OLTRE L'EMERGENZA.
Un nuovo approccio alla
pianificazione dei territori
a rischio.
Francesco Alberti, Roberto Fiaschi,
Marco Natali e Francesca Tommasoni*
IntroduzioneNel 2015 il forum di Parigi sui Cambiamenti Climatici “COP 21” e la pubblicazione dell’A-genda ONU recante gli Obiettivi di sviluppo sostenibile per il 2030 (Sustainable Deve-lopment Goals - SDGs) hanno posto l’accen-to, tra le altre cose, sulla necessità di rendere le città e i territori più resilienti ai grandi di-sastri naturali. Sul tema, nello stesso anno si è inoltre tenuta a Sendai (Giappone) la “3rd UN World Conference on Disaster Risk Re-duction”, che ha portato alla sottoscrizione da parte dei paesi membri di una carta d’in-tenti - The Chart of Sendai Framework – nel-la quale sono stati fissati gli obiettivi globali di riduzione dei rischi e dei danni connessi a eventi calamitosi in termini di popolazione esposta, vittime, perdite economiche, etc., da perseguire nell’arco di validità dell’Agenda ONU. Gli assi prioritari d’intervento indivi-duati nella Carta per orientare le politiche nazionali ai fini del raggiungimento degli obiettivi globali sono:
I. Understanding disaster risk;
II. Strengthening disaster risk
gover-nance to manage disaster risk;
III. Investing in disaster risk reduction
for resilience;
IV. Enhancing disaster preparedness for
effective response and to “Build Back Better” in recovery, rehabilitation and reconstruction.
Il presente contributo illustra gli esiti princi-pali di una ricerca nel campo del Pre- e Post-Disaster Recovery Planning, svilup-pata in relazione agli assi prioritari III e IV della Chart of Sendai Framwork all’interno del Dipartimento di Architettura di Firen-ze con la collaborazione del Dipartimento di Protezione Civile della Regione Toscana e dell’ufficio della Protezione Civile dell’U-nione dei Comuni della Garfagnana (1). Più specificamente, la ricerca ha inteso perse-guire tre obiettivi connessi alle diverse fasi di pianificazione/progettazione delle aree di emergenza che, ai sensi della legislazione vi-gente in Italia, gli enti territoriali sono tenu-ti a reperire ai fini della gestenu-tione di possibili calamità. Ovvero:
1) definire una metodologia
operati-va, fondata su criteri oggettivi e verificabili e adattabile ai diversi contesti territoriali, per agevolare gli uffici tecnici locali nell’elabora-zione dei Piani di Protenell’elabora-zione Civile;
2) individuare criteri e modalità per
il coordinamento tra i piani di emergenza e gli strumenti di governo del territorio, assu-mendo la necessità di reperire aree idonee alla gestione di eventuali emergenze come un’opportunità, in sede di pianificazione or-dinaria, per dotare il territorio di spazi multi-funzionali a servizio della collettività;
03.
Rigenerazione,
ricostruzione,
recupero, riuso,
resilienza
Maurizio Carta, Andrea Arcidiacono,
MicheleTalia, Carlo Gasparrini, Stefano
Stanghellini, Carolina Giaimo, Francesco
Sbetti
ted with European policies, which today define objectives and measures at the Community level. For this reason, analysis of the regulatory and pro-grammatic framework cannot be separated from the Community level (Europe 2020 document, White Paper, Fourth Railway Package, Single Eu-ropean Sky II +, EuEu-ropean Innovation Partnership on Smart Cities and Communities, TEN-T net-work), as well as the national and regional levels. 6. The set of actions and interventions en-visaged in the Plan - identified as the Project Sce-nario Objective - enhance the integrated model of local public transport "ferro+gomma" with in-creases in the modal share of rail transport (from 4.7% in 2020 to 7.5% in 2050) and road transport (from 2.5% in 2020 to 13.6% in 2050). The reduc-tion in the use of private vehicles (from 70% in 2020 to 64.8% in 2050) in favor of collective tran-sport inevitably translates into an estimated daily reduction of atmospheric emissions of carbon dioxide of about 700 tons in 2020; 1,400 tons in 2030; and 2,200 tons in 2050.
7. The P.U.M.S. of the municipalities are: Agrigento, Sciacca, Bagheria, Acireale, Mazara Del Vallo, Marsala.
8. The disused narrow-gauge line, of about 124 km, from Castelvetrano-Selinunte-Porto Palo-Menfi-Sciacca-Ribera Magazzolo-Porto Empedo-cle, connected the coastal area of the province of Trapani with Agrigento. The project dates back to the end of the 19th century and construction began in 1906 and was completed in 1923. The Porto Empedocle-Ribera railway line, closed in 1978, was definitively abandoned in 1985; while the Ribera-Castelvetrano line, closed in 1986, was permanently abandoned in 2004.
