Housing Potential Common Data Model and City Digital Twin
Questo articolo introduce l'Housing Potential Common Data Model (HPCDM) per integrare dataset disparati per un'analisi completa dell'housing, dimostrandone l'applicazione pratica attraverso un City Digital Twin e una dashboard pilota, affrontando al contempo le barriere all'adozione per gli stakeholder urbani.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Le città sono sistemi viventi, in costante mutamento mentre le persone si trasferiscono, gli edifici sorgono e i quartieri cambiano. Per capire come una città possa crescere, pianificatori e ricercatori devono porre una domanda specifica: dove c'è spazio per nuove abitazioni? Questo concetto, noto come "potenziale abitativo", non riguarda solo la ricerca di lotti vuoti. È un puzzle complesso che richiede di pesare molti fattori diversi contemporaneamente. Un terreno potrebbe essere legalmente autorizzato a ospitare un nuovo edificio residenziale, ma se le strade locali sono già intasate, i tubi dell'acqua sono troppo piccoli o non ci sono scuole nelle vicinanze, quel terreno potrebbe non essere un buon posto dove costruire. Tradizionalmente, le informazioni necessarie per rispondere a queste domande sono state disperse. Le regole di zonizzazione vivono in un database, i numeri della popolazione in un altro e le mappe delle tubature dell'acqua in un terzo. Queste collezioni separate di dati spesso non parlano la stessa lingua, rendendo difficile avere una visione completa di ciò che una città può sostenere.
Un team di ricercatori dell'Università di Toronto si è posto l'obiettivo di risolvere questo problema di informazioni disconnesse. Si sono chiesti se fosse possibile creare un modo unico e standard per descrivere tutti i diversi pezzi di dati necessari a valutare il potenziale abitativo. Il loro obiettivo non era costruire uno specifico strumento software per una singola città, ma progettare un framework universale — un modello di dati comune — che potesse fungere da traduttore. Questo framework avrebbe permesso di collegare logicamente diversi tipi di informazioni, dai codici di zonizzazione legale al numero di camion dei vigili del fuoco in un distretto. Creando questo linguaggio condiviso, speravano di consentire a computer e umani di porre domande complesse sulla capacità di una città di ospitare più persone, indipendentmente dalla provenienza originale di quei punti dati.
I ricercatori hanno iniziato ascoltando le persone che utilizzano queste informazioni ogni giorno. Hanno parlato con sostenitori dell'edilizia sociale, pianificatori urbani e sviluppatori immobiliari per comprendere le domande specifiche che devono affrontare. Queste domande hanno costituito l'ossatura del loro lavoro. Ad esempio, un sostenitore potrebbe chiedere: "Questo lotto di terreno vuoto è di proprietà del governo ed è destinato a uso residenziale?", mentre uno sviluppatore potrebbe chiedere: "Se costruisco qui, il sistema idrico locale avrà capacità sufficiente per gestire i nuovi residenti?". Il team ha raccolto oltre 360 dataset differenti da tutto il Canada che contenevano risposte a questo tipo di domande. Hanno scoperto che, sebbene i dati esistessero, erano spesso frammentati, con alcune città dotate di registri dettagliati e altre con lacune significative.
Con in mente questi bisogni reali, il team ha trascorso due anni progettando il Modello di Dati Comune per il Potenziale Abitativo (Housing Potential Common Data Model). Questo modello è una specifica dettagliata che definisce esattamente come descrivere l'ambiente fisico e normativo di una città. Esso suddivide la città in parti comprensibili: il terreno stesso, gli edifici su di esso, le persone che vi abitano e i servizi che le sostengono. Il modello include regole per descrivere tutto, dall'altezza di un edificio al numero di stanze in un appartamento, fino alla distanza dall'ospedale più vicino e alla capacità del sistema fognario locale. Fondamentalmente, il modello è stato costruito per essere flessibile. Non impone a ogni città di avere esattamente gli stessi dati; invece, fornisce una struttura che può adattarsi alle diverse regole locali e alle informazioni disponibili. I ricercatori hanno testato il loro design contro 71 domande specifiche derivate dalle loro interviste iniziali. Hanno scoperto che il modello era in grado di rispondere con successo a 68 di quelle domande, dimostrando che il loro framework era abbastanza robusto da gestire la complessità della pianificazione reale.
Per dimostrare che questo modello astratto potesse funzionare in pratica, il team ha costruito un "Gemello Digitale della Città" (City Digital Twin) per Toronto. Un gemello digitale è una rappresentazione virtuale di una città che collega diversi fonti di dati in un'unica vista interattiva. Utilizzando il loro nuovo modello, i ricercatori hanno inserito i dati di Toronto in un grafo di conoscenza (knowledge graph) — un tipo di database che collega le informazioni come una ragnatela piuttosto che memorizzarle in righe e colonne separate. Ciò ha permesso di collegare un pezzo specifico di terreno alle sue regole di zonizzazione, al suo attuale proprietario, alle scuole vicine e alla capacità della rete elettrica locale, tutto in un colpo solo. Hanno poi costruito una dashboard pilota sopra questo gemello digitale. Questo strumento permette a un utente di inserire un indirizzo e vedere istantaneamente un riepilogo del potenziale abitativo di quella posizione. La dashboard può indicare a un utente se il terreno è destinato ad appartamenti, qual è l'altezza massima dell'edificio, quante persone vivono attualmente nel quartiere e se il dipartimento dei vigili del fuoco locale ha capacità sufficiente per servire un nuovo sviluppo.
Il progetto ha rivelato sia la forza che i limiti di questo approccio. Il team ha dimostrato con successo che un linguaggio comune può integrare diverse fonti di dati, trasformando una collezione caotica di fogli di calcolo e mappe in un sistema coerente. Tuttavia, hanno anche scoperto che i dati non sempre sono disponibili. In alcuni casi, il modello poteva rispondere perfettamente a una domanda, ma la città semplicemente non possedeva i dati per fornire la risposta. Ad esempio, mentre il modello poteva tracciare la capacità dei sistemi idrici, molte città non condividono pubblicamente i registri dettagliati di quanta acqua venga attualmente utilizzata rispetto a quanta sia disponibile. I ricercatori hanno osservato che, affinché il modello sia davvero utile ovunque, le città devono migliorare il modo in cui raccolgono e condividono questo tipo specifico di informazioni.
Il team ha concluso che, affinché questo standard venga adottato ampiamente, sono necessarie tre cose. Primo, le persone hanno bisogno di formazione su come utilizzare il modello; non basta avere le regole, gli utenti devono comprendere cosa significano i dati. Secondo, deve esserci un valore immediato; le città devono vedere strumenti come la dashboard di Toronto che mostrano come il modello possa risolvere problemi reali. Infine, il supporto è essenziale, poiché le città avranno bisogno di aiuto per costruire il software e i processi necessari per mappare i propri dati locali secondo questo nuovo standard. Il lavoro non finisce con il modello stesso; esso è una fondazione. I ricercatori hanno dimostrato che è possibile creare un linguaggio condiviso per il potenziale abitativo, uno che possa aiutare le città a prendere decisioni migliori su dove e come costruire le case del futuro. Trasformando i dati dispersi in una storia connessa, questo progetto offre un nuovo modo per vedere il potenziale nascosto nelle nostre città.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.