Questa ricerca nasce da due considerazioni importanti sull’evoluzione dell’architettura e del design. In primo luogo, negli ultimi anni si è registrato un interesse crescente nello studio della forma urbana, grazie alla maggiore accessibilità a dati geografici e strumenti di mappatura. In secondo luogo, i più recenti progressi nel machine learning hanno messo a disposizione dei ricercatori una gamma di strumenti innovativi. Alla luce di questi sviluppi, lo studio mira a definire una metodologia completa e sistematica per identificare e analizzare la forma urbana tramite l’applicazione di tecniche di machine learning.
L’emergere della morfologia urbana come filone distinto nella letteratura architettonica, incentrato su componenti fondamentali come strade, edifici e isolati, costituisce il contesto di riferimento di questa ricerca. Tra questi elementi, gli isolati urbani rivestono un ruolo cruciale per la loro posizione centrale e per le interazioni con le altre componenti. La ricerca si concentra sugli isolati urbani, in particolare sulla loro individuazione e classificazione mediante tecniche di machine learning. Approfondisce inoltre l’interazione tra morfologia urbana e progressi nell’intelligenza artificiale (IA), con l’obiettivo di integrare questi ambiti per ottenere una comprensione più profonda degli elementi della forma urbana.
Oltre al capitolo introduttivo, lo studio è organizzato in tre parti distinte, ciascuna con un focus e obiettivi specifici. La prima parte è dedicata allo sviluppo di un quadro teorico sulla mappatura della morfologia urbana in relazione alle applicazioni dell’IA, sottolineando il cambiamento contemporaneo verso approcci quantitativi e guidati dai dati nell’analisi della forma urbana. Questa parte approfondisce la quantificazione della forma urbana, il ruolo degli studi data-driven nell’analisi urbana e l’impatto determinante dell’IA e delle tecnologie di telerilevamento in questo campo. Presenta inoltre una rassegna ampia delle diverse definizioni presenti in letteratura e introduce un nuovo approccio sistematico per definire questo concetto. Questa parte comprende i capitoli 1 e 2.
La seconda parte, che rappresenta il nucleo della tesi, è centrata sull’applicazione del modello e propone un flusso di lavoro dettagliato, un impianto analitico e indicazioni sul processo di estrazione, entrando nello specifico dell’applicazione di un modello basato su deep learning per l’individuazione e la classificazione degli isolati urbani. Questa parte comprende il capitolo 3.
La parte finale si concentra sull’applicazione pratica del metodo sviluppato in questo studio. Approfondisce la classificazione degli isolati urbani, analizzando i risultati ottenuti dall’applicazione del modello in diverse città. Questa sezione esamina l’uso di metriche predefinite, conduce analisi comparative dei cluster sia all’interno delle singole città sia tra città diverse e si estende al confronto tassonomico tra due approcci: quello convenzionale, in cui gli isolati sono definiti in base agli elementi che li compongono (strade, lotti, edifici) e classificati in base a forma e dimensione, e l’approccio guidato dall’IA. Inoltre, include una discussione approfondita sulla fattibilità e sulle implicazioni di questo approccio, offrendo così spunti utili sul futuro punto di incontro tra morfologia urbana e machine learning. Questa parte comprende i capitoli 4 e 5.
La ricerca utilizza immagini satellitari ad alta risoluzione, in grado di catturare uno spettro ampio e diversificato di forme urbane provenienti da città in Europa, America e Asia. Queste immagini vengono etichettate con precisione per creare un dataset di addestramento, elemento indispensabile nelle applicazioni di machine learning. Infatti, il presupposto del supervised machine learning consiste nell’addestrare un modello su un sottoinsieme di dati per i quali sono note le variabili di interesse, ossia quelle da prevedere. In questo studio, il dataset di addestramento comprende una vasta raccolta di immagini di forme urbane, in cui l’isolato urbano — la principale variabile di interesse — è esplicitamente identificato e marcato dal ricercatore. Una volta che il modello ha “imparato” da questo insieme di dati, può essere utilizzato per prevedere la presenza o l’assenza di isolati urbani in dati mai visti prima, nei quali la variabile di interesse è inizialmente sconosciuta.
Gli esiti di questo studio delineano un percorso complessivo per i ricercatori urbani finalizzato a individuare e classificare le forme urbane. I risultati includono lo sviluppo di una tassonomia e un’analisi dettagliata dei suoi indicatori, fondata sulla letteratura di riferimento. Oltre ai contributi concettuali, i risultati preliminari offrono un’anticipazione degli esiti dell’addestramento e della valutazione del modello di supervised machine learning utilizzato per la previsione e la classificazione degli isolati urbani. La ricerca rappresenta un avanzamento significativo nell’integrazione di tecniche di IA e machine learning con le pratiche di morfologia urbana, ponendo le basi per una nuova traiettoria di studi futuri in questo ambito di intersezione. Lo studio non solo contribuisce ai quadri teorici, ma fornisce anche indicazioni operative, mostrando il potenziale delle tecnologie avanzate nel ridefinire le metodologie di ricerca urbana.
