Introduction Urban air pollutants are known to accumulate within building-generated micro-environments, influenced by surrounding urban morphology and local ventilation conditions, which can significantly affect indoor air quality (IAQ). In residential contexts, pollutant fluctuations are strongly associated with meteorological conditions, number, quality and emissive strength of sources, daily activity patterns, and occupancy behaviours, with elevated pollution levels often observed during evening and nighttime periods when residents remain indoors. However, the interactions between outdoor pollution dynamics, indoor exposure conditions, and occupants perceived comfort and health responses remain insufficiently explored, particularly at the building and room scale. This study addresses these gaps by investigating IAQ patterns and their potential impacts in two student residential buildings in Milan, Italy. Aims and Objectives The main aim of the research is to study how the urban air pollutants’ distribution around the building and how their distributions influence on the internal occupants, at different floors and orientation, also in different micro-climate conditions. To achieve this target, first objective is to understand the distribution pattern of the ambient air pollutions, its variation pattern and distributions related to the building shapes. Then, the corresponding indoor air quality conditions is equally important to study at the same time while the ambient variations. Meanwhile, the occupancy condition of the rooms like occupants’ personal condition, occupancy schedule, and perception to the IAQ, is the third aspect to complete this puzzle according to the state-of-the-art literature. Methodology Based on the state-of-the-art methodology summarized from the literature review, the research used the measurements for the quantitative data of both indoor and outdoor environmental parameters (T, RH, AP, CO2, PM2.5 and PM10) with low-cost sensors, deployed at various floors and orientation around the fieldwork buildings and with IoT system for the data collection, and survey designed based on the scoping literature review for the qualitative data of occupancy related information. The fieldwork for the data collections was conducted in the 2-student accommodation in the university, Pareto and Einstein located in Milan. Totally 7 discontinuous periods of fieldwork were completed from June 2024 to June 2025, with 3 periods in Einstein and 4 periods in Pareto, with 2 weeks in each period. In each period, the devices were deployed in around 14 rooms, with pairs of devices (1 inside and 1 outside), for the indoor and outdoor comparison. Meanwhile the measurement, the survey was spread to the occupants of the selected rooms for the occupancy conditions, supporting the data analysis. After the data collection, both the quantitative and qualitative data were input into MATLAB for the preliminary data analysis and visualization. Parts of the results on the air pollutant outdoor spatial distribution patterns and its indoor influences were taken into the conclusions, and meanwhile the findings of the correlations between all the parameters were converted into features of data and input into the machine learning analysis. For the machine learning analysis, 2 learning model were trained for finding the pollutant distribution patterns and the indoor influences on occupants, with 1 model trained for the outdoor PM2.5 prediction and another 1 model trained to predict the correlation between indoor / outdoor environmental parameters and the user’s self-reported symptoms. Results The field monitoring and survey campaign generated a combined dataset linking environmental measurements indoor-outdoor with occupants’ feedback. A total of 74 questionnaires were collected across seven monitoring periods, of which 71 responses had valid corresponding indoor–outdoor measurement data and were used for analysis. The most frequently reported symptoms were sneezing (n = 18), dry or sore throat (n = 15), headache (n = 14), cough (n = 13), dry skin (n = 11), fatigue (n = 10), and runny nose (n = 10), forming the basis for subsequent symptom modelling. The monitoring results show consistent environmental patterns across periods. Outdoor air pressure exhibited highly similar temporal trends at all measurement points, with differences mainly driven by height rather than horizontal location. Ambient PM₂.