9. The system of road infrastructure is con-stituted by S.S.115 which arrives from the North-West and continues towards the east, connecting Sciacca to Trapani and Palermo and, towards the east, to Agrigento. The S.P.79 that comes from the West, as well as acting as a glue with many countri-es along the coast, is a link with Menfi and Cam-pobello di Mazara. Instead the S.P.37 arrives from the North-East and connects the inside of the City with the city of Sciacca moving along to connect the critical knot between S.P.79 and S.S.115. 10. The Urban Mobility Plan has been in-cluded among the works financed by the ERDF 2007-2013 Operational Plan with an amount of 282 thousand, five hundred euro. Drafted by the working group composed of the RUP of the Mu-nicipality of Sciacca, by the company SINTAG-MA srl, studio Ciuffini, studio Oliveri, and studio Gangemi.
11. The choices and decisions, on mana-gement and infrastructural measures, contained within the PUM, are supported by a simulation model built with a process of integration between mobility demand (O/D matrices) and transport of-fer calibrated to the current situation through the ad hoc survey campaign. The road system of the Sciacca territory has been diagrammed in terms of supply: infrastructure network and system mo-bility demand. The traffic model was elaborated with Cube software from Citilabs. Starting from the ISTAT census section and the survey campaign, the trend of the static distribution of vehicular traf-fic was reconstructed, expressed in terms of equi-valent vehicles for the morning rush hour (7:45 - 8:45). The municipal census sections have been aggregated in traffic areas (areal activities from which originate and/or arrive the movements of users interested in the city). The zoning has defined 54 areas inside the Municipality of Sciacca and 31 external zones for the remaining part of the Provin-ce for a total of 85 ZDT. Relations with the outside world (the other provinces of Sicily, the whole of Italy and foreign countries) have been diagrammed with 6 guidelines, for a total of 91 traffic areas. The external zoning, extended to the entire Province of Agrigento, is on the municipal level for the most important municipalities and / or adjoining the Municipality of Sciacca and of an intra-city level for all the others. After the zoning it was possible to reconstruct a mapping of population density, the employed, students and staff.
References
AA.VV. (2004), “El territorio paso paso”, Ingenieria y territorio n. 69, Coolegio de Ingenieros de Cami-nos, Canales y Puertos, Barcelona.
Alps Mobility (2004), “Progetti pilota per un tra-sporto compatibile con l’ambiente”.
Bassi P. (2006), “Interventi progetti e azioni per la mobilità ciclistica in ambito urbano in Emilia Ro-magna”, Ecomondo, novembre 2006.
Cilona, T. (2017), "Urban planning and technolo-gical innovation, in O. Gervasi et al. (Eds.), ICCSA 2017, Part III, LNCS 10406, pp. 210–223. Springer International Publishing AG.
Euromobility (2017) “Mobilità sostenibile in 50 città italiane”, available at http://www.euromobi-lity.org
Marcarini A. (2006) La mobilità dolce, presenta-zione alla IV Conferenza Metropolitana dei Navi-gli Lombardi, dicembre 2017.
Rovelli R. (2004) “Il recupero delle ferrovie dimes-se come greenways”, Associazione Italiana Gre-enways, Milano.
I dati satellitari per
l’analisi del fenomeno
isola di calore urbano e la
valutazione di misure di
mitigazione: il caso della
Città di Milano
Nicola Colaninno*, Eugenio Morello*,
Francesco Musco**, Denis Maragno**
AbstractCambiamento climatico e riscaldamento globale sono tra le principali urgenze a livel-lo internazionale. L’aumento di temperatura e la frequenza di ondate di calore mettono a rischio la salute ed il benessere dei cittadini, con particolare impatto sulle popolazioni più vulnerabili. Attualmente, la disponibilità di informazioni telerilevate, a diverse risolu-zioni, consente di mappare con precisione la temperatura dell’aria a livello di microclima urbano, e la vegetazione (Normalized Diffe-rence Vegetation Index), dati fondamentali per azioni di mitigazione ed adattamento in ottica di resilienza urbana. L’obiettivo di questo lavoro, che ha come area di studio il Comune di Milano (CdM), è sperimentare l’effettiva utilità del telerilevamento come strumento di supporto alla pianificazione territoriale in termini di analisi e monitorag-gio del fenomeno isola di calore e di possibili azioni progettuali. Particolare enfasi sarà po-sta sulla simulazione degli effetti di misure di ‘rinverdimento’.
