Come i satelliti possono disegnare la mappa del carbonio in città?

I satelliti che osservano la CO₂ sono come occhi nello spazio: misurano la concentrazione di anidride carbonica su scala globale. Ma per capire cosa succede davvero nelle nostre città, serve più dettaglio. Un team di ricercatori ha creato un modello che combina i dati satellitari con informazioni a terra, come punti di interesse, strade e distribuzione della popolazione. Usando il clustering K‑means, hanno scoperto come le anomalie di XCO₂ (la quantità di CO₂ nella colonna d'aria) si collegano a queste variabili urbane. Il risultato è una mappa ad alta risoluzione, con celle di 1 km × 1 km, che mostra dove le emissioni sono più intense. A Urumqi, nel 2020, la concentrazione media di XCO₂ oscillava tra 408 e 415 ppm, con variazioni da -1,58 a +1,13 ppm. Il modello ha stimato circa 58,3 milioni di tonnellate di CO₂, in linea con i dati del progetto EDGAR e con errori mensili entro ±10 %. Confrontando la mappa con il dataset ODIAC, la correlazione è stata bassa (r = 0,192), ma le aree più inquinate coincidono con zone industriali e centri commerciali, offrendo una visione più realistica delle emissioni urbane. Questo approccio dimostra che i satelliti, integrati con dati locali, possono diventare strumenti potenti per monitorare e gestire le emissioni di carbonio a livello cittadino.

Il modello proposto si basa su una fusione di dati top‑down (satellitari) e bottom‑up (proxy urbani). I dati satellitari di XCO₂ provengono da missioni come OCO‑2 e GOSAT, che misurano la colonna totale di CO₂ con una precisione di pochi parti per milione. Tuttavia, la loro risoluzione spaziale è tipicamente dell'ordine di 10‑25 km, insufficiente per distinguere le emissioni a livello di quartiere. Per colmare questo gap, i ricercatori hanno introdotto variabili di alta densità: i punti di interesse (POI) rappresentano attività commerciali, industriali e di servizio; la rete stradale fornisce un proxy per il traffico veicolare; la distribuzione della popolazione indica la domanda energetica domestica. Il clustering K‑means è stato applicato a una matrice che combina le anomalie di XCO₂ con questi proxy, identificando gruppi omogenei di comportamento emissivo. Per ogni cluster, è stato calibrato un fattore di scala locale, derivato confrontando le stime satellitari con inventari di emissioni (es. EDGAR). Successivamente, le emissioni totali sono state ridistribuite sui pixel da 1 km² usando una ponderazione basata sulla densità dei proxy, garantendo che le aree con alta concentrazione di POI o traffico ricevano una quota maggiore. La validazione ha mostrato errori mensili entro ±10 % rispetto a EDGAR, ma una correlazione bassa con ODIAC (r = 0,192) suggerisce che quest'ultimo, basato su dati di consumo energetico, non cattura adeguatamente le emissioni industriali localizzate. Il metodo, quindi, evidenzia l'importanza di integrare osservazioni satellitari con dati socio‑economici per una mappatura più accurata delle emissioni urbane, aprendo la strada a politiche di mitigazione più mirate e a sistemi di monitoraggio in tempo reale.