Mappatura non supervisionata della diversità degli alberi urbani tramite clustering visivo spazialmente consapevole

Perché gli alberi cittadini e le mappe intelligenti contano

Le città dipendono dagli alberi per restare vivibili. Gli alberi stradali rinfrescano i quartieri caldi, puliscono l’aria e offrono ai residenti un contatto quotidiano con la natura. Eppure la maggior parte delle amministrazioni cittadine ha solo stime approssimative su quante specie di alberi esistono o su dove queste specie sono concentrate. I rilievi tradizionali richiedono esperti che ispezionino ogni isolato, con costi elevati e tempi lunghi. Questo studio introduce un metodo per misurare la varietà degli alberi urbani usando fotografie ordinarie a livello stradale e intelligenza artificiale, senza bisogno di etichette di specie a priori.

Osservare la città attraverso immagini quotidiane

I ricercatori partono da un’idea semplice: se riusciamo a individuare gli alberi nelle immagini di servizi come Google Street View, possiamo cominciare a comprendere il patrimonio arboreo a livello cittadino. Usano un dataset esistente in cui gli alberi in otto città del Nord America sono stati rilevati automaticamente e collegati alle loro posizioni. Invece di richiedere a un algoritmo di nominare ogni specie, il nuovo metodo cerca modelli nell’aspetto degli alberi e nel loro contesto di impianto. Trasforma questi modelli in “impronte” numeriche per ciascun albero, catturando sia l’aspetto visivo sia la posizione lungo le strade e nei quartieri.

Raggruppare alberi simili senza conoscerne i nomi

Con queste impronte, il sistema raggruppa gli alberi in cluster che fungono da surrogate per gruppi biologici reali. Gli alberi nello stesso cluster appaiono simili nelle immagini e tendono a condividere contesti di impianto affini. Il processo si svolge in più fasi. Prima, un modello spaziale organizza gli alberi piantati in schemi riconoscibili, come file lungo un viale. Poi il metodo elimina gli outlier visivi all’interno di ogni gruppo, mantenendo solo gli alberi che somigliano fortemente ai vicini. Gli alberi scartati vengono riesaminati e, quando somigliano tra loro, vengono formati nuovi gruppi o riallocati a cluster più appropriati. Infine, i cluster che risultano quasi identici vengono fusi in modo che il sistema non venga fuorviato da piccole differenze prive di significato.

Trasformare i cluster in mappe di diversità

Una volta assegnati gli alberi a questi pseudo-gruppi, la città viene suddivisa in una griglia di aree locali, ciascuna di 500 metri, che rappresentano la comunità arborea a scala di quartiere. In ogni cella della griglia i ricercatori contano quanti cluster compaiono e quanto uniformemente gli alberi sono distribuiti tra essi. Da questi conteggi calcolano indici di diversità standard che gli ecologi usano per descrivere sia la ricchezza (quante tipologie di alberi) sia l’equilibrio (se una tipologia domina). Confrontano poi questi indici con quelli derivati da rilievi di campo dettagliati che registrano i generi reali. Nelle diverse città, il sistema non supervisionato ricostruisce da vicino i pattern di diversità del mondo reale, specialmente per misure che danno peso alle tipologie comuni più che a quelle rare. Conserva inoltre la disposizione spaziale della diversità, catturando sia le macchie di impianti uniformi sia i blocchi più misti.

Punti di forza, limiti e sviluppi futuri

L’approccio funziona meglio in città dove le comunità arboree non sono dominate da poche specie e dove la qualità delle immagini è elevata. Dà più difficoltà con generi rari, immagini fortemente sfocate per privacy e luoghi dove le foto di strada sono scarse o datate. Poiché il metodo si concentra su ciò che è visibile dalla strada, gli alberi nascosti nei cortili o nei parchi interni risultano sottostimati. Gli autori suggeriscono miglioramenti futuri come la combinazione di queste viste stradali con immagini satellitari e dati lidar, o l’uso di modelli linguaggio–visivi in grado di discriminare meglio le sottili differenze tra alberi dall’aspetto simile.

Cosa significa per città più verdi e più eque

Per i non specialisti, il messaggio chiave è che le città non devono più fare affidamento solo su rilievi sul campo lenti e costosi per comprendere il proprio patrimonio arboreo. Sfruttando il flusso di immagini a livello stradale già esistenti, questo metodo può produrre mappe dettagliate della diversità degli alberi a livello di quartiere a basso costo e aggiornarle man mano che compaiono nuove immagini. I pianificatori urbani potrebbero usare queste mappe per individuare aree dominate da un unico tipo di albero vulnerabile, riconoscere quartieri poveri di varietà vegetale e progettare programmi di piantagione che aumentino la resilienza a parassiti, malattie e stress climatico. In sintesi, lo studio mostra come l’unione di fotografia quotidiana e clustering intelligente possa trasformare la città stessa in una mappa vivente e regolarmente aggiornata della natura urbana.

Citazione: Abuhani, D.A., Seccaroni, M., Mazzarello, M. et al. Unsupervised mapping of urban tree diversity using spatially-aware visual clustering. Sci Rep 16, 10440 (2026). https://doi.org/10.1038/s41598-026-37043-7

Parole chiave: diversità degli alberi urbani, immagini a livello stradale, clustering non supervisionato, mappatura della biodiversità, resilienza urbana