1. Introduzione
Cambiamento climatico e riscaldamento globale sono attualmente tra le principali urgenze a livello globale (UNFCCC, 2015). L’aumento di temperatura e la frequenza di ondate di calore in ambito urbano mettono a rischio la salute ed il benessere dei cittadi-ni, con particolare impatto sulle popolazioni maggiormente vulnerabili. La perdita di aree naturali, sostituite da superfici impermeabi-li, e le diverse proprietà morfologiche e ter-miche dell’ambiente costruito influiscono significativamente sulla temperatura dell’a-ria in ambito urbano con evidenti differenze rispetto ad aree rurali e periurbane. Questo fenomeno, noto come isola di calore urbano (UHI), è caratterizzato dal forte assorbimen-to della radiazione solare durante il giorno,
che viene rilasciato durante le ore notturne. Per mitigare gli effetti dell’isola di calore è necessario mettere in campo strategie ed azioni complesse in cui ricerca scientifica e politiche urbane ricoprono un ruolo chiave in termini sia di analisi che di attuazione. Tuttavia, una comunicazione insufficiente tra comunità scientifica e decisori politici co-stituisce spesso un limite importante che bi-sogna superare trasformando la conoscenza scientifica in conoscenza utile, utilizzabile e usata (Keramitsoglou et al., 2017).
Attualmente, la necessità di adottare approc-ci sempre più standardizzati e condivisi per la raccolta, l’analisi e la comunicazione dei dati, in maniera continua e dettagliata, può trarre enorme vantaggio dalla disponibilità di informazioni telerilevate da (satelliti, ae-rei, o droni). Il significativo aumento di in-formazioni telerilevate, a diverse risoluzioni spaziali, temporali e spettrali, così come i progressi nelle tecniche di elaborazione dei dati, ha portato il telerilevamento ad essere sempre più utilizzato nel campo dell’analisi e della modellazione urbana. La pianifica-zione di strategie di adattamento agli effetti del cambiamento climatico, ad esempio, può tratte enormi vantaggi dall’uso del telerileva-mento e dei prodotti da esso derivati. In par-ticolare, l’efficacia del telerilevamento termi-co per la quantificazione del fenomeno isola di calore è già stata ampliamente dimostrata (J. A. Voogt & Oke, 2003). In particolare, l’uso combinato di diversi dati multispettrali con-sente di rilevare e mappare la temperatura della superficie terrestre (Land Surface Tem-perature), di estrarre indicatori di vegetazio-ne (Normalized Difference Vegetation Index o NDVI), o misurare l’albedo della superficie del suolo e delle aree urbanizzate. Tali dati sono fondamentali per costruire strategie di mitigazione ed adattamento efficaci.
Ad esempio, è ampiamente dimostrato come la vegetazione sia fortemente (negativamen-te) correlata alla temperatura dell'aria a li-vello di microclima urbano. In particolare, l’aumento della massa verde consente di mo-dificare il clima urbano mitigando l’effetto delle ondate di calore. Basandosi su tale re-lazione, molti studi si sono concentrati sulla quantificazione dell'effetto della vegetazione sul fenomeno UHI a partire da dati fisici nuti da immagini termiche ed ottiche otte-nute per telerilevamento da satellite. Inoltre, poiché i dati telerilevati forniscono in alcuni
casi alti tempi di rivisitazione (giornalieri), sono utilizzati per l’analisi temporale del fe-nomeno (Rasul et al., 2017; J. Voogt, 2007). Molti studi sono stati proposti rispetto all'a-nalisi del fenomeno UHI che utilizzano dati telerilevati per stimare la temperatura dell'a-ria in base alla correlazione tra un indice di vegetazione spettrale e la temperatura super-ficiale (Prihodko & Goward, 1997). Zhu et al. (2013) hanno studiato la possibilità di recu-perare i dati della temperatura dell'aria dai dati di temperatura superficiale forniti dal sensore MODIS, migliorando l'accuratezza della stima basandosi sul metodo tempera-tura-indice di vegetazione (TVX). Weng et al. (2004) hanno stimato la correlazione (negati-va) tra temperatura della superficie e vegeta-zione con diversi dati telerilevati a differenti risoluzioni spaziali. Mentre, Sun e Kafatos (2007), in uno studio sull'America del Nord, rilevano una forte correlazione tra tempe-ratura e NDVI legata anche a variazioni sta-gionali e/o