Simulare il comportamento della folla in situazioni di emergenza per progettare spazi pubblici sicuri e resilienti

L’intensificarsi degli eventi calamitosi nel panorama mondiale impone una revisione delle pratiche di pianificazione multiscalare orientandole alla resilienza e alla gestione del rischio. In questo contesto, il contributo propone una metodologia integrata per il supporto alla pianificazione pre-disastro in ambito urbano che combina: i) estrazione di evidenze spaziali da immagini satellitari mediante reti neurali (oggetti/ostacoli quali automobili in sosta); ii) modellazione GIS dell’ambiente costruito; iii) simulazione agent-based su GAMA Platform di scenari di evacuazione post-sisma. La metodologia è sperimentata nel centro storico di Atri (TE), con l’obiettivo di valutare la capacità del sistema di tradurre l’osservabilità dall’alto (disponibilità/ostruzione di corridoi pedonali) in parametri operativi di simulazione (velocità, capacità, scelta di percorso), e di derivarne linee guida di urban design per l’ottimizzazione delle aree di attesa e dei percorsi di accesso. I risultati mostrano che l’informazione derivata dal deep learning sulla presenza di autovetture in sosta lungo vie strette aumenta l’accuratezza della stima dei colli di bottiglia e produce strategie progettuali differenziate per micro-ambiti, con impatti significativi sui tempi di messa in sicurezza delle persone. In chiusura si discutono limiti, riproducibilità e prospettive di integrazione con dati dinamici per validazione in tempo quasi reale.