₅ displayed clear diurnal cycles under stable weather conditions, typically increasing during evening and nighttime hours, peaking around sunrise, and decreasing during daytime. Seasonal differences were evident, with higher PM₂.₅ levels and variability during winter. Indoor–outdoor comparisons indicate distinct dynamics for different pollutants: indoor PM₂.₅ was influenced by both outdoor infiltration and indoor sources such as cooking and dust accumulation, while CO₂ accumulation was strongly associated with occupancy duration and insufficient ventilation, frequently exceeding 1000 ppm during sleeping periods. Survey responses revealed consistent associations between IAQ conditions and occupants’ perceptions. Irritation-related symptoms, including sneezing, cough, and dry throat, were more commonly reported in rooms with sustained moderate PM₂.₅ exposure rather than short-term peaks. In contrast, fatigue, headache, and sleep-related complaints were closely linked to elevated CO₂ levels and ventilation inadequacy. Thermal discomfort and dryness were reported more frequently during the heating season, indicating seasonal interaction between thermal conditions, humidity, and IAQ. In the regression learning analysis of outdoor PM2.5, the Rational Quadratic Gaussian Process Regression achieved the best performance during training and internal validation, with RMSE values around 5 µg/m³ and R² close to 0.9. When applied to an independent validation period, performance decreased (RMSE at around 13.4 µg/m³ and R² at -0.43), but the model successfully reproduced temporal variation patterns and daily peak timings, indicating robust learning of dominant trends rather than precise absolute prediction. For indoor symptom prediction, seven independent ensemble bagged tree classification models were trained. After threshold optimisation, individual models achieved accuracies between 85.9% and 98.6% on the full dataset, with validation accuracies ranging from 66.7% to 100%. The combined multi-symptom model predicted with 70.4% accuracy in 7 symptoms and 26.8% in 6 symptoms among all 71 datasets, as well as 55.6% for 7 in 7 symptoms and 44.4% for 6 in 7 symptoms among the 9 validation datasets. These results demonstrate that integrated environmental and personal features can be used to predict multiple symptoms simultaneously with promising accuracy, despite the limited dataset size. Conclusion This research demonstrates that indoor air quality in residential buildings is governed by complex interactions between outdoor pollution, indoor sources, ventilation behaviour, and occupant characteristics. Beyond descriptive analysis, the integration of monitoring data, survey responses, and machine learning enables both pattern discovery and predictive insight. The findings support a future direction in which buildings move beyond static design thresholds toward adaptive systems that learn from occupants, environmental conditions, and usage patterns. Such learning-based approaches—enabled by long-term monitoring, IoT infrastructure, and interpretable machine learning—offer a feasible pathway toward more personalised, resilient, and health-oriented residential environments.

Introduzione È noto che gli inquinanti atmosferici urbani tendano ad accumularsi nei micro-ambienti generati dagli edifici, influenzati dalla morfologia urbana circostante e dalle condizioni di ventilazione locale, con effetti significativi sulla qualità dell'aria indoor (IAQ). Nei contesti residenziali, le fluttuazioni degli inquinanti sono fortemente associate alle condizioni meteorologiche, al numero, alla qualità e all'intensità emissiva delle sorgenti, ai pattern di attività quotidiana e ai comportamenti degli occupanti, con livelli di inquinamento più elevati spesso osservati nelle ore serali e notturne, quando i residenti rimangono negli ambienti interni. Tuttavia, le interazioni tra le dinamiche dell'inquinamento outdoor, le condizioni di esposizione indoor e le percezioni di comfort e salute degli occupanti rimangono ancora insufficientemente esplorate, in particolare alla scala dell'edificio e della singola stanza. Questo studio affronta tali lacune indagando i pattern di IAQ e i loro potenziali impatti in due edifici residenziali universitari a Milano, Italia. Obiettivi L'obiettivo principale della ricerca è studiare la distribuzione degli inquinanti atmosferici urbani attorno all'edificio e come tale distribuzione influenzi gli occupanti degli ambienti interni, a diversi piani e orientamenti, anche in diverse condizioni microclimatiche. Per raggiungere questo obiettivo, il primo obiettivo specifico è comprendere il pattern di distribuzione degli inquinanti atmosferici ambientali, il loro pattern di variazione e la loro distribuzione in relazione alla forma dell'edificio. In secondo luogo, è altrettanto importante studiare le corrispondenti condizioni di qualità dell'aria indoor parallelamente alle variazioni ambientali. Infine, le condizioni di occupazione delle stanze — come le condizioni personali degli occupanti, il programma di occupazione e la percezione della IAQ — costituiscono il terzo aspetto necessario a completare il quadro, secondo quanto indicato dalla letteratura di riferimento. Metodologia Sulla base della metodologia allo stato dell'arte riassunta dalla revisione della letteratura, la ricerca ha utilizzato misurazioni per raccogliere dati quantitativi relativi ai parametri ambientali indoor e outdoor (temperatura, umidità relativa, pressione atmosferica, CO₂, PM2.5 e PM10), tramite sensori low-cost installati a diversi piani e orientamenti degli edifici oggetto di studio, con un sistema IoT per la raccolta dati, e un questionario sviluppato sulla base di una scoping review della letteratura per raccogliere i dati qualitativi relativi alle informazioni sull'occupazione degli ambienti. Le attività di rilevamento in campo sono state condotte in due residenze universitarie situate a Milano, Pareto ed Einstein. In totale sono stati completati 7 periodi di monitoraggio non continuativi, tra giugno 2024 e giugno 2025, con 3 periodi condotti a Einstein e 4 a Pareto, ciascuno della durata di 2 settimane. In ogni periodo, i dispositivi sono stati installati in circa 14 stanze, in coppie (1 indoor e 1 outdoor), per consentire il confronto tra le condizioni interne ed esterne. Parallelamente alle misurazioni, è stato somministrato un questionario agli occupanti delle stanze selezionate per raccogliere informazioni sulle condizioni di occupazione, a supporto dell'analisi dei dati. Dopo la raccolta dei dati, sia i dati quantitativi che quelli qualitativi sono stati elaborati in MATLAB per un'analisi preliminare e la visualizzazione dei dati. Parte dei risultati relativi ai pattern di distribuzione spaziale outdoor degli inquinanti e alle loro influenze indoor sono stati integrati nelle conclusioni, mentre le correlazioni individuate tra tutti i parametri sono state convertite in feature e utilizzate come input per l'analisi di machine learning. Per l'analisi di machine learning sono stati addestrati 2 modelli, finalizzati a individuare i pattern di distribuzione degli inquinanti e le loro influenze indoor sugli occupanti: un modello per la previsione del PM2.5 outdoor e un secondo modello per predire la correlazione tra i parametri ambientali indoor/outdoor e i sintomi auto-riportati dagli utenti. Risultati La campagna di monitoraggio in campo e il questionario hanno generato un dataset combinato che collega le misurazioni ambientali indoor-outdoor al feedback degli occupanti. In totale sono stati raccolti 74 questionari nei sette periodi di monitoraggio, di cui 71 risposte disponevano di dati di misurazione indoor-outdoor validi e corrispondenti, e sono state utilizzate per l'analisi. I sintomi riportati con maggiore frequenza sono stati starnuti (n = 18), gola secca o irritata (n = 15), mal di testa (n = 14), tosse (n = 13), pelle secca (n = 11), affaticamento (n = 10) e naso che cola (n = 10), che hanno costituito