\right]$, avente una funzione densità di probabilità ${\text{PDF}}_{e}\left(t\right)$ uniforme, è:

$\sigma _{e}^{2}=\int _{-{\frac {\Delta }{2}}}^{+{\frac {\Delta }{2}}}e^{2}\left(t\right)\cdot {\text{ PDF}}_{e}\left(t\right)dt={\frac {\Delta ^{2}}{12}}$

Il rapporto segnale/rumore SNR è lineare nel numero di bit $6N$:

${\text{SNR}}=10\log _{10}{\frac {\sigma _{x}^{2}}{\sigma _{e}^{2}}}\;{\text{dB}}=K+\alpha {\frac {X_{m}}{\sigma _{x}}}+6N$

→ il rapporto segnale/rumore SNR migliora di 6 dB per ogni bit in più utilizzato.

La codifica PCM lineare è basata su un quantizzatore uniforme a 4096 livelli:

• frequenza di campionamento: (imposta dal teorema di Shannon)

  $F_{c}=8000\;{\text{Hz}}\;=125\;\mu {\text{s}}>2\times 3400\;{\text{Hz}}$

• numero di bit:

  $N=12\;{\text{bit/campione}}\Rightarrow N_{Q}=2^{N}=4096\;{\text{livelli}}$

• bit rate:

  $R=12\;{\text{bit/campione}}\times 8000\;{\text{Hz}}=96\;{\text{kb/s}}$

Quantizzatore ottimo: PCM logaritmico (log PCM)

Caratteristica ingresso/uscita di un quantizzatore ottimo per la voce.

Il quantizzatore uniforme è un quantizzatore ottimo per segnali distribuiti uniformemente sulla zona operativa, ma i segnali audio naturali hanno una distribuzione di probabilità non uniforme. In particolare, la voce ha una funzione distribuzione di probabilità PDF gaussiana fortemente concentrata intorno al valor medio → a parità di qualità, è possibile risparmiare bit utilizzando un quantizzatore avente una distribuzione dei livelli non uniforme:

• intorno all'intensità media il segnale è più probabile → servono livelli più fitti;
• alle basse e alle alte intensità il segnale è meno probabile → i livelli possono essere più radi.

Poiché l'orecchio umano è sensibile in modo para-logaritmico, il quantizzatore ottimo per la voce ha una distribuzione dei livelli simil-logaritmica:

I livelli del quantizzatore uniforme sono mappati ai livelli del quantizzatore ottimo secondo una distribuzione simil-logaritmica.

• intorno all'intensità media, i livelli del quantizzatore uniforme sono mappati a tanti livelli vicini tra loro del quantizzatore ottimo;
• alle basse e alle alte intensità, i livelli del quantizzatore uniforme sono mappati a pochi livelli lontani tra loro del quantizzatore ottimo.

Standard ITU G.711

Lo standard G.711, sviluppato da ITU, usa una codifica PCM logaritmica (log PCM) basata su un quantizzatore ottimo a 256 livelli:

• numero di bit: i livelli di quantizzazione sono in minor numero ma sono meglio distribuiti secondo le caratteristiche del segnale vocale:

  $N=8\;{\text{bit/campione}}\Rightarrow N_{Q}=2^{N}=256\;{\text{livelli}}$

• bit rate: lo standard G.711 raggiunge un bit rate più basso rispetto al PCM lineare pur mantenendone le stesse prestazioni:

  $R=8\;{\text{bit/campione}}\times 8000\;{\text{Hz}}=64\;{\text{kb/s}}$

Applicazioni

• il primo standard per la telefonia digitale, chiamato ISDN

Ulteriori evoluzioni

• telefonia cellulare (GSM, 3G...): il bit rate arriva a 13 kb/s, anche se con la tecnologia di oggi si potrebbe arrivare a circa 6 kb/s;
• applicazioni militari (es. telefoni criptati) e civili (es. telefoni satellitari): il bit rate scende addirittura a 1 kb/s, ma la voce, seppur intelligibile, non è tanto naturale.

Tecniche PCM differenziali o predittive

Le tecniche PCM senza memoria sono adatte per la codifica del rumore bianco: ogni bit vale 0 o 1 con probabilità 50% → dato un qualunque campione, nessun campione nel passato o nel futuro può fornire informazioni sul campione corrente, perché i campioni sono tutti completamente scorrelati tra loro. Nei segnali audio naturali invece esistono molte correlazioni tra un campione e l'altro, che possono essere sfruttate per comprimere di più.

Quantizzatore differenziale: PCM differenziale (DPCM)

L'idea delle tecniche differenziali è quella di codificare e trasmettere non il campione del segnale originario, con tutta la sua ampia dinamica possibile di valori, ma solo la differenza, detta segnale differenziale, tra ogni campione e uno o più dei suoi campioni precedenti.

Se i campioni sono sufficientemente in media correlati tra loro, il segnale differenziale ha una dinamica $X_{m}$ molto inferiore e una distribuzione gaussiana più stretta ($\sigma _{x}\gg \sigma _{d}$) rispetto al segnale originario → servono meno livelli di quantizzazione per raggiungere le stesse prestazioni.

Quantizzatore differenziale del 1º ordine

La differenza $d[n]$ codificata e trasmessa è calcolata tra il campione corrente $x[n]$ e il campione precedente $x[n-1]$:

$d\left[n\right]=x\left[n\right]-x\left[n-1\right]$

Il coefficiente di correlazione $\rho$ dice quanto due campioni consecutivi sono correlati tra loro:

$\rho ={\frac {E\left[x\left[n\right]x\left[n-1\right]\right]}{E\left[x^{2}\left[n-1\right]\right]}},\quad 0\leq \rho \leq 1$

• se il campione $x\left[n\right]$ è uguale al campione precedente $x\left[n-1\right]$, la correlazione $\rho$ è pari a 1:

  $x\left[n\right]=x\left[n-1\right]\Rightarrow \rho ={\frac {E\left[x^{2}\left[n-1\right]\right]}{E\left[x^{2}\left[n-1\right]\right]}}=1$

• se il campione $x\left[n\right]$ è completamente differente rispetto al campione precedente $x\left[n-1\right]$, la correlazione $\rho$ è pari a 0.

Il coefficiente di correlazione $\rho$ è il valore ottimo che minimizza l'energia del segnale differenza $d[n]$:

${\text{min}}\,\sigma _{d}^{2}\Leftrightarrow d\left[n\right]=x\left[n\right]-\rho x\left[n-1\right]$

Dimostrazione

Dato il segnale differenziale:

$d\left[n\right]=x\left[n\right]-\alpha x\left[n-1\right]$

si vuole trovare il valore ottimo $\alpha$ che ne minimizza l'energia:

$\sigma _{d}^{2}=E\left[d^{2}\left[n\right]\right]=E\left[{\left(x\left[n\right]-\alpha x\left[n-1\right]\right)}^{2}\right]=E\left[x^{2}\left[n\right]\right]+\alpha ^{2}E\left[x^{2}\left[n-1\right]\right]-2\alpha E\left[x\left[n\right]\cdot x\left[n-1\right]\right]\Rightarrow$

$\Rightarrow {\frac {\partial \sigma _{d}^{2}}{\partial \alpha }}=0;\;2\alpha E\left[x^{2}\left[n-1\right]\right]-2E\left[x\left[n\right]x\left[n-1\right]\right]=0;\;\alpha ={\frac {2E\left[x\left[n\right]x\left[n-1\right]\right]}{2E\left[x^{2}\left[n-1\right]\right]}}=\rho$

Il quantizzatore differenziale funziona molto bene con la voce telefonica grazie al fatto che statisticamente è un segnale fortemente correlato:

$\rho \simeq 0,9\Rightarrow d[n]=x[n]-0,9x[n-1]$

Processo di codifica e decodifica

1. il codificatore calcola il segnale differenziale $d[n]$ tra il campione corrente $x[n]$ e il campione precedente $x[n-1]$:

   $d\left[n\right]=x\left[n\right]-\rho x\left[n-1\right]$

2. il codificatore invia al decodificatore la versione quantizzata ${\hat {d}}[n]$ del segnale differenziale;
3. il decodificatore riceve il segnale differenziale quantizzato ${\hat {d}}[n]$ e ricostruisce il campione corrente ${\hat {x}}[n]$:

   ${\hat {x}}[n]={\hat {d}}[n]+\rho {\hat {x}}[n-1]$

Quantizzatore differenziale di ordine N

La differenza $d[n]$ è calcolata tra il campione corrente $x[n]$ e la combinazione lineare degli $N$ campioni precedenti:

$d[n]=x[n]-f\left(x[n-1],x[n-2],\ldots ,x[n-N]\right)=x[n]-\sum _{i=1}^{N}\alpha _{i}x[n-i]$

L'ordine $N$ deve essere scelto dal compromesso tra:

• prestazioni di compressione: più l'ordine è alto, più informazioni da campioni passati vengono prese per il campione corrente;
• prestazioni di calcolo: all'aumentare dell'ordine aumentano:
  • la memoria necessaria per bufferizzare gli $N$ campioni passati;
  • la complessità di calcolo.

Per la voce telefonica, la correlazione di breve termine (= relativa ai campioni adiacenti) è concentrata in media entro 8÷12 campioni → per la codifica della voce in banda telefonica è sufficiente il quantizzatore differenziale di ordine 10: il campione corrente viene codificato prendendo informazioni fino a 10 campioni (equivalenti a 1,2 ms) nel passato.

I valori ottimi dei parametri $\alpha _{i}$ possono essere calcolati risolvendo un sistema di $N$ derivate parziali in modo analogo al caso del 1º ordine:

${\begin{cases}{\frac {\partial \sigma _{d}^{2}}{\partial \alpha _{1}}}=0\\\vdots \\{\frac {\partial \sigma _{d}^{2}}{\partial \alpha _{N}}}=0\end{cases}}$

Codifica predittiva: Linear Predictive Coding (LPC)

Un approccio alternativo alla codifica differenziale è la codifica predittiva, che affronta un problema di predizione: data la serie storica dei valori passati, è possibile fare una predizione del campione $x[n]$ a partire dai campioni passati?

L'idea delle tecniche predittive è quella di codificare e trasmettere l'errore di predizione $e[n]$, cioè la differenza tra il valore effettivo del campione corrente $x[n]$ e il valore predetto ${\tilde {x}}[n]$:

$e[n]=x[n]-{\tilde {x}}[n]$

• codifica predittiva di ordine 1: la predizione ${\tilde {x}}[n]$ del campione corrente è basata solo sull'ultimo campione $x[n-1]$:

  ${\tilde {x}}[n]=f\left(x[n-1]\right)=\alpha x[n-1]$

  Se $\alpha$ è il coefficiente di correlazione $\rho$ tra il campione predetto ${\tilde {x}}[n]$ e il campione effettivo $x[n]$, l'errore di predizione $e[n]$ è minimizzato e la codifica è ottima;
• codifica predittiva di ordine N: la predizione ${\tilde {x}}[n]$ del campione corrente è basata sulla combinazione lineare degli ultimi $N$ campioni:

  ${\tilde {x}}[n]=f\left(x[n-1],x[n-2],\ldots ,x[n-N]\right)=\sum _{i=1}^{N}\alpha _{i}x[n-i]$

  Se i parametri $\alpha _{i}$ sono i coefficienti di predizione lineare, l'errore di predizione $e[n]$ è minimizzato e la codifica è ottima.

