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.

The post Una metodologia completa per rilevare, classificare e confrontare isolati urbani con l’intelligenza artificiale appeared first on FULL | the Future Urban Legacy Lab.

Arch•i – Intelligenza architettonica

La città sta producendo una qualità e un tipo di informazione su se stessa completamente nuovi, sotto forma di dati che possono essere archiviati, organizzati e analizzati. Le esigenze tecniche riguardano la standardizzazione dei formati, la raccolta, la gestione e la selezione delle informazioni, l’elaborazione e la visualizzazione dei dati. Ciò sta portando a sviluppi senza precedenti degli strumenti. Nuove reti di relazioni tra documenti possono essere definite e rapidamente ridefinite, in base a esigenze e contenuti in continuo aggiornamento. In questa complessa topologia informativa, la forma fisica dell’architettura mantiene un ruolo chiave, su cui si fonda anche l’elaborazione più aggiornata.

L’Italia conta 49 siti culturali iscritti nella lista del Patrimonio Mondiale dell’UNESCO. Nonostante ciò, solo lo 0,7% del PIL italiano è destinato alla cultura¹. Siti come i Fori Imperiali di Roma o Pompei ed Ercolano ospitano milioni di visitatori ogni anno, ma non sono in grado di fornire servizi informativi adeguati in loco e devono affrontare problemi di gestione e manutenzione. Allo stesso tempo, a causa dei bassi flussi turistici, molti siti storico-archeologici di piccole dimensioni, isolati o meno noti non possono permettersi la sorveglianza e la manutenzione e sono quindi inaccessibili. Le risorse disponibili devono essere ottimizzate per garantire la tutela del patrimonio culturale e valorizzarlo.

Il progetto di ricerca intitolato Arch•i – Architectural Intelligence riguarda lo sviluppo di tecnologie digitali per migliorare l’accessibilità e la gestione dei siti culturali e l’esplorazione delle relative informazioni digitali. Si ritiene che le tecnologie di mobile computing possano superare i limiti degli strumenti informativi tradizionali e consentire nuove interazioni con monumenti e opere d’arte. Il progetto sta attualmente impiegando l’intelligenza artificiale (IA) per rendere le reti di dati e gli ambienti digitali accessibili dallo spazio fisico.

Deep learning per l’architettura

Negli ultimi anni, la diffusione di grandi set di dati di immagini e una potenza di calcolo senza precedenti hanno dato impulso allo sviluppo di una classe di algoritmi di intelligenza artificiale denominata deep learning (DL). Tra i metodi di deep learning, le reti neurali convoluzionali (CNN) si sono dimostrate particolarmente efficaci nella visione artificiale, trovando applicazioni in numerose discipline. Mentre l’intelligenza artificiale sta appena iniziando a interagire con l’ambiente costruito attraverso dispositivi mobili, le tecnologie per il patrimonio culturale producono ed esplorano da tempo modelli digitali e archivi spaziali. Pertanto, la digitalizzazione delle informazioni culturali offre fonti di conoscenza strutturate e pronte all’uso, che possono essere recuperate attraverso le funzionalità flessibili dell’intelligenza artificiale. L’interazione tra deep learning e la modellazione delle informazioni all’avanguardia rappresenta un’opportunità sia per sfruttare i database del patrimonio culturale sia per ottimizzare nuove tecniche di riconoscimento degli oggetti. Un approccio specifico al riconoscimento automatico dell’architettura potrebbe cambiare il modo in cui i dati sull’ambiente urbano vengono raccolti, elaborati e analizzati, e potrebbe fornire modalità più efficaci per accedervi.

