La mappa della vegetazione classifica la copertura del suolo in 4 macro-classi: (0) assenza di vegetazione, (1) alberi, (2) cespugli e arbusti, ed (3) copertura erbaceo. La mappa della vegetazione, con risoluzione spaziale di 10 m, è stata ottenuta dall’integrazione di diverse fonti di dati provenienti dal programma di osservazione satellitare dell’Agenzia Spaziale Europea (ESA) Copernicus. e ISPRA (Istituto Superiore per la Protezione e la Ricerca Ambientale):

• La mappa nazionale di copertura del suolo ISPRA 2018 (COP) [1]
• Copernicus Urban Atlas 2018 (UA) [2]
• Copernicus Street Tree layer 2018 (STL) [3]
• Copernicus High Resolution Layer: Tree Cover Density 2018 (TCD) [4]
• Copernicus High Resolution Layer: Grassland 2018 (GR) [5]
• Copernicus Small Woody Features 2018 (SWF) [6]

Per la realizzazione delle quattro categorie, ciascuna delle mappe di input è stata riclassificata in 0-3 secondo il seguente processo:

Successivamente, le varie mappe, i cui valori variano da 0 a 3 o da 0 a 1, sono state combinate tramite l’operatore logico OR (||) nel seguente ordine:

1. ISPRA Copertura del suolo [0-3] || Copernicus Urban Atlas [0-3] = a [0-3]
2. Copernicus HRL Grassland [0-3] || a [0-3] = b[0-3]
3. Copernicus HRL Tree Cover Density [0-1] || b [0-3] = c [0-3]
4. Copernicus Street Tree Layer [0-1] || Copernicus Small Woody feature [0-1] = d [0-1]
5. d [0-1]|| c [0-3] = mappa della vegetazione [0-3]

Per ciascuna città, la mappa è realizzata sul perimetro evidenziato dalle “città”, come identificato dalla classificazione DEGURBA [9]. In ciascuna delle città in esame viene evidenziato il “centro abitato” identificato da ISTAT (Istituto Nazionale di Statistica) come “aggregato di case contigue o vicine […] che costituiscono una forma autonoma di vita sociale e, generalmente, anche un luogo di raccolta per gli abitanti delle zone limitrofe in modo da manifestare l’esistenza di una forma di vita sociale coordinata dal centro stesso” [10].

Le mappe di Land Surface Temperature (LST) costituiscono un elemento fondamentale dell’osservatorio italiano per le politiche di forestazione urbana della Fondazione per il Futuro delle Città. Esse permettono di identificare e monitorare nel tempo le isole di calore in ambiente urbano, nonché quantificare il contributo apportato dalla vegetazione e dagli alberi nel mitigare la temperatura.

La missione satellitare Landsat fornisce mappe di TST ad una risoluzione spaziale di 30m.

Questo dettaglio non è sufficiente in ambiente urbano, dove le aree verdi sono spesso presenti in aree sparse e di dimensioni ridotte. Per sopperire a questo limite, abbiamo sfruttato la missione satellitare Sentinel-2 dell’European Space Agency (ESA), la quale fornisce immagini ad una risoluzione spaziale di 10 metri e con un tempo di rivisitazione di 3-5 giorni. Purtroppo, il sensore di cui sono dotati i due satelliti Sentinel-2, non acquisisce dati sulla temperatura. Utilizzando un algoritmo di machine learning chiamato Random Forests [11] abbiamo quindi sviluppato un modello per stimare la temperatura acquisita dalla missione satellitare Landsat utilizzando però le immagini Sentinel-2, ottenendo quindi un prodotto ad una maggiore risoluzione spaziale e temporale.

I dati di temperatura mostrati nelle mappe interattive si riferiscono alla temperatura media relativa al periodo giugno-agosto 2022.

Più nel dettaglio, la procedura consiste nei seguenti passaggi, replicati inalterati per ogni città analizzata:

1. Selezione di tutte le immagini Sentinel-2 (https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR_HARMONIZED) e Landsat 8 (https://developers.google.com/earth-engine/datasets/catalog/LANDSAT_LC08_C02_T1_L2) con una copertura nuvolosa inferiore al 70% [12] e acquisite tra il primo giugno 2022 e il 31 agosto 2022
2. Produzione di un composite estivo Landsat 8 [13,14] con risoluzione spaziale di 30 metri e che indica per ogni pixel la temperatura mediana.
3. Utilizzando Sentinel-2, produzione di un composite estivo [14,15] con risoluzione spaziale 10 metri e che indica per ogni pixel i valori mediani di riflettanza delle 4 bande Sentinel-2 disponibili a 10 metri di risoluzione spaziale: blu (B2), rosso (B3), verde (B4) e vicino infrarosso (B8).
4. Campionamento casuale semplice e selezione di 10000 pixel Sentinel-2. Quindi, costruzione di un database di training costituito da 10000 esempi per i quali sono disponibili le 4 bande Sentinel-2 (le variabili dipendenti) e la temperatura Landsat 8 (la variabile indipendente).
5. Training dell’algoritmo Random Forests [11] implementato su Google Earth Engine (https://developers.google.com/earth-engine/apidocs/ee-classifier-smilerandomforest)
6. Applicazione del modello ad ogni immagine Sentinel-2 (vedi punto 1) per stimare la temperatura a partire dalle 4 bande.
7. Calcolo della media delle N immagini predette e stima della temperatura media per ogni pixel di 10 metri
8. Per ogni esagono di un ettaro, calcolo della media della temperatura dei pixel inclusi.