temporali, essendo l'effetto di raffreddamento della vegetazione più forte durante il giorno che durante la notte. D’al-tro canto è da sottolineare che l’effetto di raf-frescamento diurno nella città, dovuto alla vegetazione, si riflette in un abbassamento sensibile della temperatura urbana durante le ore notturne, dovuto alla diminuzione di calore accumulato dalle superfici artificiali. Tra i vari approcci usati per lo studio dell’ef-fetto della vegetazione (misurato attraverso NDVI) sul clima urbano e l’analisi del feno-meno UHI, la modellazione basata sulla re-gressione lineare è un approccio utilizzato in modo significativo (Rasul et al., 2017). Alcuni studi hanno utilizzato i modelli di re-gressione lineare anche per esaminare l'im-patto ambientale delle caratteristiche del pa-esaggio urbano sulla temperatura dell’aria, includendo quindi non solo l’impatto della vegetazione ma anche quello dovuto all’im-permeabilizzazione del suolo, impiegando indici spettrali del costruito quali, ad esem-pio il Normalized Difference Built-up Index (Weng et al., 2004; Liu e Zhang, 2011). L’obiettivo di questo lavoro è sperimentare l’effettiva utilità di dati telerilevati e model-lazione statistica come strumenti di analisi, valutazione e monitoraggio, a supporto della progettazione urbana, e per calibrare misure efficaci di mitigazione e adattamento al fe-nomeno isola di calore urbano. In base ad un approccio quantitativo, i risultati
dimostra-no che l'effetto UHI diventa più prominente nelle aree con vegetazione ridotta. Il lavoro sperimenta quindi la possibilità di simulare gli effetti indotti dalla vegetazione sul feno-meno isola di calore, in base al tipo, qualità, e distribuzione spaziale del verde in ambito urbano.
2. Area di Studio e Dati utilizzati
L’area di studio è il Comune di Milano (CdM) che copre una superficie di circa 181,7 km2, con una popolazione di 1,370 milioni (ISTAT 2018). Dal punto di vista climatico, il CdM è compreso in una zona che è, in Italia, tra le più colpite da ondate di calore, secondo gli scenari predisposti dal recente Piano Nazio-nale di Adattamento ai Cambiamenti Clima-tici (MATTM, 2017). L’area metropolitana è tra le zone con il maggior numero di giorni estivi all’anno, ovvero il numero di giorni in cui la temperatura massima supera la soglia di 29,2 °C. Secondo lo schema di classificazio-ne del clima di Köppen, quest’area è classifi-cata come "Cfa" (subtropicale umido), cioè temperata, senza stagione secca, e colpita da estati calde (Köppen, 1936; Peel, Finlayson, & McMahon, 2007).
I dati telerilevati utilizzati in questo lavoro derivano dalla missione Landsat, che for-nisce dati multispettrali e temici tra i più efficaci per il monitoraggio e la mappatura dell'ambiente a livello territoriale. All'in-terno dei programmi di osservazione della Terra (EO) basati su piattaforme spaziali, l'US Landsat è probabilmente il sistema più longevo per l'informazione multispettrale (ottica e termica) sulla superficie terrestre. Il programma è operativo ininterrottamente dagli anni '70, con 8 missioni consecutive e diversi sensori. Di fatto la missione è ancora attiva con il Landsat 8 lanciato nel 2013, ed un Landsat 9 già programmato per i prossimi anni. Le immagini multispettrali del Landsat 7 ETM+ (Fig. 1, a) sono state utilizzate sia per estrarre l’indice di vegetazione NDVI, sia per la misurazione della temperatura superfi-ciale (Land Surface Temperature) usata per stimare la temperatura dell’aria a livello di microclima urbano.
La classificazione della città di Milano in aree urbane ed aree naturali (rurali) si basa invece sulla banca dati relativa all'uso del suolo del progetto DUSAF 2015 (Destinazio-ne d'Uso dei Suoli Agricoli e Forestali) dispo-nibile per tutte le province della Lombardia.
Il DUSAF, che tra i livelli informativi forni-sce l’uso del suolo secondo diversi livelli di dettaglio, è stato realizzato sulla base delle aerofotogrammetrie AGEA (Agenzia per le erogazioni in agricoltura) 2015. La generaliz-zazione della classificazione DUSAF in due categorie, aree urbane/non-urbane (Fig. 1, b), è stata usata per la quantificazione dell’isola di calore che risulta dalla differenza tra tem-perature urbane e temtem-perature extraurbane (DTurban-rural).