la base per la successiva modellazione dei sintomi. I risultati del monitoraggio mostrano pattern ambientali coerenti tra i diversi periodi. La pressione atmosferica outdoor ha mostrato andamenti temporali molto simili in tutti i punti di misurazione, con differenze dovute principalmente alla quota piuttosto che alla posizione orizzontale. Il PM2.5 ambientale ha mostrato cicli diurni ben definiti in condizioni meteorologiche stabili, tipicamente in aumento nelle ore serali e notturne, con un picco intorno all'alba e una diminuzione durante il giorno. Sono emerse differenze stagionali, con livelli e variabilità di PM2.5 più elevati in inverno. Il confronto indoor-outdoor evidenzia dinamiche distinte per i diversi inquinanti: il PM2.5 indoor è risultato influenzato sia dall'infiltrazione outdoor sia da sorgenti indoor come la cottura dei cibi e l'accumulo di polvere, mentre l'accumulo di CO₂ è risultato fortemente associato alla durata dell'occupazione e a una ventilazione insufficiente, superando frequentemente i 1000 ppm durante le ore di sonno. Le risposte al questionario hanno rivelato associazioni coerenti tra le condizioni di IAQ e le percezioni degli occupanti. I sintomi legati all'irritazione, tra cui starnuti, tosse e gola secca, sono stati riportati più frequentemente nelle stanze con esposizione moderata e prolungata al PM2.5, piuttosto che con picchi di breve durata. Al contrario, affaticamento, mal di testa e disturbi del sonno sono risultati strettamente legati a livelli elevati di CO₂ e a una ventilazione inadeguata. Il disagio termico e la secchezza sono stati riportati più frequentemente durante la stagione di riscaldamento, indicando un'interazione stagionale tra condizioni termiche, umidità e IAQ. Nell'analisi di regressione per la previsione del PM2.5 outdoor, il modello Rational Quadratic Gaussian Process Regression ha ottenuto le prestazioni migliori in fase di addestramento e validazione interna, con valori di RMSE intorno a 5 µg/m³ e R² prossimo a 0,9. Applicato a un periodo di validazione indipendente, le prestazioni sono diminuite (RMSE di circa 13,4 µg/m³ e R² pari a -0,43), ma il modello ha comunque riprodotto correttamente i pattern di variazione temporale e la tempistica dei picchi giornalieri, indicando un apprendimento robusto delle tendenze dominanti piuttosto che una previsione assoluta precisa. Per la previsione dei sintomi indoor sono stati addestrati sette modelli di classificazione indipendenti basati su ensemble bagged tree. Dopo l'ottimizzazione delle soglie, i singoli modelli hanno raggiunto accuratezze comprese tra l'85,9% e il 98,6% sull'intero dataset, con accuratezze in validazione comprese tra il 66,7% e il 100%. Il modello combinato multi-sintomo ha predetto correttamente tutti e 7 i sintomi nel 70,4% dei casi e 6 sintomi su 7 nel 26,8% dei casi, su un totale di 71 dataset; nei 9 dataset di validazione, le percentuali corrispondenti sono state del 55,6% (7 su 7 sintomi) e del 44,4% (6 su 7 sintomi). Questi risultati dimostrano che l'integrazione di feature ambientali e personali può essere utilizzata per predire simultaneamente più sintomi con un'accuratezza promettente, nonostante le dimensioni limitate del dataset. Conclusioni Questa ricerca dimostra che la qualità dell'aria indoor negli edifici residenziali è governata da complesse interazioni tra inquinamento outdoor, sorgenti indoor, comportamenti di ventilazione e caratteristiche degli occupanti. Oltre all'analisi descrittiva, l'integrazione tra dati di monitoraggio, risposte al questionario e machine learning consente sia l'individuazione di pattern sia la generazione di insight predittivi. I risultati supportano una direzione futura in cui gli edifici superano le soglie di progetto statiche per orientarsi verso sistemi adattivi in grado di apprendere dagli occupanti, dalle condizioni ambientali e dai pattern d'uso. Tali approcci basati sull'apprendimento — resi possibili dal monitoraggio a lungo termine, dall'infrastruttura IoT e dal machine learning interpretabile — offrono un percorso praticabile verso ambienti residenziali più personalizzati, resilienti e orientati alla salute.