La procedura è implementata in una piattaforma di calcolo in cloud chiamata Google Earth Engine [16]. I codici e i dati in grado di replicare l’intera procedura possono essere forniti su richiesta (saverio.francini@unifi.it).

Uno dei principali servizi ecosistemici forniti dagli alberi e dalla vegetazione in contesto urbano è il sequestro di carbonio dall’atmosfera e il suo assorbimento. Per monitorare questo aspetto ci siamo serviti dei dati dell’Inventario Forestale nazionale (2015) e dei dati satellitari Sentinel-2 acquisiti tra aprile 2017 – nonché il momento in cui anche il secondo satellite Sentinel-2 è diventato operativo – e marzo 2018, per avere un anno completo di osservazioni. Utilizzando le serie temporali Sentinel-2 e implementando la procedura introdotta da Bozzini et al. [17] abbiamo calcolato una vasta serie di predittori. Quindi, come dimostrato da Chirici et al., [18], Vangi et al., [19] e Giannetti et al., [20], abbiamo utilizzato Random Forests [11] per costruire un modello in grado di stimare il carbonio misurato a terra nell’ambito dell’inventario a partire dai predittori calcolati dalle immagini Sentinel-2.

Più nel dettaglio, la procedura consiste nei seguenti passaggi, replicati inalterati per ogni città analizzata:

1. Selezione di tutte le immagini Sentinel-2 (https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR_HARMONIZED) con una copertura nuvolosa inferiore al 50% (White et al., 2014) e acquisite tra il primo aprile 2017 e il 31 marzo 2018.
2. Calcolo dei predittori armonici utilizzando i dati Sentinel-2 selezionati e implementando la procedura mostrata da Bozzini et al., [17] e Parisi et al., [21].
3. Calcolo di un composite estivo utilizzando i dati Sentinel-2 acquisiti tra il primo giugno 2017 e il 31 agosto 2017 e implementando la procedura Medoid mostrata da Flood [22], Kennedy et al., [23], and Francini et al., [13].
4. Calcolo della temperatura media nel periodo 2010-2020 utilizzando i dati di Copernicus Climate Change Service (https://developers.google.com/earth-engine/datasets/catalog/ECMWF_ERA5_MONTHLY)
5. Calcolo delle precipitazioni mediane nel periodo 2010-2020 utilizzando i dati di Copernicus Climate Change Service (https://developers.google.com/earth-engine/datasets/catalog/ECMWF_ERA5_MONTHLY)
6. Le variabili prodotte ai punti 2, 3, 4, e 5 vengono unite alla mappa della provvigione del 2005 [19] e ad un modello digitale del terreno (https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_DEM_GLO30) e costituiscono i predittori (variabili dipendenti) del modello che verrà implementato al punto 8.
7. Selezione del carbonio misurato a terra per circa 7000 punti nell’ambito dell’inventario forestale nazionale italiano. Questo dato costituisce la variabile indipendente del modello.
8. Training dell’algoritmo “Random Forests”[11] implementato su Google Earth Engine (https://developers.google.com/earth-engine/apidocs/ee-classifier-smilerandomforest)
9. Come dimostrato da Chirici et al., [18], Vangi et al., [19] e Giannetti et al., [20], applicazione del modello per ottenere una mappa del carbonio con risoluzione spaziale di 10 metri per ciascuno dei pixel della mappa di vegetazione.
10. Per ogni esagono di un ettaro, calcolo del carbonio totale, ovvero della somma del carbonio contenuto in ogni pixel di 10 metri

La procedura è implementata sulla piattaforma di calcolo in cloud Google Earth Engine [24]. I codici e i dati in grado di replicare l’intera procedura possono essere forniti su richiesta (saverio.francini@unifi.it).

Elevate concentrazioni di particolato e di PM10 sono associate a problemi cardiovascolari e respiratori [25]. Gli alberi e l’infrastruttura verde urbana svolgono un ruolo importante nella riduzione dell’inquinamento atmosferico e nell’assorbimento del particolato.

