LA STIMA DELLA PRESSIONE INSEDIATIVA

Per stimare il carico insediativo del territorio non basta fare una valutazione solo sulla distribuzione degli edifici. E' opportuno considerare anche parametri che riguardano la distruzione della popolazione. Per questo motivo la densità, intesa come rapporto tra numero di edifici e area, può essere caratterizzata dal numero di abitanti che popolano i suddetti edifici.

E' quindi importante valutare la densità per pixel di edifici (ad esempio, per ogni ettaro) ma è altrettanto importante considerare la “capienza” di questi edifici. La funzione KDE (Kernel Density Estimation) è una tecnica di interpolazione che fornisce una stima di densità di un fenomeno puntuale, producendo una superficie a tre dimensioni a partire da un insieme di punti distribuiti su di una regione dello spazio, una funzione mobile a tre dimensioni che pesa gli eventi entro la sua sfera di influenza, a seconda della loro distanza dal punto dal quale viene stimata l’intensità (Gatrell et al., 1996). Essa genera, avendo come input un tema puntuale vettoriale, un output raster continuo quale la densità.

Fig. 75 Kernel Density Estimation

In questo caso l'intensità sarà data dal volume (vuoto per pieno18_{) dell'edificio. Al fine di} considerare i due aspetti (densità e volume), si è provveduto ad assegnare ad ogni edificio (individuato come un poligono) un nuovo attributo, ossia il volume. Il volume si è ottenuto ricavando la quota di gronda di ogni edificio dalla cartografia e moltiplicandola per l'area della sagoma dell'edificio stesso.

Il poligono individuante l'edificio è stato convertito in centroide ed è stata applicata la Kernel Density Estmation (KDE) sui punti considerando il volume come parametro.

18_{Il volume lordo di ciascuno piano fuori terra è equivalente al prodotto della superficie lorda di}

Fig. 76 DEM e edificato (SIT-Regione Puglia)

La scelta della larghezza di banda (τ), intesa come larghezza entro la quale la funzione viene applicata, influenza notevolmente la superficie risultante di densità stimata e va tarata di volta in volta. Nel seguente caso la larghezza di banda scelta è pari a 500 metri.

λ (s) è la stima dell’intensità della distribuzione di punti (eventi) misurata nel punto s; si

è l'i-esimo evento, k rappresenta la funzione del kernel e τ la soglia. Dal punto di vista software il modulo della KDE utilizzato è presente nel programma R che è stato opportunamente collegato al database di GRASS.

Il risultato ottenuto mostra evidentemente un carico urbanistico e una densità elevata nei centri urbani principali ma evidenzia bene anche delle aree “esterne” che si differenziano da altre perché contraddistinte da abitazioni con volumi superiori. Questo risultato rappresenta una caratterizzazione importante del territorio e ne descrive gli aspetti caratterizzanti. Questo risulta fondamentale proprio per la gestione e il monitoraggio dello stesso territorio.

Fig. 77 Risultato della KDE con larghezza di banda pari a 500 metri con sovrapposizione degli edifici vettoriali

Questa applicazione, suddivisa in due parti, ha reso evidente di come lo studio del territorio e delle tematiche urbanistiche possono trarre beneficio dalla disponibilità sempre maggiore di dati. Tutto questo consente oggi un grado di approfondimento elevato dei problemi territoriali. E' da sottolineare però che in Italia non c'è omogenizzazione sui temi cartografici e ogni territorio, spesso anche della stessa Regione, presenta delle caratteristiche differenti.

Inoltre, in questo caso è stato palese il problema di una carenza strutturale dei DB topografici in quanto l'unico dato disponibile è relativo all'anno 2007.

Considerando che la Puglia rappresenta una Regione virtuosa in tal senso, ci si rende conto che la questione cartografia nella nostra nazione è una nota molto dolente per chi ha a che fare con il territorio.

Detto questo, il lavoro dimostra come dati telerilevati e dati spaziali “classici” possano essere usati contemporaneamente e integrati al fine di giungere ad un risultato migliore. Nella fattispecie i dati satellitari hanno permesso di valutare uno stato della edificazione in due date differenti e di fare una change detection sull'edificato, valutando anche il consumo di suolo.

I dati della cartografia del SIT Puglia invece sono stati utili sia come elemento di confronto della classificazione supervisionata che come ulteriore analisi effettuata mediante la densità di kernel.

Il risultato finale sintetizza e caratterizza il territorio di studio sulle questioni che riguardano l'evoluzione nel tempo dell'edificato e la pressione insediativa. Il lavoro si pone quindi come un nuovo approccio, legato alle nuove tecnologie e alla nuova disponibilità di dati territoriali, sui temi che riguardano la pianificazione e gestione del territorio.

6.4 APPLICAZIONE 4 - CLASSIFICAZIONE SUPERVISIONATA DELL'URBAN SPRAWL

Lo studio dell'assetto del sistema insediativo, per fini urbanistici, viene quasi sempre affrontato attraverso l'utilizzo di dati territoriali “classici” quali ortofoto, cartografia tecnica, etc.

In questa applicazione, il territorio di studio è sempre situato in Puglia ma l'analisi è focalizzata sul territorio delle città di Polignano a Mare e Monopoli (e Conversano per una minima parte) che, nel 2011, avevano una densità di popolazione compresa tra 140 e 319 abitanti/km2 _{(Fonte ISTAT). L'area analizzata è di circa 253 Km}2 _{con una linea di} costa di circa 17 km.

Fig. 78 Comune di Bari (in alto) e comune di Polignano a Mare e Monopoli

I dati utilizzati sono relativi alla missione Aster (http://asterweb.jpl.nasa.gov/) e alla missione Landsat (http://landsat.gsfc.nasa.gov/). Gli strumenti utilizzati per gestire ed elaborare i dati sono GRASS GIS, Quantum GIS e R statistical project.

L'obiettivo, mediante una classificazione supervisionata, è di comprendere la distribuzione delle dimensioni della dispersione insediativa e l'espansione dinamica urbana per definire una metodologia utile all'individuazione e al monitoraggio del fenomeno stesso. Al fine di ottenere delle mappe di sintesi del territorio sono stati applicati dei classificatori facendo particolare riferimento ad un algoritmo di machine learnig come la Support Vector Machine (SVM). La classificazione mediante SVM è stata messa a confronto con un algoritmo “consolidato” come il Maximum Likelihood (MLC).

L'inizio dell'applicazione ha previsto l'individuazione delle aree training che sono state rese compatibili sia sul dato Terra Aster che sul dato Landsat.