Il progetto Arch•i ha sviluppato un’app mobile che consente agli utenti di accedere ai dati su edifici e opere d’arte semplicemente puntando la fotocamera sull’oggetto. L’app è in grado di collegare la città reale a documenti pertinenti e contestualizzati, come immagini, testi, mappe e modelli 3D. Si basa su sviluppi originali di tecniche CNN volte al riconoscimento delle caratteristiche architettoniche. L’app si basa su due blocchi software principali: (1) un database online, geografico, che consente di caricare diversi tipi di documenti e le relative informazioni o metadati; (2) la parte DL, che viene memorizzata sul dispositivo e richiede una quantità di spazio su disco molto ridotta.

L’app offre un punto di accesso a una rete di informazioni digitali ancora poco sfruttata, non attraverso un catalogo o un percorso predefinito su una mappa, ma semplicemente inquadrando il contesto urbano con una fotocamera mobile. Un’enorme quantità di informazioni multimediali può essere collegata agli elementi di una città, rispondendo a domande su come rendere le informazioni disponibili facilmente e in modo sostenibile.

I passi successivi

L’Area Archeologica Centrale di Roma e il centro storico di Torino sono i primi campi di prova della “guida AI” sviluppata. Le CNN sono, tuttavia, modelli generali e possono essere addestrate a riconoscere un’ampia gamma di oggetti in contesti diversi. Si prevede quindi di estendere il progetto ad altri siti, coprendo scale e intervalli temporali diversi.

Sono previsti ulteriori sviluppi anche per l’integrazione delle tecnologie di intelligenza artificiale proposte e dei database spaziali semantici, al fine di: (1) rendere il sistema più scalabile, per archiviare online grandi quantità di dati che possono essere recuperati quando necessario; (2) sfruttare l’interoperabilità delle informazioni spaziali, ovvero collegare i dati di modellazione delle informazioni edilizie (BIM) all’ambiente esplorato tramite l’app; (3) consentire l’accesso a informazioni di dettaglio, ovvero eseguire il riconoscimento DL sulla scala dei dettagli edilizi, riconoscendo così parti di monumenti o categorie di elementi costruttivi, decorazioni e materiali.

Inoltre, stiamo collegando i nostri primi esperimenti con l’intelligenza artificiale e altre tecnologie:

• La realtà aumentata (AR) consente l’interazione con modelli digitali 3D e può sovrapporre livelli di informazioni spaziali precise a immagini live dell’ambiente reale.
• Le comunicazioni mobili cellulari 5G renderanno immediatamente disponibili grandi quantità di dati, ridefinendo i servizi basati sulla posizione e l’accesso ai contenuti.
• I dispositivi IoT possono abilitare il controllo degli accessi e migliorare l’esperienza in loco, fornendo soluzioni di monitoraggio convenienti che non richiedono la presenza fisica di personale di supervisione.

Il lavoro svolto evidenzia anche possibili connessioni tra l’ambiente virtuale e la città contemporanea. I modelli di DL potrebbero essere addestrati a riconoscere tipologie edilizie o componenti strutturali, mentre le informazioni correlate potrebbero integrare prestazioni energetiche, comportamenti strutturali e fasi di costruzione.

Il presupposto di base della ricerca è che l’architettura abbia un ruolo chiave nell’approccio a strumenti tecnologicamente avanzati. La forma è un mezzo per identificare fatti fisici, osservabili e tangibili e può essere utilizzata per produrre modelli condivisi dello spazio urbano complesso e stratificato. Su questa base, il nostro progetto intende contribuire al riconoscimento, alla strutturazione e all’uso operativo della forma architettonica.

Note

Fonte: Eurostat, Spesa totale delle amministrazioni pubbliche per “ricreazione, cultura e religione”, 2015. https://ec.europa.eu/eurostat/web/products-eurostat-news/-/DDN-20170807-1 (consultato il 26 marzo 2019)

The post Siti culturali in realtà aumentata appeared first on FULL | the Future Urban Legacy Lab.

The post L’ESPERIMENTO PLANETARIO: Intelligenza artificiale, habitat e futuro della vita appeared first on FULL | the Future Urban Legacy Lab.