Earth Observation for Sustainable Development Goal 11: methods and tools in support of policies for resilient and inclusive cities

The work aims to implement methods and tools based on Earth Observation (EO) data in support of Sustainable Development Goal (SDG) 11 of the United Nations (UN) 2030 Agenda: “Make cities and human settlements inclusive, safe, resilient and sustainable.” EO data have been recently recognized as a fundamental source of information for SDG indicators estimation. The spatial distribution of population and settlement layers, derived by EO-based surveys and methodologies, are specifically considered essential variables requested for quantifying SDG 11 indicators. However, the complexity of EO data handling and processing makes difficult the integration and usage of such data in SDGs monitoring strategies adopted from local policy makers. Furthermore, Local and Regional Authorities (LRAs), who daily facing urban growth pressures that affect the big cities, require indicators at the intra-urban scale to design adequate policies to foster the achievement of SDG 11, whereas the scientific community provides only national, regional and city scale indicators. To fill such gaps, this work proposes an improved vector-based dasymetric method (available in different versions and implementations) with the aim to provide both updated and more reliable population density maps at high spatial resolution 100 x 100 m. Concerning the settlement maps, the study proposed two different automatic classification procedures, data-driven pixel-based or, alternatively, knowledge-driven object-based. The satellite data selected as input are multi-seasonal and cloud free Sentinel-2 images, freely downloadable from the European Space Agency (ESA) Copernicus Open Access Hub. Grid population map and settlement layer (only buildings) were used as input to implement SDG 11.3.1 — “Ratio of land consumption rate to population growth rate” indicator, i.e., Land Use Efficiency (LUE) indicator. By integrating the essential variables with other domain-specific information, e.g., cadastral data, street network, air particle pollutants and natural hazard maps, additional SDG 11 indicators/sub-indicators (e.g., SDG 11.1.1, 11.2.1 and 11.6.2) can be computed at the local level. When observed over time and per unit area, the obtained indicators can provide trends useful for the progress monitoring of the UN 2030 Agenda. A set of automatic tools, devoted at the automatic computation of inputs of SDGs 11 indicators, were developed to make procedures reproducible for various cities. A Quantum GIS (QGIS) plugin and a cloud-based platform were used for sharing and facilitating the invocation of scientific workflows for all potential stakeholders without extensive expertise on the EO domain. In the Bari study area, all the indicators listed above — as well as their changes (2011–2020), when data are available for different epochs — were quantified for both the total population and the regular migrant population components, with distinctions drawn between nationalities of origin. The evaluation of the population growth rate and indicators evidenced, in Bari, that native and regular migrant components are settling according to different logics. The proximity to central areas where schools, hospitals and other services, as well as easier access to public transportation (SDG 11.2.1 indicator), appears to favour the growth of migrant communities. Native residents, instead, appear to have moved to the newly built residential areas of the suburbs. Thus, these findings stress the great impact of the proposed intra-urban scale implementation of indicators SDGs 11 in designing evidence-based policies, which reserve attention to social cohesion and inclusion issues.

L’obiettivo di questo lavoro è l’implementazione di metodi e strumenti basati sui dati di Osservazione della Terra (EO) a supporto dell'Obiettivo di Sviluppo Sostenibile (SDG) 11 dell'Agenda 2030 dell’Organizzazione delle Nazioni Unite (ONU), che mira a “Rendere le città e gli insediamenti umani inclusivi, sicuri, resilienti e sostenibili”. I dati EO sono stati recentemente riconosciuti come una fonte di informazioni fondamentale per la stima degli indicatori SDG. La distribuzione spaziale e densità della popolazione e le mappe degli insediamenti, ottenute da rilievi e metodologie basate su dati EO, sono considerate, nello specifico, variabili essenziali necessarie a quantificare gli indicatori SDG 11. Tuttavia, la complessità della gestione e dell'elaborazione dei dati EO rende difficile l'integrazione e l'utilizzo di tali dati nelle strategie di monitoraggio degli SDG adottate dai decisori politici locali. Inoltre, gli Enti Locali e Regionali (LRAs), impegnati ad affrontrare quotidianamente le problematiche di crescita urbana che interessano le grandi città, necessitano di indicatori a scala intraurbana per disegnare politiche adeguate all'Obiettivo SDG 11 mentre, invece, la comunità scientifica fornisce loro solo indicatori a scala nazionale, regionale o macro-urbana. Per colmare tali lacune, questo lavoro propone un nuovo avanzato metodo dasimetrico vettoriale (disponibile in diverse versioni e implementazioni) che permette di generare mappe di densità della popolazione aggiornate, affidabili e ad alta risoluzione spaziale 100 x 100 m. Per quanto riguarda gli insediamenti, invece, lo studio propone due diverse tecniche di classificazione automatica, data-driven pixel-based o, in alternativa, knowledge-driven object-based. I dati satellitari usati come input sono immagini Sentinel-2 multistagionali e prive di nuvole, scaricabili gratuitamente dal Copernicus Open Access Hub dell'Agenzia Spaziale Europea (ESA). Le mappe di densità di popolazione e degli insediamenti vengono usate come input per calcolare l'indicatore SDG 11.3.1. —"Rapporto tra il tasso di consumo di suolo e il tasso di crescita della popolazione", conosciuto anche come indicatore di efficienza nell'uso del suolo (LUE). Integrando le stesse variabili essenziali con altre informazioni specifiche settoriali, come dati catastali, rete stradale, mappe di inquinanti atmosferici e dei rischi naturali, è possibile calcolare ulteriori indicatori e sotto-indicatori SDG 11 (quali SDG 11.1.1., 11.2.1 e 11.6.2) a scala intra-urbana. Gli indicatori così ottenuti, se osservati nel tempo e per unità di area, possono fornire trend utili per il monitoraggio dell'andamento degli Obiettivi dell'Agenda ONU 2030. Una serie di strumenti dedicati al calcolo automatico degli input degli indicatori SDG 11, sono stati sviluppati per rendere le procedure riproducibili per altre città. Per condividere e facilitare l'invocazione dei workflow scientifici da parte di potenziali stakeholder, anche non dotati di conoscenze specifiche nel dominio EO, sono stati utilizzati un plugin implementato in QGIS e una piattaforma su cloud (VLab). Nell'area di studio di Bari, tutti gli indicatori sopra elencati nonché le loro variazioni (2011–2020) — stimate nei casi in cui i dati erano disponibili per entrambe le epoche— sono stati quantificati sia per la popolazione totale che per la componente dei migranti regolari, distinti per nazionalità di origine. La valutazione del tasso di crescita della popolazione e degli indicatori evidenzia, a Bari, che gli abitanti autoctoni e i migranti regolarmente residenti seguono logiche insediative differenti. La vicinanza ad aree centrali dove si trovano scuole, ospedali e altri servizi, nonché un più facile accesso ai trasporti pubblici (indicatore SDG 11.2.1), sembra favorire la crescita delle comunità migranti. I residenti nativi sembrano, invece, trasferirsi nei quartieri residenziali di nuova costruzione nelle periferie della città. Pertanto, questi risultati mettono in risalto il grande impatto che può avere l’implementazione su scala intraurbana degli indicatori SDG 11 nelle scelte politiche che riservano attenzione a problematiche di coesione sociale ed inclusione.