3. Metodologia
Il lavoro utilizza immagini raster a media risoluzione (30 metri/pixel) per analizzare la variazione spaziale delle temperature dell’a-ria a livello dello strato urbano compreso tra la superficie del suolo e 2 metri, normalmen-te indicato come canopy layer, in relazione alla vegetazione. A partire dalle temperatu-re del canopy layer, sia diurne che notturne per il giorno 4 agosto 2017, è stata calcolata l’isola di calore urbano come differenza tre la temperatura media rilevata per l’area ur-banizzata e la temperatura media rilevata nell’area non urbanizzata (rurale). Di fatto il 4 agosto del 2017 è risultato essere il giorno più caldo dello scorso anno a Milano, secon-do i dati rilevati dalla stazione meteo ARPA di Brera nel centro della città. In secondo luogo è stato calcolato l’indice NDVI per lo stesso giorno, quindi è stato eseguito un modello di
regressione lineare tra NDVI e temperatura dell’aria. Successivamente è stato ipotizzato di incrementare un numero di tetti verdi sul Comune di Milano, come misura di mitiga-zione dell’effetto isola di calore. Partendo da tale ipotesi è stato simulato un NDVI teorico incrementando i valori dell’indice. Infine il modello statistico precedentemente calibra-to è stacalibra-to applicacalibra-to all’NDVI teorico per si-mulare l’effetto dell’incremento di aree verdi sulle temperature a livello di canopy layer.
3.1. Stima della UHI per Milano
Nell’ambito del progetto ‘Cambiamenti cli-matici e territorio: Linee guida e proposte operative della Città metropolitana di Mila-no: azioni pilota su quattro Zone Omogenee’, finanziato da Fondazione Cariplo, e svilup-pato da Città metropolitana di Milano come capofila, Politecnico di Milano e IUAV di Ve-nezia, è stato sperimentato un modello per la simulazione della temperatura dell’aria a livello del canopy layer, combinando imma-gini ottiche e termiche ottenute da satellite, e dati di temperatura rilevate dalle stazioni meteo gestite da ARPA Lombardia. In parti-colare il modello è stato sviluppato per un evento critico, in termini di ondata di calo-re, che nel 2017 è risultato essere il giorno 4 agosto per la città di Milano. Avendo a dispo-sizione due misurazioni dal sensore MODIS per una stessa giornata, alle 10:10 del
matti-no ed alle 22:10 della sera, il modello è stato prodotto sia per la situazione diurna (Fig. 2) che per la situazione notturna (Fig. 3), coe-rentemente con le osservazioni satellitari. Basato sulle mappe di temperatura del ca-nopy layer (Fig. 2 e 3) e la classificazione ur-bano/non-urbano, ottenuta dal DUSAF (Fig. 1, b), è stata quantificata l’intensità dell’isola di calore urbana per il giorno 4 agosto 2017. In particolare, è stata calcolata la temperatu-ra media e massima sia per l’area urbana (Tu) che per l’area non urbanizzata, o rurale (Tr), e per la situazione diurna e notturna. Quindi il valore dell’isola di calore è stato calcolato come differenza tra le temperature misurate in ambito urbano e le temperature nell’area non urbanizzata. La tavola 1 mostra i risul-tati dell’analisi della UHI in Milano per il 4 agosto 2017 che sono di circa 1 grado per il giorno e 2 gradi per la situazione notturna in termini di temperature medie, mentre la UHI raggiunge anche 3 gradi se consideria-mo le temperature massime. Tuttavia, dato che i valori massimi si riferiscono di fatto ad un pixel con il valore massimo di temperatu-ra, abbiamo considerato più rappresentativa la stima basata sui valori medi di per quanti-ficare la UHI.
Figura 1 - Immagine multispettrale Landsat 7 ETM+ 2017 in colore infrarosso (a); superficie urbanizzata e superficie non urbanizzata secondo la classificazione dell’uso del suolo dal DUSAF 2015 (b) (Fonte: LABSIMURB).
Figura 2 - Temperatura dell’aria a ca. 2 metri dal suolo alle 10:10 del giorno 04 agosto 2017 (Fonte: LABSIMURB).
3.2. Calcolo dell’indice di vegetazione normaliz-zato (NDVI)
Utilizzando immagini Landsat ETM+ è stato calcolato l’NDVI per il Comune di Milano (Fig. 4), per il giorno 4 agosto del 2017, coe-rentemente con le immagini di temperatura del canopy layer diurna e notturna.