Processo di codifica e decodifica

La codifica predittiva funziona grazie al fatto che, dato che il decodificatore ha a disposizione una serie storica simile a quella a disposizione del codificatore, le predizioni svolte da entrambi indipendentemente l'uno dall'altro saranno simili:

1. il codificatore calcola il valore predetto del campione corrente a partire dagli ultimi $N$ campioni:

   ${\tilde {x}}[n]=f\left(x[n-1],x[n-2],\ldots ,x[n-N]\right)=$

   • ordine 1:

     $=\rho x[n-1]$

   • ordine N:

     $=\sum _{i=1}^{N}\alpha _{i}x[n-i]$

2. il codificatore calcola l'errore di predizione $e[n]$ confrontando il valore predetto ${\tilde {x}}[n]$ con il valore effettivo $x[n]$:

   $e[n]=x[n]-{\tilde {x}}[n]=$

   • ordine 1:

     $=x[n]-\rho x[n-1]$

   • ordine N:

     $=x[n]-\sum _{i=1}^{N}\alpha _{i}x[n-i]$

3. il codificatore invia al decodificatore la versione quantizzata ${\hat {e}}[n]$ dell'errore di predizione;
4. anche il decodificatore calcola il valore predetto per il campione corrente a partire dagli ultimi $N$ campioni ricostruiti:

   ${\tilde {x}}[n]=f\left({\hat {x}}[n-1],{\hat {x}}[n-2],\ldots ,{\hat {x}}[n-N]\right)=$

   • ordine 1:

     $=\rho {\hat {x}}[n-1]$

   • ordine N:

     $=\sum _{i=1}^{N}\alpha _{i}{\hat {x}}[n-i]$

5. il decodificatore riceve l'errore di predizione quantizzato ${\hat {e}}[n]$ e ricostruisce il campione corrente ${\hat {x}}[n]$:

   ${\hat {x}}[n]={\hat {e}}[n]+{\tilde {x}}[n]=$

   • ordine 1:

     $={\hat {e}}[n]+\rho {\hat {x}}[n-1]$

   • ordine N:

     $={\hat {e}}[n]+\sum _{i=1}^{N}\alpha _{i}{\hat {x}}[n-i]$

Tecniche PCM adattative: adaptive PCM (APCM)

Schema a blocchi dell'algoritmo usato dalle tecniche APCM.

Le tecniche PCM statiche sono progettate in base alle caratteristiche statistiche di lungo termine del segnale (valor medio $\mu$, varianza $\sigma$, funzione PDF...) → sono adatte per segnali stazionari le cui caratteristiche non dipendono dal tempo. I segnali audio naturali tuttavia sono fortemente non stazionari.

L'idea delle tecniche adattative è quella di usare un algoritmo in grado di adattarsi al segnale corrente stimato nel tempo, con l'obiettivo di risparmiare bit quando il segnale è meno complesso da codificare.

Algoritmo

1. stima dello stato del segnale: si determina lo stato del segnale (ad es. rumore o voce) all'interno di una finestra ampia $M$ campioni centrata in $n_{0}$;
2. scelta dell'algoritmo ottimo: si sceglie quale algoritmo di codifica è il più adatto al segnale corrente stimato entro la finestra corrente.
   L'algoritmo di codifica scelto deve essere mandato direttamente al ricevitore, cosicché il ricevitore sappia in che modo è stato codificato il segnale. I bit necessari per comunicare queste informazioni al ricevitore sono detti bit di overhead perché sono inviati insieme ai campioni quantizzati del segnale e quindi pesano sul bit rate complessivo;
3. codifica di $M$ campioni: si applica l'algoritmo di codifica scelto sulla sequenza di $M$ campioni compresa nella finestra corrente, e i campioni quantizzati sono mandati al ricevitore;
4. si ritorna al passo 1 avanzando la finestra alla sequenza di $M$ campioni successivi.

Il numero $M$ di campioni su cui viene applicato l'algoritmo di codifica scelto è un compromesso tra:

• prestazioni di compressione dei bit che trasportano informazioni multimediali: un adattamento molto frequente permette di seguire fedelmente l'evoluzione del segnale nel tempo e stimare lo stato in modo meno grezzo;
• limitazione dei bit di overhead: occorre contenere il bit rate complessivo evitando di inviare troppi bit di overhead.