Questo concetto, insieme agli strumenti strategici, tattici e operativi ad esso associati, sta attirando sempre più attenzione nei processi innovativi di pianificazione urbana per le città e le regioni urbane [26]. La presenza di alberi e coperture forestali nelle città, nei centri abitati e nei sobborghi circostanti contribuisce a migliorare la qualità della vita delle comunità urbane e aiuta i governi locali a raggiungere i propri obiettivi di sostenibilità ambientale, sociale ed economica.

Per monitorare questo aspetto, abbiamo implementato la procedura mostrata da Bottalico et al., [27]. Utilizzando dati satellitari è infatti possibile stimare la superficie fogliare degli alberi, la quale è direttamente correlata calla capacità di rimozione di PM10 dall’aria.

Più nel dettaglio, la procedura consiste nei seguenti passaggi, replicati inalterati per ogni città analizzata:

1. Selezione di tutte le immagini Sentinel-2 (https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR_HARMONIZED) con una copertura nuvolosa inferiore al 50% [12] e acquisite tra il primo giugno 2022 e il 31 agosto 2022
2. Produzione di un composite estivo Medoid [13,22,23]
3. Calcolo del Leaf Area Index (LAI) ([27], Eq.5).
4. Calcolo della capacità di rimozione del PM10 ([27], Eq. 4). Per applicare questa equazione abbiamo utilizzato il valore di PM10 presente nell’aria a Firenze nel 2013 [27]. Questo valore potrebbe variare molto in base alla città o all’anno e il dato che produciamo pertanto non è l’effettivo quantitativo di PM10 assorbito ma un indice che mostra la capacità da parte della vegetazione di assorbire PM10. Il calcolo è avvenuto per ciascun pixel della mappa di vegetazione.

La procedura è implementata sulla piattaforma di calcolo in cloud Google Earth Engine [16]. I codici e i dati in grado di replicare l’intera procedura possono essere forniti su richiesta (saverio.francini@unifi.it).