Effect of urban air pollution’s spatial distribution on Indoor Air Quality in residential buildings

Yu, Yong
2026

Abstract

Introduction Urban air pollutants are known to accumulate within building-generated micro-environments, influenced by surrounding urban morphology and local ventilation conditions, which can significantly affect indoor air quality (IAQ). In residential contexts, pollutant fluctuations are strongly associated with meteorological conditions, number, quality and emissive strength of sources, daily activity patterns, and occupancy behaviours, with elevated pollution levels often observed during evening and nighttime periods when residents remain indoors. However, the interactions between outdoor pollution dynamics, indoor exposure conditions, and occupants perceived comfort and health responses remain insufficiently explored, particularly at the building and room scale. This study addresses these gaps by investigating IAQ patterns and their potential impacts in two student residential buildings in Milan, Italy. Aims and Objectives The main aim of the research is to study how the urban air pollutants’ distribution around the building and how their distributions influence on the internal occupants, at different floors and orientation, also in different micro-climate conditions. To achieve this target, first objective is to understand the distribution pattern of the ambient air pollutions, its variation pattern and distributions related to the building shapes. Then, the corresponding indoor air quality conditions is equally important to study at the same time while the ambient variations. Meanwhile, the occupancy condition of the rooms like occupants’ personal condition, occupancy schedule, and perception to the IAQ, is the third aspect to complete this puzzle according to the state-of-the-art literature. Methodology Based on the state-of-the-art methodology summarized from the literature review, the research used the measurements for the quantitative data of both indoor and outdoor environmental parameters (T, RH, AP, CO2, PM2.5 and PM10) with low-cost sensors, deployed at various floors and orientation around the fieldwork buildings and with IoT system for the data collection, and survey designed based on the scoping literature review for the qualitative data of occupancy related information. The fieldwork for the data collections was conducted in the 2-student accommodation in the university, Pareto and Einstein located in Milan. Totally 7 discontinuous periods of fieldwork were completed from June 2024 to June 2025, with 3 periods in Einstein and 4 periods in Pareto, with 2 weeks in each period. In each period, the devices were deployed in around 14 rooms, with pairs of devices (1 inside and 1 outside), for the indoor and outdoor comparison. Meanwhile the measurement, the survey was spread to the occupants of the selected rooms for the occupancy conditions, supporting the data analysis. After the data collection, both the quantitative and qualitative data were input into MATLAB for the preliminary data analysis and visualization. Parts of the results on the air pollutant outdoor spatial distribution patterns and its indoor influences were taken into the conclusions, and meanwhile the findings of the correlations between all the parameters were converted into features of data and input into the machine learning analysis. For the machine learning analysis, 2 learning model were trained for finding the pollutant distribution patterns and the indoor influences on occupants, with 1 model trained for the outdoor PM2.5 prediction and another 1 model trained to predict the correlation between indoor / outdoor environmental parameters and the user’s self-reported symptoms. Results The field monitoring and survey campaign generated a combined dataset linking environmental measurements indoor-outdoor with occupants’ feedback. A total of 74 questionnaires were collected across seven monitoring periods, of which 71 responses had valid corresponding indoor–outdoor measurement data and were used for analysis. The most frequently reported symptoms were sneezing (n = 18), dry or sore throat (n = 15), headache (n = 14), cough (n = 13), dry skin (n = 11), fatigue (n = 10), and runny nose (n = 10), forming the basis for subsequent symptom modelling. The monitoring results show consistent environmental patterns across periods. Outdoor air pressure exhibited highly similar temporal trends at all measurement points, with differences mainly driven by height rather than horizontal location. Ambient PM₂.