Siccome il segnale vocale varia approssimativamente da 50 a 100 volte al secondo, è sufficiente aggiornare la scelta dell'algoritmo ottimo:

• ogni 20 ms:

  ${\frac {1\;{\text{s}}}{50\;{\text{volte/s}}}}=20\;{\text{ms}}$

• ogni $M=160$ campioni:

  ${\frac {20\;{\text{ms}}}{125\;\mu {\text{s/campione}}}}=160\;{\text{campioni}}$

Vantaggi/svantaggi

• + prestazioni di compressione
• − complessità di calcolo: occorre stimare lo stato del segnale 50 volte al secondo (per la voce);
• − overhead: i bit di overhead, essendo inviati insieme ai campioni quantizzati del segnale, pesano sul bit rate complessivo;
• − robustezza: a volte è difficile stimare lo stato del segnale (ad es. voce con rumore di fondo)

Energy-tracking APCM

Schema a blocchi dell'algoritmo usato dalla codifica energy-tracking APCM.

La codifica energy-tracking APCM è basata su un quantizzatore uniforme con fondo scala variabile nel tempo al fine di adattarsi ai cambiamenti nel tempo dell'energia del segnale:

• il fondo scala si riduce quando il segnale ha meno energia;
• il fondo scala si allarga quando il segnale ha più energia.

Riducendo del fondo scala quando possibile, si possono ottenere due risultati:

• aumento del rapporto segnale/rumore SNR a parità di bit rate: viene ridotta l'ampiezza $\Delta$ del gradino di quantizzazione, e quindi l'errore di quantizzazione $e[n]$, mantenendo costante il numero $N_{Q}$ di livelli di quantizzazione;
• riduzione del bit rate a parità di rapporto segnale/rumore SNR: viene ridotto il numero $N_{Q}$ di livelli di quantizzazione, mantenendo costante l'ampiezza $\Delta$ del gradino di quantizzazione.

Algoritmo

1. stima dell'energia istantanea: si misura l'energia locale istantanea del segnale $x[n]$ all'interno della finestra corrente:

   ${\textrm {E}}\left[n_{0}\right]=\sum _{i=n_{0}-{\frac {M}{2}}}^{n_{0}+{\frac {M}{2}}}x^{2}[i]$

2. scelta del fondo scala: si calcola il fondo scala più adatto per la finestra corrente (ad es. tramite la regola euristica del $4\sigma$), e si invia come overhead al ricevitore il fondo scala scelto;
3. quantizzazione uniforme di $M$ campioni con il fondo scala scelto;
4. si ritorna al passo 1.

Tecniche ADPCM

Schema a blocchi dell'algoritmo usato dalle tecniche ADPCM.

Le tecniche ADPCM introducono nelle tecniche DPCM l'adattività ai cambiamenti nel tempo dell'energia del segnale differenziale:

• DPCM: i valori ottimi dei parametri $\alpha _{i}$ sono calcolati una volta in fase di progetto, in modo da minimizzare globalmente l'energia $\sigma _{d}^{2}$ del segnale differenziale:

  $d[n]=x[n]-\sum _{i=1}^{N}\alpha _{i}x[n-i],\quad -\infty <n<+\infty$

• ADPCM: i valori ottimi dei parametri $\alpha _{i}$ sono calcolati di volta in volta per la finestra corrente di $M$ campioni, in modo da minimizzare localmente l'energia istantanea ${\textrm {E}}\left[n_{0}\right]$ del segnale differenziale:

  $d[n]=x[n]-\sum _{i=1}^{N}\alpha _{i}x[n-i],\quad n_{0}-{\frac {M}{2}}<n<n_{0}+{\frac {M}{2}}$

