Predicting Local Climate Zones using Urban Morphometrics and Satellite Imagery

Questo studio valuta la capacità delle morfometrie urbane e della loro fusione con immagini satellitari di prevedere le Zone Climatiche Locali (LCZ), rivelando che tale relazione è debole e inconsistente, suggerendo quindi di utilizzare il quadro LCZ con cautela negli studi morfologici.

L'essenziale

Immagina di voler descrivere la "personalità" di una città. Non ti interessa solo quanto è calda o fredda (il clima), ma come è fatta: i palazzi sono alti e stretti come grattacieli o bassi e sparsi come villette? Le strade sono un labirinto o una griglia ordinata?

Gli scienziati usano un sistema chiamato LCZ (Zone Climatiche Locali) per dare un nome a questi "tipi" di città, un po' come se dessimo un nome alle razze di cani (es. "Pastore Tedesco" o "Bassotto"). Tradizionalmente, per capire di che "razza" è un quartiere, guardiamo le foto satellitari: è come se guardassimo un cane dall'alto per vedere se ha il pelo corto o lungo.

Il problema: Guardare solo dall'alto non basta

Gli autori di questo studio (Hugo Majer e Martin Fleischmann) si sono chiesti: "E se invece di guardare solo la foto, misurassimo le 'ossa' e la 'struttura' della città?"

Hanno deciso di usare la Morfometria Urbana. Immagina di non guardare un'auto solo per il colore (la foto), ma di misurare la lunghezza del cofano, la larghezza delle ruote, la distanza tra i sedili e la forma del parabrezza. Hanno calcolato 321 misure diverse (distanze tra case, forme dei tetti, quanto sono vicine le strade) usando i dati delle mappe digitali.

L'esperimento: Tre modi per indovinare la città

Hanno provato tre metodi per indovinare il tipo di zona climatica (LCZ) in cinque città famose (Berlino, Hong Kong, Parigi, Roma, San Paolo):

1. Il Metodo "Architetto" (Solo Misure): Hanno cercato di indovinare il tipo di zona basandosi solo sulle 321 misure geometriche, senza guardare le foto satellitari.

   • Risultato: È stato come cercare di indovinare il sapore di una torta solo pesando gli ingredienti. Ha funzionato bene in alcuni casi (es. distinguere un quartiere denso da uno aperto), ma ha fallito miseramente in altri. A volte non riusciva a capire se un edificio era alto o basso, o se era un'industria. È stato un successo "a macchia di leopardo": ottimo qui, pessimo là.

2. Il Metodo "Fotografo" (Solo Immagini): Questo è il metodo classico. Usano l'intelligenza artificiale per analizzare le foto satellitari.

   • Risultato: Funziona molto bene ed è il punto di riferimento. È come guardare il cane e dire subito "È un Golden Retriever".

3. Il Metodo "Fusione" (Misure + Immagini): Hanno provato a unire le due cose. Hanno dato all'IA sia le foto che le 321 misure geometriche, sperando che l'IA diventasse un super-esperto.

   • Risultato: È stato un po' deludente. In alcune città (come Hong Kong e Roma) ha aiutato un po' di più, ma in altre non ha fatto differenza o ha persino peggiorato le cose. È come se aveste dato a un detective sia le foto del sospetto che le sue impronte digitali, ma in alcuni casi le impronte hanno solo confuso il detective invece di aiutarlo.

Le scoperte principali (in parole povere)

• La forma non è tutto: Le misure geometriche (la "struttura") da sole non sono abbastanza potenti per descrivere perfettamente il clima urbano. La relazione tra "come è fatto un edificio" e "che tipo di zona climatica è" è più debole di quanto pensassimo.
• Non è una ricetta universale: Quello che funziona per Roma non funziona per San Paolo. Ogni città ha una sua "personalità" così unica che un metodo matematico rigido fatica a adattarsi a tutte.
• Attenzione a usare le etichette: Gli autori avvertono: non usate il sistema LCZ come se fosse una verità assoluta per studiare l'urbanistica. A volte semplifica troppo la realtà. È come dire "tutti i cani sono uguali" solo perché hanno lo stesso nome di razza; in realtà, ogni cane è diverso.