1. ISPRA Carta Nazionale Di Copertura Del Suolo Available online: https://www.isprambiente.gov.it/it/attivita/suolo-e-territorio/suolo/copertura-del-suolo/carta-nazionale-di-copertura-del-suolo.
2. ESA Copernicus Urban Atlas Available online: https://land.copernicus.eu/local/urban-atlas/urban-atlas-2018 (accessed on 13 July 2023).
3. ESA Copernicus Street Tree Layer Available online: https://land.copernicus.eu/local/urban-atlas/street-tree-layer-stl-2018 (accessed on 13 July 2023).
4. ESA Copernicus HRL: Tree Cover Density Available online: https://land.copernicus.eu/pan-european/high-resolution-layers/forests/tree-cover-density/status-maps/tree-cover-density-2018 (accessed on 13 July 2023).
5. ESA Copernicus HRL: Grassland Available online: https://land.copernicus.eu/pan-european/high-resolution-layers/grassland/status-maps/grassland-2018 (accessed on 13 July 2023).
6. ESA Copernicus Small Woody Features Available online: https://land.copernicus.eu/pan-european/high-resolution-layers/small-woody-features/small-woody-features-2018 (accessed on 13 July 2023).
7. ISPRA ISPRA Copertura Suolo 2018 Available online: https://groupware.sinanet.isprambiente.it/uso-copertura-e-consumo-di-suolo/library/copertura-del-suolo/carta-di-copertura-del-suolo/copertura-del-suolo-2018 (accessed on 13 July 2023).
8. European Commission Mapping Guide for a European Urban Atlas Regional Policy. 2006, 21–22.
9. Eurostat Applying the Degree of Urbanisation; 2021; ISBN 9789276203063.
10. ISTAT Descrizione Dei Dati Geografici e Delle Variabili Censuarie Delle Basi Territoriali per I Censimenti: Anni 1991, 2001, 2011; 2016;
11. Breiman, L. Random Forests. Mach Learn2001, 45, 5–32, doi:https://doi.org/10.1023/A:1010933404324.
12. White, J.C.; Wulder, M.A.; Hobart, G.W.; Luther, J.E.; Hermosilla, T.; Griffiths, P.; Coops, N.C.; Hall, R.J.; Hostert, P.; Dyk, A.; et al. Pixel-Based Image Compositing for Large-Area Dense Time Series Applications and Science. Canadian Journal of Remote Sensing2014, 40, 192–212, doi:10.1080/07038992.2014.945827.
13. Francini, S.; Hermosilla, T.; Coops, N.C.; Wulder, M.A.; White, J.C.; Chirici, G. An Assessment Approach for Pixel-Based Image Composites. ISPRS Journal of Photogrammetry and Remote Sensing2023, 202, 1–12, doi:10.1016/j.isprsjprs.2023.06.002.
14. Qiu, S.; Zhu, Z.; Olofsson, P.; Woodcock, C.E.; Jin, S. Evaluation of Landsat Image Compositing Algorithms. Remote Sens Environ2023, 285, 113375, doi:10.1016/j.rse.2022.113375.
15. Francini, S.; Hermosilla, T.; Coops, N.C.; Wulder, M.A.; White, J.C.; Chirici, G. An Assessment Approach for Pixel-Based Image Composites. ISPRS Journal of Photogrammetry and Remote Sensing2023, 202, 1–12, doi:10.1016/j.isprsjprs.2023.06.002.
16. Gorelick, N.; Hancher, M.; Dixon, M.; Ilyushchenko, S.; Thau, D.; Moore, R. Google Earth Engine: Planetary-Scale Geospatial Analysis for Everyone. Remote Sens Environ2017, 202, 18–27, doi:10.1016/j.rse.2017.06.031.
17. Bozzini, A.; Francini, S.; Chirici, G.; Battisti, A.; Faccoli, M. Spruce Bark Beetle Outbreak Prediction through Automatic Classification of Sentinel-2 Imagery. Forests2023, 14, 1116, doi:10.3390/f14061116.
18. Chirici, G.; Giannetti, F.; McRoberts, R.E.; Travaglini, D.; Pecchi, M.; Maselli, F.; Chiesi, M.; Corona, P. Wall-to-Wall Spatial Prediction of Growing Stock Volume Based on Italian National Forest Inventory Plots and Remotely Sensed Data. International Journal of Applied Earth Observation and Geoinformation2020, 84, 101959, doi:10.1016/j.jag.2019.101959.
19. Vangi, E.; D’Amico, G.; Francini, S.; Borghi, C.; Giannetti, F.; Corona, P.; Marchetti, M.; Travaglini, D.; Pellis, G.; Vitullo, M.; et al. Large-Scale High-Resolution Yearly Modeling of Forest Growing Stock Volume and above-Ground Carbon Pool. Environmental Modelling & Software2023, 159, 105580, doi:10.1016/j.envsoft.2022.105580.
20. Giannetti, F.; Laschi, A.; Zorzi, I.; Foderi, C.; Cenni, E.; Guadagnino, C.; Pinzani, G.; Ermini, F.; Bottalico, F.; Milazzo, G.; et al. Forest Sharing® as an Innovative Facility for Sustainable Forest Management of Fragmented Forest Properties: First Results of Its Implementation. Land (Basel)2023, 12, 521, doi:10.3390/land12030521.
21. Parisi, F.; Vangi, E.; Francini, S.; D’Amico, G.; Chirici, G.; Marchetti, M.; Lombardi, F.; Travaglini, D.; Ravera, S.; De Santis, E.; et al. Sentinel-2 Time Series Analysis for Monitoring Multi-Taxon Biodiversity in Mountain Beech Forests. Frontiers in Forests and Global Change2023, 6, doi:10.3389/ffgc.2023.1020477.
22. Flood, N. Seasonal Composite Landsat TM/ETM+ Images Using the Medoid (a Multi-Dimensional Median). Remote Sens (Basel)2013, 5, 6481–6500, doi:10.3390/rs5126481.
23. Kennedy, R.; Yang, Z.; Gorelick, N.; Braaten, J.; Cavalcante, L.; Cohen, W.; Healey, S. Implementation of the LandTrendr Algorithm on Google Earth Engine. Remote Sens (Basel)2018, 10, 691, doi:10.3390/rs10050691.
24. Gorelick, N.; Hancher, M.; Dixon, M.; Ilyushchenko, S.; Thau, D.; Moore, R. Google Earth Engine: Planetary-Scale Geospatial Analysis for Everyone. Remote Sens Environ2017, 202, 18–27, doi:10.1016/j.rse.2017.06.031.
25. Anenberg, S.C.; Horowitz, L.W.; Tong, D.Q.; West, J.J. An Estimate of the Global Burden of Anthropogenic Ozone and Fine Particulate Matter on Premature Human Mortality Using Atmospheric Modeling. Environ Health Perspect2010, 118, 1189–1195, doi:10.1289/ehp.0901220.
26. Pauleit, S.; Liu, L.; Ahern, J.; Kazmierczak, A. Multifunctional Green Infrastructure Planning to Promote Ecological Services in the City. In Urban Ecology; Oxford University Press, 2011; pp. 272–285.

27. Bottalico, F.; Chirici, G.; Giannetti, F.; De Marco, A.; Nocentini, S.; Paoletti, E.; Salbitano, F.; Sanesi, G.; Serenelli, C.; Travaglini, D. Air Pollution Removal by Green Infrastructures and Urban Forests in the City of Florence. Agriculture and Agricultural Science Procedia 2016, 8, 243–251, doi:10.1016/j.aaspro.2016.02.099.