L’indice di vegetazione normalizzato (NDVI), introdotto da Rouse, et al. (1974), è indubbia-mente uno degli indici di vegetazione deri-vati da immagini multispettrali più cono-sciuti ed usati per l’analisi del verde. L'NDVI fornisce una mappatura efficace del verde in un'ampia gamma di condizioni ambientali, grazie all’uso di immagini spettrali riferite a lunghezze d’onda nelle regioni di maggior assorbimento e riflettività della clorofilla
all'interno dello spettro elettromagnetico. L'indice utilizza la banda rossa ed il vicino infrarosso per enfatizzare le caratteristiche della vegetazione. In particolare, se c'è mol-ta più radiazione riflessa nelle lunghezze d'onda del vicino infrarosso rispetto alle lun-ghezze d'onda visibili, allora la vegetazione sarà probabilmente densa. Se c'è una mini-ma differenza nell'intensità di riflettività tra lunghezze d'onda visibili e vicino infrarosso, la vegetazione sarà probabilmente scarsa o assente (Weier, et al., 2000).
Il calcolo dell’NDVI risulta in un numero che va da meno uno (-1) a più uno (+1); tuttavia, nessuna foglia verde fornisce un valore vici-no allo zero. Di fatto il valore zero significa assenza di vegetazione, mentre valori vicino
a +1 (0,8 - 0,9) indicano la massima densità possibile di foglie verdi (Weier, et al., 2000). L'intervallo comune per la vegetazione verde varia tra 0,2 e 0,9, in base alla densità della chioma. In cambio, nuvole, acqua e neve (e, in generale, anche aree edificate) hanno NDVI negativo, mentre terreno e rocce normalmen-te forniscono valori di NDVI vicini a ‘0’.
3.3. Modello Statistico di Correlazione Lineare
In statistica, la regressione lineare è un ap-proccio usato per la modellazione della re-lazione tra una variabile (dipendente) e una o più variabili esplicative (o indipendenti). Nel caso di una sola variabile esplicativa si parla di regressione lineare semplice, dove le relazioni tra variabili sono modellate uti-lizzando una funzione lineare. In base alla robustezza del modello (modello lineare in questo caso) la regressione lineare rappre-senta un metodo di stima di un valore atte-so di una variabile dipendente, o endogena. Matematicamente la regressione lineare si presenta nella forma Y=a*X+b, dove a*X+b è la retta di regressione o funzione di regres-sione, Y rappresenta la variabile dipendente e X la variabile indipendente o esplicativa. I valori di a e b rappresentano, rispettivamen-te, il coefficiente angolare e l’intercetta della retta di regressione.
La figura 5 descrive il modello di regressio-ne liregressio-neare tra NDVI (variabile indipendente o esplicativa) e temperatura dell’aria (varia-bile dipendente) per il 4 agosto 2017, sia per la temperatura diurna (Fig. 5, a) che notturna (Fig. 5, b). La correlazione tra vegetazione e temperatura è negativa, ciò significa che ad un aumento di vegetazione corrisponde una riduzione della temperatura. Di fatto l’indi-ce di correlazione di Pearson (R) risulta -0.88 nel caso delle temperature diurne, e -0.86 per la situazione notturna. La correlazione è di fatto alta, con un errore quadratico me-dio di 0.32 oC e 0.63 oC rispettivamente per giorno e notte, tuttavia è importante tener conto della valutazione della robustezza del modello che potrebbe essere migliorato con-siderando altri fattori che influiscono sulla temperatura quali albedo, o fattori morfolo-gici quali sky view factor o densità.
3.4. Simulazione dell’NDVI per i Potenziali Tetti Verdi
Il progetto DECUMANUS è un progetto europeo concluso nel 2016 e sviluppato
Tavola 1 - L’isola di calore urbano, diurna e notturna, calcolata al giorno 04 agosto 2017 per la città di Milano (Fonte: LABSIMURB).
nell’ambito del programma FP7 (settimo programma quadro), che coinvolge diversi partner tra cui le città di Anversa, Helsinki, Londra, Madrid, e Milano. DECUMANUS è un progetto basato su strumenti ICT applica-ti alla pianificazione e la gesapplica-tione della città a lungo termine. L’obiettivo è quello di fornire una serie di servizi di supporto decisionale per l'implementazione di strategie di mitiga-zione/adattamento al cambiamento climati-co in ottica di sviluppo urbano sostenibile. In particolare, i principali servizi forniti comprendono la valutazione degli impat-ti dei cambiamenimpat-ti climaimpat-tici urbani, che si basa sullo sviluppo di un atlante del clima urbano; servizi di monitoraggio del territo-rio in merito alle informazioni sul consumo di suolo e agli strumenti di valutazione degli ecosistemi urbani; la valutazione del con-sumo di energia e il miglioramento dell'ef-ficienza energetica nelle città; strumenti per avvisare la popolazione dei rischi per la salute derivanti da scarsa qualità dell'aria e temperature eccessive nell'area urbana. Tra i vari prodotti del progetto DECUMANUS è stato creato un database GIS sui tetti verdi esistenti ed i potenziali tetti verdi per la città di Milano (Fig. 6).
