Isola di Calore Urbana

Isola di Calore Urbana

Panoramica

L'isola di calore urbana (UHI, Urban Heat Island) è il fenomeno per cui le aree edificate registrano temperature medie significativamente più elevate rispetto alle zone rurali circostanti. Il fenomeno è causato principalmente dalla riduzione delle superfici vegetate, dall'elevato assorbimento di calore dei materiali costruttivi (cemento, asfalto) e dalla produzione di calore antropogenico. Il KPI mostra, per i mesi da Aprile ad Agosto, la distribuzione dei livelli di intensità dell'effetto isola di calore, calcolata attraverso due indicatori: l'UTFVI (Urban Thermal Field Variance Index) e la temperatura notturna al suolo (Night LST).

L'UHI ha impatti diretti sulla salute umana (ondate di calore, mortalità estiva), sul consumo energetico per il raffrescamento, sulla biodiversità urbana e sulla qualità dell'aria. La severità del fenomeno è direttamente correlata alla densità e alla tipologia della copertura del suolo urbana (Oke, 1982). Il KPI è invertito: valori più alti di intensità UHI indicano condizioni più critiche.

---

Indicatori Calcolati

1. UTFVI (Urban Thermal Field Variance Index)

L'UTFVI quantifica l'intensità dell'effetto isola di calore attraverso la varianza del campo termico urbano. È calcolato come:

UTFVI = (LST_pixel - LST_mean) / LST_mean

dove LST_pixel è la temperatura al suolo del pixel e LST_mean è la temperatura media dell'area analizzata. Valori positivi indicano pixel più caldi della media (hotspot UHI); valori negativi indicano pixel più freddi (zone di mitigazione).

2. Night LST (Temperatura Notturna al Suolo)

La temperatura notturna al suolo (Land Surface Temperature notturna) misura direttamente la temperatura superficiale nelle ore notturne (tipicamente 01:30 ora locale per MODIS Aqua). Le temperature notturne sono particolarmente significative per l'UHI poiché le superfici urbane trattengono il calore accumulato durante il giorno.

---

Metodologia di Calcolo

Il KPI utilizza dati MODIS LST a 1 km di risoluzione, downscalati a 25 m tramite un modello di machine learning che sfrutta:

• Land Cover (ESA WorldCover, 10 m) — classificazione della copertura del suolo
• NDVI (Sentinel-2, 10 m) — indice di vegetazione per stimare la capacità di raffrescamento evapotraspiratório
• Altitudine (NASA SRTM, 30 m) — correzione del gradiente termico altitudinale

Pipeline di calcolo:

1. Acquisizione dati LST — dati MODIS Terra e Aqua (diurni e notturni) per i mesi aprile–agosto
2. Filtraggio qualità — esclusione dei pixel contaminati da nuvole tramite le bande QC MODIS
3. Downscaling — upscaling della LST da 1 km a 25 m con modello ML (features: ESA WorldCover, NDVI Sentinel-2, SRTM)
4. Calcolo UTFVI — applicazione della formula UTFVI pixel per pixel
5. Calcolo Night LST — estrazione della LST notturna media del periodo aprile–agosto
6. Aggregazione per poligono — calcolo della distribuzione dei livelli di intensità UHI all'interno del poligono

Periodo di analisi: Aprile — Agosto (mesi più rappresentativi per il fenomeno UHI)

Unità di misura:

• UTFVI: indice adimensionale
• Night LST: gradi Celsius (°C)

---

Fonti Dati

---

Range e Livelli di Qualità

UTFVI

Invertito = Sì: un valore più basso indica un'intensità UHI minore e condizioni migliori.

Night LST

Invertito = Sì: temperature notturne più basse indicano condizioni migliori e minore intensità UHI notturna.

---

Note Tecniche

• Analisi limitata ai mesi aprile–agosto per catturare il periodo estivo, più rappresentativo dell'UHI
• Il downscaling da 1 km a 25 m tramite ML migliora significativamente la risoluzione spaziale
• Bisogna generare le mappe di Temperatura Notturna al Suolo (Night LST)
• I dati MODIS hanno una revisita di 1–2 giorni, garantendo buona copertura temporale
• Il filtraggio delle nuvole riduce la disponibilità di dati nelle zone con alta copertura nuvolosa estiva

---

Riferimenti Bibliografici

1. Oke, T.R. (1982). "The energetic basis of the urban heat island". Quarterly Journal of the Royal Meteorological Society, 108(455), 1–24.
2. Voogt, J.A., Oke, T.R. (2003). "Thermal remote sensing of urban climates". Remote Sensing of Environment, 86(3), 370–384.
3. Zhou, D., Xiao, J., Bonafoni, S., Berger, C., Deilami, K., Zhou, Y., ..., Sobrino, J.A. (2019). "Satellite Remote Sensing of Surface Urban Heat Islands: Progress, Challenges, and Perspectives". Remote Sensing, 11(1), 48.

Responsabile: Claudio Barbieri