La metafora finale

Immagina di voler descrivere una foresta.

• Il metodo satellitare ti dice: "Vedo molto verde, è una foresta".
• Il metodo morfometrico (misure) ti dice: "Gli alberi sono distanti 5 metri l'uno dall'altro e hanno tronchi larghi 30 cm".
• Il metodo fusione prova a unire le due cose.

Lo studio ci dice che, sebbene le misure siano interessanti e ci diano molti dettagli, non sono la chiave magica per capire il clima della città. A volte, guardare semplicemente la foto (o usare metodi più complessi che includono l'altezza reale degli edifici, non solo la vista dall'alto) funziona meglio.

In sintesi: È stato un esperimento coraggioso per vedere se possiamo "misurare" la città invece di solo "guardarla". La risposta è: le misure aiutano, ma non sono la soluzione perfetta. Bisogna stare attenti a non fidarsi ciecamente di queste etichette quando si studia come le città influenzano il clima e la vita delle persone.

Sommario tecnico

Titolo: Predizione delle Zone Climatiche Locali (LCZ) utilizzando Morfometria Urbana e Immagini Satellitari

1. Il Problema

Le Zone Climatiche Locali (LCZ) sono un framework ampiamente utilizzato per rappresentare la forma urbana nelle analisi morfologiche e climatiche. Tuttavia, la mappatura delle LCZ si basa prevalentemente su immagini satellitari (telerilevamento), trascurando spesso le descrizioni numeriche dettagliate della forma urbana. Sebbene la morfometria urbana (la misurazione quantitativa degli elementi urbani e delle loro relazioni spaziali) offra un approccio alternativo promettente, gli studi precedenti hanno utilizzato un set limitato e isolato di metriche, fornendo una descrizione incompleta della forma urbana.
Il problema centrale è valutare se una caratterizzazione morfometrica esaustiva basata su dati vettoriali (impronte degli edifici e reti stradali) possa:

1. Predire le LCZ in modo autonomo.
2. Migliorare le prestazioni delle metodologie basate sul telerilevamento quando fuse con i dati satellitari.
3. Comprendere la relazione tra le proprietà misurabili della forma urbana e la classificazione LCZ.

2. Metodologia

Lo studio ha implementato un approccio strutturato in quattro fasi principali, applicato su cinque siti di studio (Berlino, Hong Kong, Parigi, Roma, San Paolo) utilizzando dati di riferimento LCZ del 2017 (IEEE GRSS Data Fusion Contest) e dati morfologici aggiornati (Overture Maps 2025).

• Calcolo della Morfometria Urbana:

  • Utilizzando la libreria Python momepy, sono stati calcolati 107 attributi morfometrici primari basati su impronte degli edifici, reti stradali e celle di tassellazione racchiuse (ETC).
  • Gli attributi coprono cinque proprietà: dimensione, forma, distribuzione spaziale, intensità e connettività, a diverse scale spaziali (dal singolo elemento ai quartieri).
  • Per catturare i pattern spaziali e ridurre la variazione locale, sono stati derivati attributi contestuali calcolando le percentili (25°, 50°, 75°) degli attributi primari sui vicini topologici.
  • Il dataset finale comprende 321 attributi morfometrici 2D contestuali.

• Schemi di Classificazione:
  Sono stati sviluppati e confrontati quattro schemi di classificazione:

  1. S1 (Predizione basata su morfometria): Classificazione delle ETC utilizzando solo i 321 attributi morfometrici tramite Random Forest (RF). Identifica anche le 20 metriche più importanti.
  2. S2 (Baseline basata su immagini): Classificazione basata su immagini satellitari (Sentinel-2) utilizzando una rete neurale convoluzionale (CNN) MSMLA-50 (architettura basata su SE-ResNet50 con attenzione multi-scala).
  3. S3 (Fusione tramite stacking): Le 20 metriche morfometriche più importanti (rasterizzate) vengono aggiunte come bande aggiuntive all'immagine satellitare e classificate tramite RF.
  4. S4 (Fusione tramite feature fusion): Le feature estratte dalla CNN (prima del layer di classificazione) vengono concatenate con le statistiche aggregate delle 20 metriche morfometriche e classificate tramite RF.

