Dal monitoraggio urbano all'intelligenza urbana: come il machine learning sta rimodellando la governance urbana nel Sud globale

Quando la crescita urbana perde la mappa

Le città del Sud del mondo si stanno espandendo a un ritmo senza precedenti nella storia. Karachi in Pakistan, le città satellite di Mumbai, le periferie di Lagos – le aree edificate di queste regioni avanzano ogni anno di chilometri, spesso prima di qualsiasi piano urbanistico. I cambiamenti drastici della copertura del suolo non solo minacciano la sicurezza ecologica, ma provocano direttamente inondazioni, isole di calore e crisi idriche. Tuttavia, la radice della sfida non è l'urbanizzazione in sé, ma l'asimmetria informativa: la maggior parte dei paesi in via di sviluppo manca di dati ad alta risoluzione e in tempo reale sui cambiamenti della superficie terrestre, e i dipartimenti di pianificazione spesso si affidano a censimenti effettuati una volta ogni diversi anni o a immagini satellitari obsolete, con decisioni in ritardo rispetto ai cambiamenti effettivi.

In questo contesto, uno studio pubblicato su Scientific Reports offre un'alternativa interessante. Il team di ricerca ha utilizzato immagini satellitari Landsat e due algoritmi di apprendimento automatico – la classificazione Random Forest (RFC) e le Support Vector Machine (SVM) – per rilevare con precisione i cambiamenti della superficie urbana di Karachi dal 2000 al 2023. I risultati mostrano che questo metodo supera le tecniche esistenti in termini di precisione di classificazione rispettivamente del 26,91% e del 19,73%, ed è in grado di identificare efficacemente tendenze chiave come la dispersione urbana, la deforestazione e le anomalie termiche.

Il cambiamento strategico dietro la svolta tecnologica

A prima vista, sembra un ulteriore progresso nel telerilevamento e nell'informatica. Ma il cambiamento più profondo è questo: la combinazione di "telerilevamento + apprendimento automatico" sta trasformando il monitoraggio urbano da un'attività ad alto costo guidata da esperti in uno strumento di governance che può essere utilizzato autonomamente dai governi locali e persino dalle comunità. Il monitoraggio tradizionale della superficie urbana si basa su misurazioni sul campo o su satelliti commerciali costosi, mentre in questo studio i dati Landsat sono gratuiti e gli algoritmi sono open source, il che significa che qualsiasi città in via di sviluppo con capacità di calcolo di base può implementare rapidamente un sistema simile.

Ciò non solo abbassa la soglia, ma cambia anche la struttura di potere della gestione urbana. In passato, il controllo dei dati urbani era spesso concentrato negli uffici statistici nazionali o nelle istituzioni internazionali; ora, le città periferiche – quelle situate ai margini dei flussi di capitale globale ma che sopportano la maggiore pressione demografica – per la prima volta hanno la capacità di comprendere in tempo reale le proprie dinamiche spaziali. Il caso di Karachi dimostra che la democratizzazione della tecnologia potrebbe promuovere l'autogoverno delle città del Sud più di qualsiasi aiuto internazionale.

Osservare le città del Sud del mondo da Karachi

Karachi, centro economico del Pakistan, ha una popolazione di oltre 20 milioni di abitanti, ma le infrastrutture urbane sono gravemente insufficienti e la percentuale di insediamenti informali è molto alta. Lo studio mostra che tra il 2000 e il 2023, l'area edificata della città è quasi raddoppiata, mentre la copertura vegetale e le superfici idriche sono diminuite di conseguenza. Questi dati di per sé non sorprendono, ma i modelli spazio-temporali rivelati dal modello di apprendimento automatico hanno valore politico: ad esempio, l'espansione urbana si estende principalmente lungo i principali corridoi di trasporto, piuttosto che con uno sviluppo di riempimento; le aree con i peggiori effetti di isola di calore sono proprio quelle in cui si concentrano le comunità a basso reddito.Questi risultati indicano un dilemma più ampio che riguarda le città del Sud del mondo: l'urbanizzazione rapida e il degrado ambientale spesso si sovrappongono in modo marcato, e i gruppi più vulnerabili subiscono le conseguenze più gravi. Senza un monitoraggio continuo e ad alta precisione, i governi potrebbero continuare a investire in infrastrutture nei luoghi sbagliati o ignorare i segnali di allarme ecologici già evidenti. Il contributo fondamentale dei metodi di apprendimento automatico è la capacità di identificare relazioni di accoppiamento difficili da cogliere con la statistica tradizionale – come gli effetti ritardati tra cambiamento dell'uso del suolo e inquinamento atmosferico, o le relazioni non lineari tra densità urbana e pressione idrica.

Un nuovo patto per la governance urbana

L'integrazione tra telerilevamento e apprendimento automatico non è solo un miglioramento tecnologico: sta ridefinendo il rapporto tra città e Stato. Per lungo tempo, la pianificazione urbana nei paesi del Sud è stata in gran parte "importata" – concetti di pianificazione, controllo della densità e zonizzazione delle città occidentali sono stati trasferiti direttamente, spesso con scarsi risultati. I sistemi di monitoraggio in tempo reale offrono un circuito di feedback basato su dati locali, consentendo alle città di adattarsi dinamicamente alle proprie condizioni ecologiche e sociali. Questo concetto di "città che apprende" – città che monitorano costantemente i propri cambiamenti, aggiornano i modelli e adattano le politiche – sta passando dalla fantascienza nordica alla realtà dell'Asia meridionale.

Naturalmente, permangono delle sfide. La qualità dei dati è limitata dalla copertura nuvolosa e dalla frequenza di rivisitazione dei satelliti; i modelli di apprendimento automatico necessitano di una calibrazione continua per evitare bias algoritmici; e, cosa ancora più cruciale, i dati da soli non si traducono automaticamente in decisioni – i governi locali devono avere le capacità istituzionali e la volontà politica per rispondere ai problemi evidenziati dai dati. Ma ciò nonostante, le ricerche concrete stanno dimostrando che il Sud del mondo non deve attendere un manuale di pianificazione urbana perfetto; può utilizzare gli strumenti a disposizione per costruire passo dopo passo la propria intelligenza urbana.

Tendenze a lungo termine: monitorare significa governare

Guardando al futuro, con la crescente densità delle costellazioni satellitari e lo sviluppo dell'edge computing, il monitoraggio della superficie urbana passerà da "istantanee periodiche" a "flussi continui". A quel punto, il ritmo della governance urbana cambierà radicalmente: non più aggiornamenti ogni cinque anni, ma una gestione adattiva quotidiana, oraria o addirittura in tempo reale. Per i paesi in via di sviluppo, questa è sia una grande opportunità che un potenziale fattore di aggravamento del divario digitale – le città che non adotteranno tempestivamente le nuove tecnologie resteranno ancora più indietro.

Il caso di Karachi è un punto di partenza. Ci ricorda che la competizione futura nel sistema urbano globale non si gioca solo sul PIL o sull'altezza dei grattacieli, ma anche sulla capacità delle città di comprendere rapidamente i cambiamenti in atto al proprio interno. Laddove i cambiamenti sono più rapidi, la capacità di monitoraggio sta diventando la risorsa strategica più scarsa.