Pubblicato il 3 settembre scorso sulla rivista scientifica Atmosphere (MDPI) “Physics-Informed Machine Learning for Urban Nitrogen Dioxide Forecasting in Palermo, Italy”, uno studio realizzato dal team di ricercatori di ARPA Sicilia e dedicato al monitoraggio e alla previsione delle concentrazioni di NO₂, che integra modellistica fisica, dati osservativi e tecniche di machine learning.
Il lavoro propone una metodologia innovativa per il monitoraggio e la previsione a breve termine delle concentrazioni di biossido di azoto (NO₂), applicata al caso studio della città di Palermo. L’analisi si concentra in particolare lungo viale Regione Siciliana, una delle principali arterie viarie urbane della città, in prossimità della stazione di monitoraggio della qualità dell’aria di ARPA Sicilia ubicata in via Di Blasi.
La catena modellistica SIRANE e l’approccio inverso: stima del traffico veicolare e previsione di NO₂ con Random Forest e XGBoost
Il cuore della metodologia è costituito da una catena modellistica che integra la simulazione della dispersione degli inquinanti in ambito urbano, attraverso il modello SIRANE, sviluppato dall’École Centrale de Lyon, con tecniche avanzate di machine learning. Uno degli elementi più innovativi dello studio è l’impiego della modellazione anche in senso inverso. I dati di NO₂ rilevati dalla stazione di monitoraggio non vengono utilizzati esclusivamente per analizzare la dispersione dell’inquinante, ma anche per ricostruire indirettamente le condizioni di traffico veicolare presenti nell’area di studio. La metodologia consente infatti di affiancare alla simulazione diretta della dispersione degli inquinanti, basata sulle condizioni emissive e meteorologiche, un approccio inverso che utilizza le concentrazioni di NO₂ misurate dalla stazione per ricostruire il livello di traffico veicolare. In questa prospettiva, la centralina di qualità dell’aria può essere utilizzata anche come sensore indiretto del traffico, ricavando informazioni sui flussi veicolari a partire dalle concentrazioni dell’inquinante rilevate in atmosfera. I dati così elaborati sono stati successivamente utilizzati per addestrare due algoritmi di machine learning, Random Forest e XGBoost, finalizzati alla previsione oraria delle concentrazioni di NO₂ con un orizzonte temporale fino a 12 ore.
Uno degli aspetti di maggiore interesse della ricerca riguarda la possibilità di andare oltre il dato rilevato dalla singola stazione di monitoraggio e ottenere una rappresentazione più dettagliata della distribuzione dell’inquinante nell’area urbana.
I risultati dello studio evidenziano infatti una significativa variabilità spaziale delle concentrazioni di NO₂, che non interessa esclusivamente il punto di monitoraggio, ma si estende anche lungo le carreggiate e nelle aree stradali circostanti. In particolare, le concentrazioni medie stimate risultano superiori a 50 µg/m³ in corrispondenza della stazione di monitoraggio e nelle aree limitrofe, evidenziando livelli di esposizione rilevanti in prossimità dell’asse viario.
Tali risultati assumono particolare rilievo alla luce dell’evoluzione del quadro normativo europeo in materia di qualità dell’aria e della Direttiva (UE) 2024/2881, che introduce valori e obiettivi più stringenti per la protezione della salute umana, rafforzando la necessità di sistemi di monitoraggio e previsione in grado di fornire informazioni sempre più dettagliate sotto il profilo spaziale e temporale.
La metodologia sviluppata nello studio presenta caratteristiche di modularità e trasferibilità e può essere applicata ad altri corridoi urbani caratterizzati da elevati flussi di traffico, nonché adattata al monitoraggio di ulteriori inquinanti atmosferici, quali PM₁₀, PM₂.₅ e ozono.
La combinazione di modellistica fisica, dati osservativi e intelligenza artificiale apre così la prospettiva alla realizzazione di strumenti operativi di supporto alle decisioni (Decision Support Systems) per il monitoraggio e la gestione della qualità dell’aria, con particolare riferimento alle aree urbane caratterizzate da elevata densità di traffico e maggiore pressione emissiva.
La ricerca è stata finanziata dalla Regione Siciliana – Assessorato del Territorio e dell’Ambiente e realizzata nell’ambito delle attività di ricerca del II Stralcio – Centro di Eccellenza per la sostenibilità ambientale, la salute dell’uomo e la tutela della biodiversità, previsto dal Programma Operativo Complementare (POC) Sicilia 2014–2020 – Asse 1, Azione 1.1.1 “Investimenti qualificati per lo sviluppo e il potenziamento della capacità di ricerca e innovazione”.
Fonte SNPAmbiente
