Città Bollenti? Vi Svelo Come Machine Learning e Forma Urbana Possono Rinfrescarle!

Ciao a tutti! Avete mai passeggiato in città d’estate sentendo l’asfalto quasi sciogliersi sotto i piedi? L’effetto “isola di calore urbana” non è solo una sensazione, è un problema reale che peggiora la qualità della vita e la nostra salute. Ma se vi dicessi che stiamo imparando a “leggere” la forma delle nostre città per renderle più fresche? Proprio così! Nel mio campo di ricerca, stiamo unendo la potenza del machine learning (ML) – l’intelligenza artificiale che impara dai dati – con lo studio della morfologia urbana (come sono fatte strade, piazze, edifici) per capire e migliorare il comfort termico esterno (OTC). Sembra complicato? Seguitemi, vi racconto come stiamo cercando di rendere le nostre estati urbane un po’ meno… roventi!

Il Problema: Città Sempre Più Calde

Partiamo da un dato: entro il 2050, si prevede che 6.4 miliardi di persone vivranno in aree urbane. L’urbanizzazione porta progresso, ma anche sfide ambientali notevoli, e il surriscaldamento è una delle più sentite. L’effetto isola di calore (UHI) significa temperature più alte in città rispetto alle campagne circostanti. Questo non solo aumenta la richiesta di energia per i condizionatori, ma peggiora anche la qualità dell’aria e aumenta i rischi per la salute legati al caldo. Insomma, vivere (bene) all’aperto in città diventa difficile.

Il comfort termico esterno (OTC) è quella sensazione soggettiva di benessere termico che proviamo all’aperto. Non dipende solo dalla temperatura dell’aria! Ci sono tanti fattori in gioco: l’umidità, il vento, la radiazione solare che ci colpisce… e anche come siamo vestiti o cosa stiamo facendo. Per misurarlo “oggettivamente”, usiamo degli indici specifici. I più gettonati sono:

• UTCI (Universal Thermal Climate Index): Un indice complesso che considera molti parametri ambientali e fisiologici.
• PET (Physiological Equivalent Temperature): Traduce le condizioni esterne nella temperatura percepita in un ambiente interno standard.
• PMV (Predicted Mean Vote): Originariamente per interni, ma adattato per prevedere il voto medio di comfort termico di un gruppo di persone all’esterno.

Capire come questi indici variano nello spazio urbano è fondamentale per progettare città più vivibili.

La Forma della Città Conta (Eccome!)

Qui entra in gioco la morfologia urbana. La geometria delle nostre strade e piazze ha un impatto enorme sul microclima locale. Pensateci:

• Altezza degli edifici e Rapporto H/W (Altezza/Larghezza): Canyon urbani stretti e profondi (alto H/W) ricevono meno radiazione solare diretta, rimanendo più freschi d’estate, come dimostrato in studi fatti in Malesia, Bangladesh e Taiwan.
• Larghezza delle strade: Strade più larghe prendono più sole, assorbendo più calore di giorno.
• Orientamento delle strade: Una strada orientata Nord-Sud (N-S) riceve il sole in modo diverso da una orientata Est-Ovest (E-W). Generalmente, l’orientamento N-S offre più ombra d’estate nei climi temperati o caldi, risultando più confortevole. Anche se, attenzione, qualche studio suggerisce il contrario a seconda dell’indice usato!
• Verde Urbano: Gli alberi sono i nostri migliori alleati! Fanno ombra, rinfrescano l’aria tramite l’evapotraspirazione e migliorano tutti gli indici di comfort (PET, PMV, UTCI). Più vegetazione c’è, meglio è!

Insomma, progettare bene strade ed edifici non è solo una questione estetica, ma di benessere climatico.

Machine Learning: L’Arma Segreta per Capire la Complessità

Ok, abbiamo capito che tanti fattori influenzano il comfort. Ma come interagiscono tra loro? E come possiamo prevedere il comfort in un punto specifico della città senza dover fare misurazioni ovunque (che sarebbe costosissimo)? Qui entra in gioco il Machine Learning.