Il dato fornito dal progetto DECUMANUS è stato utilizzato per simulare un NDVI ‘poten-ziale’, ipotizzando cioè di convertire tutti i tetti verdi potenziali, individuati dal proget-to, in tetti verdi effettivi. Ne deriva un NDVI
Figura 5 – Modello di regressione lineare tra temperatura (Y) e NDVI (X) per il giorno 04 agosto 2017. Situazione diurna (a), e situazione notturna (b) (Fonte: LABSIMURB).
teorico, in cui il valore di riflettività della vegetazione sui tetti potenziali viene portato a 0.6 (nella scala da -1 a 1 dell’NDVI), come mostrato in figura 7.
3.5. Risultati
Usando il modello di regressione lineare di fi-gura 5 e l’NDVI teorico (Fig. 7) con i potenzia-li tetti verdi, sono state simulate le tempera-ture, diurna e notturna, ed è stata ricalcolata l’isola di calore urbana considerando l’effetto di mitigazione di potenziali azioni di rinver-dimento. I risultati sono riassunti nelle tavo-le 2 e 3 che mostrano, rispettivamente, l’isola di calore urbano per Milano (valori medi e massimi) ipotizzando tetti verdi con un valo-re di NDVI pari a 0.6, e l’isola di calovalo-re (valori medi) per NDVI pari a 0.6, 0.7, e 0.8. Di fatto, come mostrato dai risultati, l’incremento di tetti verdi su una parte consistente della cit-tà potrebbe influire in maniera importante sul clima, inducendo un abbassamento della UHI anche di un grado.
4. Conclusioni
La capacità di quantificare differenti pattern spaziali di temperatura al variare della vege-tazione permette la valuvege-tazione ed il monito-raggio, attraverso simulazioni in piattaforme GIS, dei cambiamenti indotti da progetti di rinverdimento urbano sul fenomeno dell’isola di calore. Tale approccio è fondamentale per una progettazione urbanistica climate-proof efficace. Inoltre sottolineiamo che strumenti di modellazione più efficaci, quali modelli di re-gressione multipla geograficamente ponderati, potrebbero essere testati per stimare fenomeni non stazionari come la UHI, con l’obiettivo di aumentare la robustezza del modello e miglio-rare la stima delle azioni di rinverdimento. Allo stesso modo bisogna tener conto che le strategie di mitigazione e adattamento possono coinvol-gere differenti tipi di azioni ‘green’, o in generale Nature-Based Solutions (NBS) includendo azio-ni ‘blue’, così come ‘grey’ lavorando, ad esem-pio, sui valori di albedo dei materiali urbani.
Note
* Laboratorio di Simulazione Urbana Fausto Cur-ti (LABSIMURB), DiparCur-timento di Architettura e Studi Urbani, Politecnico di Milano, labsimurb@ polimi.it
** Planning Climate Change LAB, Dipartimen-to di Progettazione e Pianificazione in Ambienti Complessi, Università IUAV di Venezia, [email protected]
Figura 7 - Simulazione dell’NDVI incrementando il valore di 0.6 per i potenziali tetti verdi (Fonte: LABSIMURB)
Tavola 2 - L’isola di calore urbano, diurna e notturna, calcolata al giorno 04 agosto 2017 incrementando il valore dell’NDVI a 0.6 per i potenziali tetti verdi (Fonte: LABSIMURB).
Tavola 3 - L’isola di calore urbano misurata, diurna e notturna, per il giorno 04 agosto 2017 comparata con la UHI ottenuta incrementando il valore dell’NDVI a 0.6, 0.7, e 0.8 per i potenziali tetti verdi (Fonte: LABSIMURB).
Ringraziamenti
Gli autori ringraziano Fondazione Cariplo, per il finanziamento del progetto ‘Cambiamenti clima-tici e territorio: Linee guida e proposte operative della Città metropolitana di Milano: azioni pilota su quattro Zone Omogenee’, e la Città Metropoli-tana di Milano in qualità di capofila. Si ringrazia inoltre il progetto DECUMANUS (http://www. decumanus-fp7.eu/home/), ed il Comune di Mila-no per aver messo a disposizione i dati relativi alla mappatura dei tetti verdi per la città di Milano.