• Validazione:

  • Utilizzo di validazione incrociata stratificata a 5-fold.
  • Metriche di valutazione: F1-score ponderato (F1), Accuratezza Complessiva (OA), e F1 specifici per tipi urbani (F1U) e naturali (F1N).

3. Risultati Chiave

• Predizione basata solo su morfometria (S1):

  • Le prestazioni sono altamente variabili e dipendenti dal sito (F1 da 64,2% a Roma a 92,5% a Parigi).
  • Il metodo riesce a distinguere bene i tipi compatti (LCZ 1-3) da quelli aperti (LCZ 4-6) e a differenziare le grandi aree a bassa altezza (LCZ 8) dalle basse aperte (LCZ 6).
  • Fallisce sistematicamente nel distinguere i tipi a bassa densità (LCZ 9) da quelli aperti a bassa altezza (LCZ 6) e ha difficoltà con le aree industriali (LCZ 10) e le distinzioni basate sull'altezza degli edifici.
  • Il modello mostra instabilità e alta sensibilità alla composizione dei dati di addestramento.

• Fusione Morfometria-Immagine (S3 e S4) vs Baseline (S2):

  • Il miglioramento ottenuto dalla fusione è modesto e incoerente.
  • Miglioramenti: Si osservano guadagni significativi in Hong Kong (+4% F1U) e Roma (+6,4% F1U) con lo schema S3. Parigi mostra un lieve miglioramento.
  • Peggioramenti: A San Paolo, la fusione ha portato a un calo delle prestazioni (-1,7% F1U). In generale, la fusione ha spesso peggiorato la classificazione dei tipi naturali (F1N) e non ha risolto le confusioni sistematiche (es. LCZ 9 vs LCZ 6).
  • Confronto Schemi: S3 (stacking) sembra migliore per i tipi urbani, mentre S4 (fusione di feature) è leggermente superiore per i tipi naturali, ma nessuno dei due è universalmente superiore.

• Metriche Importanti:

  • Oltre alle metriche standard (densità, rapporto di copertura), lo studio ha evidenziato l'importanza di metriche di forma (rapporto facciata, dimensione frattale), dimensione complessa (lunghezza del perimetro murale, asse più lungo) e descrittori della rete stradale (apertura stradale, grado medio dei nodi).

4. Contributi Principali

1. Applicazione più esaustiva: È lo studio che applica il set più completo di morfometria urbana (321 attributi) per la predizione delle LCZ, superando i limiti degli studi precedenti che usavano poche metriche isolate.
2. Valutazione comparativa rigorosa: Confronto sistematico tra predizione puramente morfometrica, baseline CNN e due diverse strategie di fusione su cinque città globali, utilizzando validazione incrociata multipla.
3. Identificazione di limiti concettuali: Dimostrazione empirica che la relazione tra la morfometria 2D misurabile e la tipologia LCZ è debole e selettiva, suggerendo che le LCZ potrebbero non essere la migliore unità di analisi per studi morfologici puri.
4. Risorsa aperta: Pubblicazione del codice, dell'ambiente riproducibile e dei dati elaborati.

5. Significato e Conclusioni

Lo studio conclude che la relazione tra le Zone Climatiche Locali (LCZ) e gli aspetti misurabili e visibili della forma urbana è tenua. Sebbene la morfometria urbana possa catturare una gamma più ampia di proprietà della forma urbana rispetto ai parametri standard, la sua capacità di predire le LCZ è limitata e fortemente dipendente dal contesto urbano specifico.

Implicazioni:

• Le LCZ non dovrebbero essere considerate un sostituto diretto per l'analisi morfologica urbana dettagliata.
• L'uso delle LCZ negli studi morfologici deve essere effettuato con estrema cautela, poiché rischia di semplificare eccessivamente la realtà urbana, ridurre la comparabilità tra siti e compromettere la comprensione di come la struttura urbana influenzi le prestazioni ambientali e socioeconomiche.
• La fusione di dati morfometrici e satellitari offre benefici marginali e inconsistenti; futuri lavori dovrebbero concentrarsi sull'identificazione di sottoinsiemi di attributi trasferibili e sull'integrazione di metriche 3D (modelli di città 3D) per migliorare la predizione.