SENSORI A BASSO COSTO E STRUMENTI DI APPRENDIMENTO AUTOMATICO PER AUMENTARE LA RISOLUZIONE SPAZIO-TEMPORALE NEL MONITORAGGIO DELLA QUALITÀ DELL'ARIA URBANA

Urban air quality and pollutant concentrations exhibit significant spatial variability across short distances. However, the characterization of these fine-scale variations remains challenging due to the high costs of air quality monitoring equipment for regulatory reference. This economic constraint has led to sparse monitoring networks in several cities, with a limited number of stationary monitoring stations that fail to capture the spatial complexity of atmospheric pollution. Low-cost air quality sensors emerge as an innovative solution to address the limitations of regulatory monitoring networks. Characterized by their affordability and compact design, these sensors offer the potential for widespread deployment. Once calibrated, they can effectively fill critical gaps in existing monitoring infrastructure, enabling detailed spatial and temporal air quality assessments. This research systematically investigates the calibration and performance of two distinct low-cost sensing technologies: electrochemical sensors for gas pollutants and optical particle counters for particulate matter. Two comprehensive measurement campaigns were conducted in distinct urban environments in Europe: Modena, Italy, and Birmingham, United Kingdom. Located in the Po Valley, a region known for its complex atmospheric conditions, the Modena campaign focused on gaseous pollutant monitoring. A network of electrochemical sensors was deployed across the urban area to capture intra-urban variations in nitrogen oxides (NO, NO2) and ozone (O3). The study leveraged a field colocation approach, calibrating sensors against an urban regulatory air quality monitoring station. A Random Forest machine learning algorithm was developed to calibrate the sensor measurements, revealing various pollution hotspots and spatial patterns of atmospheric pollutants that traditional monitoring methods typically overlook. The Birmingham study targeted particulate matter monitoring using low-cost optical particle counters (OPCs). The campaign was carried out using strategically placed sensors in both static and mobile configurations, with valuable contributions from citizen scientists. We identified significant data gaps in the LCS, which limit their ability to provide complete coverage of air pollution. This research aimed to leverage low-cost sensing technologies to fill these data gaps, providing a more granular view of PM2.5 concentrations. Utilizing a hybrid approach a Random Forest model was trained using combined data from both static and mobile sensors along with spatially resolved meteorological parameters, aerosol properties and proxy urban emission sources (traffic, population density, street length, etc). The study developed a methodology to estimate missing PM2.5 measurements in areas lacking direct observational data. The integration of low-cost sensor networks with machine learning techniques, demonstrates a promising pathway towards urban air quality monitoring, thereby empowering cities to develop more targeted and responsive environmental management strategies.

La qualità dell'aria urbana e le concentrazioni di inquinanti mostrano una significativa variabilità spaziale su brevi distanze. Tuttavia, la caratterizzazione di queste variazioni su piccola scala rimane difficile a causa degli alti costi delle apparecchiature di riferimento normativo per il monitoraggio della qualità dell'aria. Questo vincolo economico ha portato a reti di monitoraggio diffuse in numerose città, con un numero limitato di stazioni di monitoraggio fisse che non riescono a cogliere la complessità spaziale dell'inquinamento atmosferico. I sensori di qualità dell'aria a basso costo emergono come una soluzione innovativa per affrontare i limiti delle reti di monitoraggio normative. Caratterizzati dalla loro convenienza e dal design compatto, questi sensori offrono il potenziale per un'ampia distribuzione. Una volta calibrati, possono colmare efficacemente le lacune critiche nell'infrastruttura di monitoraggio esistente, consentendo valutazioni dettagliate della qualità dell'aria spaziali e temporali. Questa ricerca esamina sistematicamente la calibrazione e le prestazioni di due distinte tecnologie di rilevamento a basso costo: sensori elettrochimici per inquinanti gassosi e contatori di particelle ottici per particolato. Sono state condotte due campagne di misurazione complete in distinti ambienti urbani in Europa: Modena, Italia, e Birmingham, Regno Unito. Situata nella Pianura Padana, una regione nota per le sue complesse condizioni atmosferiche, la campagna di Modena si è concentrata sul monitoraggio degli inquinanti gassosi. Una rete di sensori elettrochimici è stata distribuita nell'area urbana per catturare le variazioni intraurbane degli ossidi di azoto (NO, NO2) e dell'ozono (O3). Lo studio ha sfruttato un approccio di colocation sul campo, calibrando i sensori rispetto a una stazione di monitoraggio della qualità dell'aria regolamentare urbana. È stato sviluppato un algoritmo di apprendimento automatico Random Forest per calibrare le misurazioni dei sensori, rivelando vari hotspot di inquinamento e modelli spaziali di inquinanti atmosferici che i metodi di monitoraggio tradizionali in genere trascurano. Lo studio di Birmingham si è indirizzato al monitoraggio del particolato utilizzando contatori ottici di particelle (OPC) a basso costo. La campagna è stata condotta utilizzando sensori posizionati strategicamente in configurazioni sia statiche che mobili, con preziosi contributi da parte di cittadini volontari. Abbiamo identificato significative lacune nei dati nell'LCS, che limitano la loro capacità di fornire una copertura completa dell'inquinamento atmosferico. Questa ricerca mirava a sfruttare tecnologie di rilevamento a basso costo per colmare queste lacune nei dati, fornendo una visione più granulare delle concentrazioni di PM2.5. Utilizzando un approccio ibrido, è stato addestrato un modello Random Forest utilizzando dati combinati da sensori statici e mobili insieme a parametri meteorologici risolti spazialmente, proprietà degli aerosol e fonti di emissione urbana proxy (traffico, densità di popolazione, lunghezza delle strade, ecc.). Lo studio ha sviluppato una metodologia per stimare le misurazioni PM2.5 mancanti in aree prive di dati di osservazione diretta. L'integrazione di reti di sensori a basso costo con tecniche di apprendimento automatico rappresenta un percorso promettente verso il monitoraggio della qualità dell'aria urbana, consentendo così alle città di sviluppare strategie di gestione ambientale più mirate e reattive.