₅ displayed clear diurnal cycles under stable weather conditions, typically increasing during evening and nighttime hours, peaking around sunrise, and decreasing during daytime. Seasonal differences were evident, with higher PM₂.₅ levels and variability during winter. Indoor–outdoor comparisons indicate distinct dynamics for different pollutants: indoor PM₂.₅ was influenced by both outdoor infiltration and indoor sources such as cooking and dust accumulation, while CO₂ accumulation was strongly associated with occupancy duration and insufficient ventilation, frequently exceeding 1000 ppm during sleeping periods. Survey responses revealed consistent associations between IAQ conditions and occupants’ perceptions. Irritation-related symptoms, including sneezing, cough, and dry throat, were more commonly reported in rooms with sustained moderate PM₂.₅ exposure rather than short-term peaks. In contrast, fatigue, headache, and sleep-related complaints were closely linked to elevated CO₂ levels and ventilation inadequacy. Thermal discomfort and dryness were reported more frequently during the heating season, indicating seasonal interaction between thermal conditions, humidity, and IAQ. In the regression learning analysis of outdoor PM2.5, the Rational Quadratic Gaussian Process Regression achieved the best performance during training and internal validation, with RMSE values around 5 µg/m³ and R² close to 0.9. When applied to an independent validation period, performance decreased (RMSE at around 13.4 µg/m³ and R² at -0.43), but the model successfully reproduced temporal variation patterns and daily peak timings, indicating robust learning of dominant trends rather than precise absolute prediction. For indoor symptom prediction, seven independent ensemble bagged tree classification models were trained. After threshold optimisation, individual models achieved accuracies between 85.9% and 98.6% on the full dataset, with validation accuracies ranging from 66.7% to 100%. The combined multi-symptom model predicted with 70.4% accuracy in 7 symptoms and 26.8% in 6 symptoms among all 71 datasets, as well as 55.6% for 7 in 7 symptoms and 44.4% for 6 in 7 symptoms among the 9 validation datasets. These results demonstrate that integrated environmental and personal features can be used to predict multiple symptoms simultaneously with promising accuracy, despite the limited dataset size. Conclusion This research demonstrates that indoor air quality in residential buildings is governed by complex interactions between outdoor pollution, indoor sources, ventilation behaviour, and occupant characteristics. Beyond descriptive analysis, the integration of monitoring data, survey responses, and machine learning enables both pattern discovery and predictive insight. The findings support a future direction in which buildings move beyond static design thresholds toward adaptive systems that learn from occupants, environmental conditions, and usage patterns. Such learning-based approaches—enabled by long-term monitoring, IoT infrastructure, and interpretable machine learning—offer a feasible pathway toward more personalised, resilient, and health-oriented residential environments.
28-lug-2026
Inglese
Introduzione È noto che gli inquinanti atmosferici urbani tendano ad accumularsi nei micro-ambienti generati dagli edifici, influenzati dalla morfologia urbana circostante e dalle condizioni di ventilazione locale, con effetti significativi sulla qualità dell'aria indoor (IAQ). Nei contesti residenziali, le fluttuazioni degli inquinanti sono fortemente associate alle condizioni meteorologiche, al numero, alla qualità e all'intensità emissiva delle sorgenti, ai pattern di attività quotidiana e ai comportamenti degli occupanti, con livelli di inquinamento più elevati spesso osservati nelle ore serali e notturne, quando i residenti rimangono negli ambienti interni. Tuttavia, le interazioni tra le dinamiche dell'inquinamento outdoor, le condizioni di esposizione indoor e le percezioni di comfort e salute