Computer vision, geodati e analisi spaziale per monitorare in tempo reale la pulizia urbana di una metropoli da quasi quattro milioni di abitanti.
L'intelligenza artificiale sta cambiando il modo in cui le città gestiscono il territorio. A Los Angeles, una delle più grandi aree urbane degli Stati Uniti, la combinazione tra GIS, computer vision e analisi geospaziale sta rivoluzionando il monitoraggio della pulizia urbana, consentendo di individuare rifiuti, discariche abusive e situazioni di degrado in modo automatico e quasi in tempo reale.
La città, che si estende per oltre 1.200 km² (dimensione paragonabile a Roma) e ospita quasi quattro milioni di residenti, produce ogni giorno circa 96.500 tonnellate di rifiuti. Per mantenere pulite strade e spazi pubblici sono impiegati circa 900 mezzi dedicati alla raccolta, ma le dimensioni del territorio rendono complesso individuare rapidamente le situazioni critiche.
Per affrontare questa sfida, il dipartimento Los Angeles Sanitation & Environment (LASAN) ha sviluppato negli anni una strategia basata sulle tecnologie GIS. Oggi questa esperienza evolve grazie all'integrazione dell'intelligenza artificiale all'interno dell'ecosistema ArcGIS Enterprise.
Dalle mappe cartacee al monitoraggio intelligente
L'utilizzo dei GIS da parte di LASAN risale agli anni Ottanta, quando le prime applicazioni venivano impiegate per pianificare i percorsi dei mezzi di raccolta e gestire gli interventi speciali per il ritiro di rifiuti ingombranti.
Nel 2016 è stato introdotto il programma CleanStat, pensato per misurare in modo sistematico il livello di pulizia delle strade cittadine. Il sistema suddivide Los Angeles in circa 42.500 segmenti stradali e attribuisce a ciascuno un punteggio basato sulla presenza di rifiuti dispersi, materiali ingombranti, scarichi abusivi e vegetazione infestante.
Le valutazioni, effettuate da squadre sul campo, consentono di generare mappe tematiche e indicatori territoriali utilizzati per indirizzare gli interventi di pulizia. Tuttavia, il processo richiede ancora diverse settimane di lavoro per completare l'intera città.
CleanStat 3.0: l'AI sale a bordo dei camion della raccolta
La nuova evoluzione del progetto, denominata CleanStat 3.0, introduce un approccio completamente diverso.
Le immagini vengono acquisite direttamente dalle telecamere installate sui veicoli della raccolta rifiuti che percorrono quotidianamente la rete stradale cittadina. I dati vengono quindi elaborati attraverso modelli di computer vision basati su YOLO (You Only Look Once), una delle architetture di deep learning più diffuse per il riconoscimento automatico degli oggetti.
Il sistema è in grado di individuare e classificare numerose tipologie di elementi presenti nello spazio pubblico, tra cui:
- rifiuti abbandonati;
- mobili e oggetti ingombranti;
- cassonetti;
- coni stradali;
- graffiti;
- accampamenti temporanei;
- altre anomalie presenti lungo la viabilità urbana.
L'elaborazione automatica permette di trasformare milioni di immagini in informazioni georeferenziate utilizzabili dai servizi operativi.
GIS e Big Data per una città più efficiente
Una volta identificati gli oggetti, le informazioni vengono trasmesse all'infrastruttura GIS di LASAN tramite ArcGIS GeoEvent Server.
I dati vengono archiviati all'interno di un ambiente spatiotemporale dedicato ai Big Data geospaziali e successivamente pubblicati come servizi geografici utilizzabili attraverso dashboard operative.
Gli operatori possono così visualizzare:
- posizione precisa delle criticità;
- tipologia di rifiuto rilevato;
- livello di affidabilità della classificazione effettuata dall'algoritmo;
- andamento temporale dei fenomeni;
- aree con maggiore concentrazione di problematiche.
La possibilità di analizzare questi dati su base spaziale consente di individuare rapidamente hotspot di degrado urbano, ottimizzare l'impiego delle squadre operative e programmare gli interventi in modo più efficiente.
Verso il Digital Twin urbano
Uno degli aspetti più interessanti del progetto riguarda la possibilità di riutilizzare gli stessi flussi informativi per altre funzioni della pubblica amministrazione.
Le immagini e i modelli di riconoscimento possono infatti essere adattati per individuare:
- cantieri non autorizzati;
- segnaletica mancante o vandalizzata;
- infrastrutture danneggiate;
- elementi di arredo urbano degradati;
- situazioni di rischio lungo la viabilità.
In prospettiva, queste applicazioni rappresentano un tassello fondamentale nella costruzione di veri e propri Digital Twin urbani, alimentati da dati raccolti continuamente sul territorio e aggiornati quasi in tempo reale.
AI e GIS: un modello per le Smart City
L'esperienza di Los Angeles dimostra come la convergenza tra GIS, intelligenza artificiale e computer vision possa trasformare attività tradizionalmente laboriose in processi automatizzati e data-driven.
Per le amministrazioni pubbliche, il valore non risiede soltanto nella riduzione dei costi operativi, ma soprattutto nella possibilità di disporre di una conoscenza territoriale continua, aggiornata e georeferenziata. Un approccio che può essere esteso alla gestione delle infrastrutture, alla manutenzione urbana, alla mobilità e alla sicurezza, aprendo nuove prospettive per le Smart City del prossimo decennio.
Fonte: Esri – GIS at Work, Spring 2026.