Negli ultimi anni, abbiamo iniziato ad usare algoritmi di ML (come Random Forest, XGBoost, CatBoost, SVM, KNN, Decision Tree) per “imparare” le relazioni complesse tra morfologia urbana, condizioni meteo e comfort termico. Questi modelli, se ben addestrati con dati reali, possono diventare bravissimi a prevedere gli indici UTCI, PET e PMV.

Tuttavia, molti studi precedenti avevano dei limiti: usavano pochi dati, si concentravano su un solo indice di comfort, o utilizzavano modelli ML come “scatole nere”, senza spiegare *perché* facevano certe previsioni. Questo rende difficile per architetti e urbanisti usare concretamente questi risultati.

Il Nostro Approccio: Dati Reali, Modelli Multipli e Trasparenza

Ecco cosa abbiamo cercato di fare di diverso nel nostro studio. Prima di tutto, abbiamo raccolto una marea di dati! Siamo andati sul campo a Tabriz, una città iraniana con un clima semi-arido freddo e notevoli escursioni termiche, caratterizzata anche da un forte effetto isola di calore. Abbiamo misurato parametri microclimatici (temperatura, umidità, radiazione, vento) e caratteristiche morfologiche (orientamento, larghezza strada, rapporto H/W, altezza edifici, numero di alberi) in ben 173 strade diverse, per un totale di 1168 punti di misurazione, durante l’estate del 2022, comprese due ondate di calore. Un lavoraccio, ma fondamentale per avere un dataset robusto e rappresentativo!

Poi, abbiamo calcolato i tre indici principali (UTCI, PET, PMV) per ogni punto. Avere tutti e tre gli indici ci permette di vedere se la forma urbana influenza il comfort in modo diverso a seconda di come lo misuriamo.

Successivamente, abbiamo messo alla prova sei diversi algoritmi di ML. Ma non ci siamo accontentati di usarli “così come sono”. Li abbiamo ottimizzati usando una tecnica chiamata Ottimizzazione Bayesiana (BO), che cerca in modo intelligente i parametri migliori per farli funzionare al massimo delle loro potenzialità.

Infine, la parte forse più innovativa: abbiamo usato un metodo chiamato SHAP (SHapley Additive eXplanations). SHAP ci permette di “aprire la scatola nera” dei modelli ML e capire esattamente quali caratteristiche morfologiche (orientamento, larghezza, ecc.) influenzano di più le previsioni di comfort, e se questo impatto è positivo (migliora il comfort) o negativo (lo peggiora). Questo è cruciale per dare indicazioni pratiche agli urbanisti!

Cosa Abbiamo Scoperto? I Segreti del Comfort Urbano

I risultati sono stati davvero interessanti!

• Migliori Modelli ML: Non tutti i modelli si sono comportati allo stesso modo. Il CatBoost Classifier (ottimizzato con BO) è risultato il migliore per prevedere l’UTCI. Il Random Forest (ottimizzato con BO) ha primeggiato nella stima del PET. E l’XGBoost Classifier (ottimizzato con BO) è stato il campione per il PMV. Questo ci dice che, a seconda dell’indice che ci interessa, potremmo dover scegliere modelli ML diversi.
• Fattori Morfologici Chiave: L’analisi SHAP ha confermato l’importanza enorme della morfologia. I fattori che sono emersi come più influenti, quasi sempre tra i primi posti per tutti e tre gli indici, sono stati:
  • L’orientamento a 90 gradi (Nord-Sud): Fondamentale!
  • La larghezza della strada.
  • L’orientamento a 180 gradi (Est-Ovest).

  Anche il numero di alberi e il rapporto H/W sono risultati importanti, ma leggermente meno dominanti di questi tre.