degli occupanti rimangono ancora insufficientemente esplorate, in particolare alla scala dell'edificio e della singola stanza. Questo studio affronta tali lacune indagando i pattern di IAQ e i loro potenziali impatti in due edifici residenziali universitari a Milano, Italia. Obiettivi L'obiettivo principale della ricerca è studiare la distribuzione degli inquinanti atmosferici urbani attorno all'edificio e come tale distribuzione influenzi gli occupanti degli ambienti interni, a diversi piani e orientamenti, anche in diverse condizioni microclimatiche. Per raggiungere questo obiettivo, il primo obiettivo specifico è comprendere il pattern di distribuzione degli inquinanti atmosferici ambientali, il loro pattern di variazione e la loro distribuzione in relazione alla forma dell'edificio. In secondo luogo, è altrettanto importante studiare le corrispondenti condizioni di qualità dell'aria indoor parallelamente alle variazioni ambientali. Infine, le condizioni di occupazione delle stanze — come le condizioni personali degli occupanti, il programma di occupazione e la percezione della IAQ — costituiscono il terzo aspetto necessario a completare il quadro, secondo quanto indicato dalla letteratura di riferimento. Metodologia Sulla base della metodologia allo stato dell'arte riassunta dalla revisione della letteratura, la ricerca ha utilizzato misurazioni per raccogliere dati quantitativi relativi ai parametri ambientali indoor e outdoor (temperatura, umidità relativa, pressione atmosferica, CO₂, PM2.5 e PM10), tramite sensori low-cost installati a diversi piani e orientamenti degli edifici oggetto di studio, con un sistema IoT per la raccolta dati, e un questionario sviluppato sulla base di una scoping review della letteratura per raccogliere i dati qualitativi relativi alle informazioni sull'occupazione degli ambienti. Le attività di rilevamento in campo sono state condotte in due residenze universitarie situate a Milano, Pareto ed Einstein. In totale sono stati completati 7 periodi di monitoraggio non continuativi, tra giugno 2024 e giugno 2025, con 3 periodi condotti a Einstein e 4 a Pareto, ciascuno della durata di 2 settimane. In ogni periodo, i dispositivi sono stati installati in circa 14 stanze, in coppie (1 indoor e 1 outdoor), per consentire il confronto tra le condizioni interne ed esterne. Parallelamente alle misurazioni, è stato somministrato un questionario agli occupanti delle stanze selezionate per raccogliere informazioni sulle condizioni di occupazione, a supporto dell'analisi dei dati. Dopo la raccolta dei dati, sia i dati quantitativi che quelli qualitativi sono stati elaborati in MATLAB per un'analisi preliminare e la visualizzazione dei dati. Parte dei risultati relativi ai pattern di distribuzione spaziale outdoor degli inquinanti e alle loro influenze indoor sono stati integrati nelle conclusioni, mentre le correlazioni individuate tra tutti i parametri sono state convertite in feature e utilizzate come input per l'analisi di machine learning. Per l'analisi di machine learning sono stati addestrati 2 modelli, finalizzati a individuare i pattern di distribuzione degli inquinanti e le loro influenze indoor sugli occupanti: un modello per la previsione del PM2.5 outdoor e un secondo modello per predire la correlazione tra i parametri ambientali indoor/outdoor e i sintomi auto-riportati dagli utenti. Risultati La campagna di monitoraggio in campo e il questionario hanno generato un dataset combinato che collega le misurazioni ambientali indoor-outdoor al feedback degli occupanti. In totale sono stati raccolti 74 questionari nei sette periodi di monitoraggio, di cui 71 risposte disponevano di dati di misurazione indoor-outdoor validi e corrispondenti, e sono state utilizzate per l'analisi. I sintomi riportati con maggiore frequenza sono stati starnuti (n = 18), gola secca o irritata (n = 15), mal di testa (n = 14), tosse (n = 13), pelle secca (n = 11), affaticamento (n = 10) e naso che cola (n = 10), che hanno costituito la base per la successiva modellazione dei sintomi. I risultati del monitoraggio mostrano pattern ambientali coerenti tra i diversi periodi. La pressione atmosferica outdoor ha mostrato andamenti temporali molto simili in tutti i punti di misurazione, con differenze dovute principalmente alla quota piuttosto