Bibliografia
Keramitsoglou, I., Sismanidis, P., Analitis, A., Butler, T., Founda, D., Giannakopoulos, C., … Ki-ranoudis, C. T. (2017), “Urban thermal risk re-duction: Developing and implementing spatially explicit services for resilient cities”, Sustainable Cities and Society, 34(May), 56–68. https://doi. org/10.1016/j.scs.2017.06.006
Köppen, W. (1936), “Das geographische System der Klimate”, Handbuch Der Klimatologie, (c), 7–30. https://doi.org/10.3354/cr01204
Liu, L., & Zhang, Y. (2011), “Urban heat island analysis using the Landsat TM data and ASTER Data: A case study in Hong Kong”, Remote Sen-sing, 3(7), 1535–1552. https://doi.org/10.3390/ rs3071535
MATTM. (2017), Piano Nazionale di Adattamento ai Cambiamenti Climatici PNACC, Prima stesura per la consultazione pubblica Luglio 2017 Peel, M. C., Finlayson, B. L., & McMahon, T. A. (2007), “Updated world map of the Köppen-Gei-ger climate classification”, Hydrology and Earth System Sciences, 11(5), 1633–1644. https://doi. org/10.5194/hess-11-1633-2007
Prihodko, L., & Goward, S. N. (1997), “Estimation of air temperature from remotely sensed surface observations”, Remote Sensing of Environment, 60(3), 335–346. https://doi.org/10.1016/S0034-4257(96)00216-7
Rouse, J. J., Haas, R., Deering, D., Schell, J., & Har-lan, J. (1974), Monitoring the Vernal Advance-ment and
Retrogradation (Green Wave Effect) of Natural Ve-getation, NASA/GSFC Type III Final Report, 371p, Greenbelt, MD
Rasul, A., Balzter, H., Smith, C., Remedios, J., Ada-mu, B., Sobrino, J., … Weng, Q. (2017), “A Review on Remote Sensing of Urban Heat and Cool Islands” Land, 6(2), 38. https://doi.org/10.3390/ land6020038
Sun, D., & Kafatos, M. (2007), “Note on the NDVI-LST relationship and the use of temperature-related drought indices over North America”,
Geophysical Research Letters, 34(24). https://doi. org/10.1029/2007GL031485
UNFCCC. (2015), Paris Climate Change Conferen-ce-November 2015, COP 21. Adoption of the Paris Agreement. Proposal by the President, 21932(De-cember), 32. https://doi.org/FCCC/CP/2015/L.9/ Rev.1
Voogt, J. (2007), “How Researchers Measure Urban Heat Islands”, Department of Geography, 34. Re-trieved from http://epa.gov/heatisland/resources/ pdf/EPA_How_to_measure_a_UHI.pdf
Dalla conservazione alla
rigenerazione dei centri
storici. Alcune riflessioni
sul contesto sardo.
Anna Maria Colavitti*, Alessio
Floris**, Sergio Serra ***
IntroduzioneIn letteratura, il centro storico è stato spes-so concepito come componente depositaria di una moltitudine di valori identitari da sottoporre a tutela, trascurando il carattere processuale e di perenne modificazione del tessuto storico, per adattarsi ad esigenze so-ciali ed economiche altrettanto mutevoli. I centri minori mostrano maggiori difficoltà nell'innovazione sociale ed economica e nel superamento di modelli di sviluppo ormai obsoleti mentre le città possiedono solita-mente un elevato spirito di resilienza e una grande propensione ad accettare il nuovo. Nel quadro nazionale, l'ANCSA evidenzia gli esiti significativi conseguiti dall'urbanistica italiana nella conservazione dei centri storici che, oltre a difendere e valorizzare un bene comune e un'identità storica, contribuisce a migliorare la qualità del territorio (1). Oggi è necessario promuovere politiche e azioni progettuali volte non solo alla salvaguardia, ma anche alla riqualificazione e al rilancio del ruolo del patrimonio fisico e sociale delle città e dei centri storici minori. La presenza di aree fortemente compromesse determina la perdita d'identità del contesto storico e la riduzione dell'appetibilità degli immobili sul mercato.
Il centro storico deve essere concepito come un luogo in cui si sviluppano relazioni eco-nomiche, sociali ed organizzative condivise dalla comunità insediata. Per questo motivo non è sufficiente intervenire sul patrimonio edilizio esistente ma sono necessarie com-plesse operazioni di rigenerazione del tessu-to sociale, culturale e ambientale che adot-tino un approccio basato sulla sostenibilità, sull'inclusione sociale e sull'innovazione. La rigenerazione e la riqualificazione sono considerate ancora troppo onerose, anche se accompagnate da incentivi pubblici, che di-ventano progressivamente più esigui. Il contributo analizza alcune strategie che rendono conveniente l'investimento nel