• L’Importanza dell’Orientamento (UTCI e PET): Per UTCI e PET, l’orientamento è cruciale. Le strade N-S (90 gradi) tendono a migliorare il comfort, specialmente in condizioni di stress termico moderato. Questo perché offrono più ombra durante le ore più calde, riducendo la radiazione solare diretta che ci colpisce (un fattore chiave per UTCI e PET). Al contrario, le strade E-W (180 gradi) sono risultate associate a condizioni di comfort peggiori, soprattutto in situazioni di forte stress termico. Probabilmente perché ricevono più sole diretto e possono ostacolare la ventilazione naturale, intrappolando calore e inquinanti.
• La Sorpresa della Larghezza (PMV): Qui c’è stata una piccola sorpresa. Per l’indice PMV, la larghezza della strada è emersa come il fattore più influente in assoluto, più dell’orientamento. Questo è interessante e un po’ controcorrente rispetto ad altri studi. Potrebbe dipendere dal fatto che il PMV (nella sua versione adattata per l’esterno) è forse più sensibile ai flussi d’aria, che sono fortemente influenzati dalla larghezza: strade più strette possono incanalare e accelerare il vento, mentre quelle larghe possono portare a maggiore stagnazione. Tuttavia, anche per il PMV, analizzando le diverse classi di comfort, l’orientamento N-S è risultato associato alle condizioni migliori (“caldo moderato”) e quello E-W alle peggiori (“molto caldo”).

Implicazioni Pratiche: Progettare Città più Fresche

Cosa ci dicono, in pratica, questi risultati? Che abbiamo strumenti sempre più potenti per progettare città migliori dal punto di vista climatico!
L’uso combinato di misurazioni sul campo, diversi indici di comfort e machine learning “interpretabile” (grazie a SHAP) ci permette di:

• Identificare i fattori critici: Sappiamo che agire sull’orientamento e sulla larghezza delle strade (oltre che sul verde!) è fondamentale.
• Prevedere l’impatto degli interventi: Possiamo simulare come cambierebbe il comfort se modificassimo la larghezza di una strada o piantassimo più alberi.
• Dare priorità agli interventi: L’analisi SHAP ci dice quali modifiche avrebbero l’impatto maggiore sul comfort. Ad esempio, in certe condizioni, migliorare l’ombreggiamento con l’orientamento N-S potrebbe essere più efficace che agire sulla larghezza.
• Scegliere l’indice giusto: Capire che UTCI, PET e PMV rispondono diversamente alla morfologia ci aiuta a scegliere l’indice più adatto agli obiettivi specifici di un progetto (es. vogliamo ridurre lo stress da calore radiante? Forse UTCI o PET sono più indicati. Vogliamo migliorare la ventilazione? Forse il PMV dà indicazioni utili sulla larghezza).

Questo approccio basato sui dati e sull’intelligenza artificiale può davvero supportare decisioni di pianificazione urbana più consapevoli ed efficaci per mitigare il caldo estivo.

Limiti e Prossimi Passi

Ovviamente, ogni ricerca ha i suoi limiti. Il nostro studio si è concentrato su un clima specifico (semi-arido freddo) e sulla stagione estiva. Sarebbe importante validare questo approccio in altre città con climi diversi (tropicali, temperati) e raccogliere dati anche in altre stagioni per capire le variazioni annuali del comfort. Inoltre, abbiamo considerato solo il numero di alberi; studi futuri potrebbero analizzare più in dettaglio il tipo di vegetazione, la dimensione delle chiome, ecc. Potremmo anche esplorare algoritmi ML ancora più avanzati o integrare dati socio-economici per capire come il comfort termico si distribuisce tra diverse fasce della popolazione.

Ma la strada è tracciata! Combinare misurazioni accurate, modelli di machine learning potenti e strumenti per interpretarli ci sta aprendo nuove frontiere nella comprensione e nella progettazione di ambienti urbani più sani, confortevoli e resilienti ai cambiamenti climatici. È una sfida complessa, ma affascinante, e sono convinto che la tecnologia, usata con intelligenza, possa davvero aiutarci a rendere le nostre città luoghi migliori in cui vivere, anche quando il termometro sale!

Fonte: Springer