che alla posizione orizzontale. Il PM2.5 ambientale ha mostrato cicli diurni ben definiti in condizioni meteorologiche stabili, tipicamente in aumento nelle ore serali e notturne, con un picco intorno all'alba e una diminuzione durante il giorno. Sono emerse differenze stagionali, con livelli e variabilità di PM2.5 più elevati in inverno. Il confronto indoor-outdoor evidenzia dinamiche distinte per i diversi inquinanti: il PM2.5 indoor è risultato influenzato sia dall'infiltrazione outdoor sia da sorgenti indoor come la cottura dei cibi e l'accumulo di polvere, mentre l'accumulo di CO₂ è risultato fortemente associato alla durata dell'occupazione e a una ventilazione insufficiente, superando frequentemente i 1000 ppm durante le ore di sonno. Le risposte al questionario hanno rivelato associazioni coerenti tra le condizioni di IAQ e le percezioni degli occupanti. I sintomi legati all'irritazione, tra cui starnuti, tosse e gola secca, sono stati riportati più frequentemente nelle stanze con esposizione moderata e prolungata al PM2.5, piuttosto che con picchi di breve durata. Al contrario, affaticamento, mal di testa e disturbi del sonno sono risultati strettamente legati a livelli elevati di CO₂ e a una ventilazione inadeguata. Il disagio termico e la secchezza sono stati riportati più frequentemente durante la stagione di riscaldamento, indicando un'interazione stagionale tra condizioni termiche, umidità e IAQ. Nell'analisi di regressione per la previsione del PM2.5 outdoor, il modello Rational Quadratic Gaussian Process Regression ha ottenuto le prestazioni migliori in fase di addestramento e validazione interna, con valori di RMSE intorno a 5 µg/m³ e R² prossimo a 0,9. Applicato a un periodo di validazione indipendente, le prestazioni sono diminuite (RMSE di circa 13,4 µg/m³ e R² pari a -0,43), ma il modello ha comunque riprodotto correttamente i pattern di variazione temporale e la tempistica dei picchi giornalieri, indicando un apprendimento robusto delle tendenze dominanti piuttosto che una previsione assoluta precisa. Per la previsione dei sintomi indoor sono stati addestrati sette modelli di classificazione indipendenti basati su ensemble bagged tree. Dopo l'ottimizzazione delle soglie, i singoli modelli hanno raggiunto accuratezze comprese tra l'85,9% e il 98,6% sull'intero dataset, con accuratezze in validazione comprese tra il 66,7% e il 100%. Il modello combinato multi-sintomo ha predetto correttamente tutti e 7 i sintomi nel 70,4% dei casi e 6 sintomi su 7 nel 26,8% dei casi, su un totale di 71 dataset; nei 9 dataset di validazione, le percentuali corrispondenti sono state del 55,6% (7 su 7 sintomi) e del 44,4% (6 su 7 sintomi). Questi risultati dimostrano che l'integrazione di feature ambientali e personali può essere utilizzata per predire simultaneamente più sintomi con un'accuratezza promettente, nonostante le dimensioni limitate del dataset. Conclusioni Questa ricerca dimostra che la qualità dell'aria indoor negli edifici residenziali è governata da complesse interazioni tra inquinamento outdoor, sorgenti indoor, comportamenti di ventilazione e caratteristiche degli occupanti. Oltre all'analisi descrittiva, l'integrazione tra dati di monitoraggio, risposte al questionario e machine learning consente sia l'individuazione di pattern sia la generazione di insight predittivi. I risultati supportano una direzione futura in cui gli edifici superano le soglie di progetto statiche per orientarsi verso sistemi adattivi in grado di apprendere dagli occupanti, dalle condizioni ambientali e dai pattern d'uso. Tali approcci basati sull'apprendimento — resi possibili dal monitoraggio a lungo termine, dall'infrastruttura IoT e dal machine learning interpretabile — offrono un percorso praticabile verso ambienti residenziali più personalizzati, resilienti e orientati alla salute.
Gola, Marco
Settimo, Gaetano
File in questo prodotto:
File Dimensione Formato  
Thesis-V1.4-Thesis-2.pdf

non disponibili

Licenza: Tutti i diritti riservati
Dimensione 24.97 MB
Formato Adobe PDF
24.97 MB Adobe PDF
Thesis-V1.4-Appendix.pdf

non disponibili

Licenza: Tutti i diritti riservati
Dimensione 58.67 MB
Formato Adobe PDF
58.67 MB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14242/385227
Il codice NBN di questa tesi è URN:NBN:IT:POLIMI-385227