12/12, 11:15–11:30 (Europe/Rome), Aula Nievo
Il consumo suolo è attualmente una delle tematiche più discusse a livello sia nazionale che internazionale in quanto ha un peso sia come “acceleratore” della crisi climatica tutt’ora in atto che sugli effetti dei sempre più frequenti eventi estremi.
ISPRA elabora da anni una serie di indici che riguardano il consumo di suolo e li sintetizza nel rapporto pubblicato annualmente, da quest’anno è stata inserita nell’analisi paesaggistica una sezione riguardante la visibilità del suolo consumato.
L’impatto visivo del suolo consumato ha infatti un notevole effetto sulla percezione personale e collettiva della degradazione di un paesaggio, dove essa è costituita da un insieme di fattori che sono sia oggettivi che soggettivi.
Il lavoro presentato si pone come obiettivo quello di quantificare la parte oggettiva dell’impatto visivo (che chiameremo visibilità) tramite l’indice adimensionale (NI) definito da Minelli et al. nel 2014. La visibilità di un oggetto è calcolata tramite analisi trigonometriche come l’area dell’oggetto rispetto a quella del campo visivo dinamico di un osservatore posto in un qualsiasi punto in un dato intorno dell’oggetto osservato.
L’area dell’oggetto osservato viene calcolata in funzione della posizione dell’osservatore e quindi comprensiva delle sue eventuali distorsioni tramite calcoli di natura trigonometrica. Il codice che implementa il calcolo dell’indice è stato rilasciato per GRASS GIS e recentemente aggiornato alla versione 8 del software (https://github.com/annalisapg/r.wind.sun/tree/updated_GRASS8).
L’analisi di visibilità è stata svolta sull’intero territorio nazionale con risoluzione di 10m per ogni pixel in un intorno di 30km dall’oggetto osservato considerando 4 categorie di consumo suolo: nuovi edifici, strade, cantieri e impianti fotovoltaici a terra.
Le analisi sono state eseguite tramite una procedura mista che ha coinvolto un preprocessing dei dati in QGIS e un processamento degli stessi in GRASS GIS.
Avendo a disposizione per ogni singolo elemento la sola impronta sul territorio, il calcolo è stato eseguito sulla base di alcune assunzioni. Per gli impianti fotovoltaici, data la disomogeneità delle tipologie di impianto esistenti, è stato considerato un impianto ad un’unica falda, con pannello di dimensione pari a quella dell’area rilevata durante il monitoraggio e con inclinazione variabile in base alla stessa dimensione, la quota del centro del pannello è pari a 4m. Per i cantieri e le strade, data l’irregolarità delle forme assunte dagli stessi, si è ricondotto il calcolo al minimo rettangolo orientato che circoscrive la forma irregolare e un’altezza nulla rispetto alla superficie. Infine, per gli edifici si è considerata un’altezza media pari a 6m, in coerenza con quanto osservato dagli studi precedenti, e una forma rettangolare degli stessi, posta in posizione verticale rispetto al suolo.
Dai risultati ottenuti si può affermare che la distribuzione dei valori dell’indice è di tipo logaritmico e i valori massimi dell’indice vengono registrati per strade e cantieri, a seguire fotovoltaico ed edifici. Inoltre, confrontando la visibilità di edifici e strade, nonostante gli edifici abbiano una maggior densità sul territorio nazionale, proporzionalmente i primi sono visibili molto meno rispetto alle seconde.
A livello computazionale il calcolo ha richiesto 30 giorni circa di elaborazioni, su due macchine: un MacBook Pro con processore M1 e un Debian con processore Intel i-5. La procedura è risultata abbastanza lenta a causa dell’ingente quantità di dati processati (decine di migliaia di features, considerando tutte e 4 le classi su tutte le regioni), del fatto che il calcolo viene svolto pixel per pixel, e a causa della elaborazione, in serie, all’interno del modulo r.photovoltaic.py.
In generale, il codice e la procedura hanno dimostrato un’elevata stabilità con nessun caso di crash durante le elaborazioni svolte h24 e una definitiva consistenza dei risultati ottenuti.
La schematizzazione delle features di forma irregolare sul territorio è molto semplificata ma è stata dettata da esigenze di rapidità di esecuzione dell’analisi, presenza di informazioni parziali riguardo i singoli impianti o edifici e necessità di adottare una procedura il più possibile standardizzata sull’intero territorio nazionale.
Possibili miglioramenti dell’analisi consistono in (i) l’affinamento della procedura di rappresentazione delle feature oggetto di studio tramite una revisione dell’analisi trigonometrica contenuta nel codice, (ii) identificazione, per ogni classe di elementi, della ragionevole distanza massima alla quale effettuare l’analisi, (iii) parallelizzazione del codice r.photovoltaic.py in modo da riuscire a sfruttare appieno le capacità della macchina.