Algoritmo

1. stima dell'energia istantanea: si misura l'energia istantanea del segnale differenziale $d[n]$ all'interno della finestra corrente:

   ${\textrm {E}}\left[n_{0}\right]=\sum _{i=n_{0}-{\frac {M}{2}}}^{n_{0}+{\frac {M}{2}}}d^{2}[i]$

2. calcolo dei valori localmente ottimi dei parametri $\alpha _{i}$: si risolve il sistema di $N$ derivate parziali ($N=10$ per la voce), e si inviano come overhead al ricevitore i valori ottimi calcolati e quantizzati ${\hat {\alpha }}_{i}$ (il ricevitore dovrà compiere un'operazione di inversione della matrice);
3. quantizzazione differenziale di ordine N di $M$ campioni con i parametri $\alpha _{i}$ calcolati, e il segnale differenziale quantizzato ${\hat {d}}[n]$ è mandato al ricevitore;
4. si ritorna al passo 1.

Quantizzazione dei parametri $\alpha _{i}$

Quantizzatore uniforme

I valori ottimi dei parametri $\alpha _{i}$ calcolati per la finestra di trasmissione corrente sono numeri reali → oltre ai campioni del segnale stesso, occorre quantizzare anche questi valori per poterli mandare al ricevitore in modo digitale → occorre progettare un quantizzatore uniforme per ognuno dei 10 parametri $\alpha _{i}$:

1. creazione di un database: si raccoglie un numero statisticamente significativo di valori del parametro $\alpha _{i}$ a partire da un campione rappresentativo di segnali vocali;
2. caratterizzazione statistica: si costruisce la funzione densità di probabilità PDF del parametro $\alpha _{i}$, ricavandone le caratteristiche statistiche (per una gaussiana: la media $\mu$ e la varianza $\sigma$);
3. scelta del fondo scala $X_{m}$, ad esempio tramite la regola euristica del $4\sigma$;
4. scelta del numero $N_{Q}$ di livelli:
   • se è noto a priori il rapporto segnale/rumore SNR desiderato, è facile ricavare il numero di livelli per mezzo della formula:

     ${\text{SNR}}=10\log _{10}{\frac {\sigma _{x}^{2}}{\sigma _{e}^{2}}}\;{\text{dB}}=K+\alpha {\frac {X_{m}}{\sigma _{x}}}+6N_{Q}$

   • nel caso di segnali multimediali, si usano tanti livelli quanti bastano per ottenere una quantizzazione percettivamente trasparente: la voce ricostruita usando il parametro quantizzato $\alpha _{i}$ è percettivamente indistinguibile dalla voce ricostruita usando il parametro non quantizzato ${\hat {\alpha }}_{i}$.

Quantizzatore ottimo

La distribuzione di probabilità di ognuno dei parametri $\alpha _{i}$ però è fortemente concentrata intorno al valor medio → occorre progettare un quantizzatore ottimo, con distribuzione di livelli non uniforme, per ognuno di questi parametri.

Una volta progettato il quantizzatore ottimo, esso è in grado di quantizzare ogni parametro $\alpha _{i}$ su 3÷4 bit → i 10 parametri quantizzati ${\hat {\alpha }}_{i}$ richiedono complessivamente circa 40 bit (sarebbe richiesto circa il doppio dei bit con il quantizzatore uniforme) → essendo inviati 50 volte al secondo (ogni 20 ms), generano un overhead di 2000 b/s: le prestazioni di compressione devono apportare un miglioramento tale da giustificare questo notevole overhead.

Standard ITU G.726

Lo standard ITU G.726, grazie a una codifica molto complessa che è derivata dalla tecnica ADPCM, riesce a dimezzare il bit rate del precedente standard, l'ITU G.711, mantenendo la stessa qualità (toll quality):

$R=4\;{\text{bit/campione}}\times 8000\;{\text{Hz}}=32\;{\text{kb/s}}$

al prezzo di una complessità molto alta pari a 1 MIPS.

Applicazioni

• cordless
• ambito spaziale