MappaMI

Hexagons integra due nuove fonti dati aggiornate quotidianamente sulla mappa esagonale H3: i prezzi dei carburanti e il trasporto pubblico di Roma.

Prezzi carburanti

Un ETL giornaliero raccoglie i prezzi di circa 92.000 impianti di distribuzione italiani (fonte MIMIT), aggregandoli su griglia H3 (tre risoluzioni) e sui livelli amministrativi (comune, provincia, regione, zone sub-comunali). Per ogni cella o zona viene calcolata una previsione a 3 giorni con il modello Prophet, arricchita da due segnali esterni: la quotazione del petrolio Brent e un indicatore di “shock” di mercato derivato da una rassegna stampa automatizzata (feed RSS + sintesi Claude). Il calcolo — decine di migliaia di combinazioni cella/zona × carburante — gira in batch ogni notte; l’interfaccia legge i risultati già pronti.

Trasporto pubblico (GTFS Realtime)

Il feed GTFS-Realtime degli autobus di Roma (posizioni veicoli e ritardi, aggiornato ogni 5 minuti) viene aggregato sulle stesse celle H3. Per ogni cella coperta dalla rete bus romana, un modello di previsione (Prophet) stima il numero atteso di veicoli nelle ore successive, insieme a un’analisi dei ritardi medi per zona. Cliccando su una cella si ottiene lo storico degli ultimi 30 giorni, la previsione e una banda di confidenza.

Nota metodologica

Le due pipeline condividono lo stesso schema: raccolta quotidiana dei dati grezzi, elaborazione statistica in batch notturno su tutte le celle in parallelo, lettura dei risultati pre-calcolati da parte della mappa interattiva — nessun calcolo pesante eseguito al momento della richiesta.

---

https://bridge.izilab.it/hexagons

Dove e quanto la temperatura superficiale supera le soglie critiche in estate, come si lega alla copertura del suolo, e quanta popolazione risulta esposta: un’analisi della Land Surface Temperature (LST) rilevata dai satelliti Landsat 8/9, aggregata su griglia esagonale H3 anziché sulle tradizionali sezioni di censimento.

Il lavoro nasce come approfondimento del report Greenpeace Italia “L’estate che scotta” (giugno 2026), da cui sono state riprese le soglie critiche di temperatura e di intensità dell’isola di calore urbano (UHI).

Metodologia

Per ogni cella H3 (risoluzione 8, circa 0,74 km²) è stata calcolata la mediana pixel-per-pixel di tutte le acquisizioni estive (giugno-agosto) Landsat 8/9 Collection 2 Level 2, banda termica ST_B10, con mascheramento delle nuvole, via Microsoft Planetary Computer (catalogo STAC “landsat-c2-l2”). La griglia H3 utilizzata non è stata generata ad hoc: riusa quella già prodotta dalla pipeline OCPR_ETL (Osservatorio Conti Pubblici Regionali), che integra dati ISTAT, Corine Land Cover, OvertureMaps e isocrone di accessibilità Mapbox su 16 regioni italiane — evitando di rifare da zero gli overlay di copertura del suolo e popolazione. A differenza degli approcci basati su sezioni di censimento, l’aggregazione diretta su celle H3 mantiene una risoluzione spaziale coerente con la scala delle Local Climate Zones, calcolando per ogni cella media, novantesimo percentile, massimo, deviazione standard e percentuale di pixel sopra soglia critica (40°C).

Indicatori

Codice	Indicatore
L01	LST media estiva
L02	LST 90° percentile
L03	LST massima
L04	% pixel sopra soglia critica (40°C)
L05	Intensità isola di calore urbano (vs baseline rurale regionale, soglia 8,2°C)
L06	Popolazione esposta a LST critica
L07	Popolazione esposta a UHI intensa

Copertura e validazione

L’analisi copre 16 regioni italiane per sette estati consecutive (2019-2025): 336 combinazioni regione×anno×risoluzione, tutte validate. Il confronto con un benchmark indipendente (Cimbelli LST viewer, sezione censuaria di riferimento su Roma) restituisce uno scarto medio assoluto di 0,34°C su 7 anni — 5 anni su 7 entro il decimo di grado.

Un’anomalia climatica è emersa nell’estate 2022 su Abruzzo, Umbria, Marche e Molise — coerente con l’estate calda e siccitosa registrata quell’anno, non un artefatto della pipeline.

Limiti

La copertura non è ancora nazionale (16 regioni su 20), e gli indicatori compositi pesati non sono stati calcolati: nessuna fonte scientifica verificata giustifica finora una metodologia di pesatura per questo caso specifico. La banda termica Landsat, nativamente a circa 100m di risoluzione, è ricampionata a 30m.

---

Fonti

Spallino, C. (2026). L’estate che scotta. Greenpeace Italia

U.S. Geological Survey — Landsat Collection 2 Surface Temperature

McKenzie, H. (2022). Hexagons for Location Intelligence. CARTO Blog

---

Fonti

Basi Territoriali e Variabili Censuarie – ISTAT

Corine Land Cover – ISPRA

---

L’idea è quella di sfruttare la suddivisione territoriale data da Corine Land Cover per stimare la distribuzione della popolazione all’interno di una sezione di Censimento ISTAT.

Sono stati utilizzati i dati del censimento 2021 (ricordiamo che per questi dati le geometrie corrispondono a quelle del 2011) e la Corine Land Cover del 2018 pubblicata da ISPRA.

E’ stata effettuata una personalizzazione della classificazione di Corine Land Cover, operando un mescolamento dei livelli LABEL2 e LABEL3 per alcune categorie. Per ogni uso del suolo individuato nella nuova classificazione è stata individuata una probabilità di distribuzione della popolazione nella classe indicata. Il risultato di tali operazioni i è riportato nella tabella.

LABEL	PROB_POP
Agricultural	0.5
Artificial, non-agricultural vegetated	0.3
Continuous urban fabric	1.8
Discontinuous urban fabric	1.3
Forest and semi natural	0.2
Industrial, commercial and transport	0.2
Mine, dump and construction	0.1
Water bodies	0.01
Wetlands	0.05

Sinteticamente, dopo aver eseguito l’intersect tra le sezioni di censimento e Corine Land Cover, è stata calcolata l’area dei poligoni ottenuti e moltiplicata per la “probabilità di popolazione”, il valore ottenuto, definito “area pesata” è stato riaggregato sulle sezioni di censimento per ottenere un valore di area virtuale, sulla base del quale calcolare il valore percentuale rappresentato dal poligono di origine. Tale valore percentuale, denominato fattore “K”, è stato utilizzato per calcolare la popolazione “effettiva” che ricade all’interno del poligono frutto dell’intersezione tra la sezione di censimento e l’area definita da Corine Land Cover.

Di seguito le operazioni eseguite:

Per visualizzare la sostanziale differenza nella distribuzione della popolazione all’interno di una sezione di censimento da quella ottenuta utilizzando l’intersezione con l’uso del suolo, effettuiamo un focus su una particolare sezione di censimento che risulta essere composta da terreno di tipo agricolo e terreno di tipo edificato discontinuo. E’ stato generato un numero casuale di punti proporzionale alla popolazione contenuta all’interno di ciascuna geometria, così da poter confrontare la distribuzione di punti all’interno dell’intero poligono relativo alla sezione di censimento (in verde) con la distribuzione di punti generata a partire dai valori pesati con i coefficienti scelti per le tipologie di suolo.

Vediamo in una mappa interattiva i risultati delle operazioni svolte: