Simulazioni a scala nazionale e ricostruzione di mappe di inquinamento ad alta risoluzione spaziale - Silibello - ARIANET

1. ARIANET s.r.l. - via Gilino, 9 – 20128 Milano, ITALY - ph. +39-02-27007255 - fax +39-02-25708084 - www.aria-net.it
Bando Ricerche in Collaborazione (BRiC)
Piano Attività di Ricerca 2016-2018
RESPONSABILE SCIENTIFICO
Viegi Giovanni
CNR - Istituto di Biomedicina e Immunologia Molecolare “Alberto Monroy”

2. Obbiettivo generale
Utilizzo di Big Data per stimare gli effetti sanitari
dell’inquinamento atmosferico ed acustico e delle variabili
meteo-climatiche sulla salute della popolazione italiana.
Il progetto si articola in obbiettivi specifici dedicati a domini
spaziali diversi:
• intero territorio nazionale;
• principali aree metropolitane italiane (Torino, Milano,
Bologna, Roma, Bari e Palermo);
• micro-scala urbana (Roma).

3. ARIANET partecipa alle attività del progetto
nell’ambito di due Convenzioni per Attività di
Collaborazione Scientifica stipulate con:
• il Consiglio Nazionale delle Ricerche, Istituto
di Biomedicina ed Immunologia Molecolare
“Alberto Monroy” (CNR-IBIM);
• il Dipartimento di Epidemiologia SSR
Lazio/ASL Roma 1 (DIP-EPI).

4. Simulazioni modellistiche su base nazionale
Scala 5x5 km2, periodo 2013-2015
Main goal
Numerical modeling simulations of meteorological parameters and
airborne pollutants for the years 2013, 2014 and 2015 over Italy
at 5 km spatial resolution.
The results of the numerical modeling simulations will be used to
produce high resolution (1 km) daily maps using machine learning
techniques (e.g. Random Forest, …) based on observed levels and
spatial data.
Numerical modelling
• Meteorological simulations (WRF AWR V3.8.1 Prognostic model) using
Data Assimilation techniques
• Air quality simulation (FARM Chemical Transport Model)

5. Simulazioni modellistiche su base nazionale
Scala 5x5 km2, periodo 2013-2015
2013 2014 2015
NO2

6. Applicazione di metodi di Data fusion e Machine
Learning
• Data fusion: Optimal Interpolation method (OI), ris. 5 km;
– utilizzo di metodi di Cross Validazione per individuare le lunghezze di
correlazione orizzontali e verticali ottimali per i diversi inquinanti;
• Machine learning: Random Forest (RF), ris. 1 km:
– utilizzo di differenti predittori: concentrazioni calcolate, giorno giuliano,
giorno della settimana, mese, codice regione, intersezione mare/lago, zona
climatica, popolazione residente, elevazione, presenza impianto industriale,
uso suolo, lunghezza archi stradali, …;
– stima dei parametri ottimali del modello mediante analisi out of bag (10-fold
cross-validation, the learning set is 90%, while the testing set is 10%.)

7. IL MODELLO: «RANDOM FOREST»
 Un modello di «machine learning»
costituito da molteplici alberi di
regressione
 Sia le osservazioni che i predittori
sono campionati ad ogni iterazione
 Minimizza l’overfitting e la varianza,
ed è robusto alla presenza di variabili
correlate
 Gestisce non-linearità ed interazioni
tra variabili
Stafoggia et al., Modelli di “machine learning” per la stima di esposizioni ambientali spazio-temporali

8. 𝑁𝑂2 = 𝑅𝐹(𝑋1
, 𝑋2
)
IL MODELLO RF (1X1 km2)
X1
ijk
i = 1, …, 4 (predittore)
j = 1, …, 307635 (indice spaziale)
k = 1, …, 365 (indice temporale)
Include i predittori spazio-temporali:
• NO2 da FARM (a 5 km)
• Giorno giuliano, giorno della settimana, mese
X2
ij
i = 1, …, 58 (predittore)
j = 1, …, 307635 (indice spaziale)
Include i predittori spaziali:
• Classificazione amministrativa
• Popolazione, elevazione, zone
climatiche
• Uso del suolo
• Strade
• Distanza da altre infrastrutture
Il modello viene addestrato (training) sulle 533 x 365 misure della rete delle stazioni
di monitoraggio.

9. Cross-Validazione del modello RF
Esempio: NO2 2015
Suddividiamo le stazioni di
monitoraggio in 10 gruppi
a caso.
Addestriamo il modello RF
su 9 gruppi e testiamo sul
decimo gruppo.
Ripetiamo 10 volte (10-fold
CV) e confrontiamo le
misure di NO2 delle stazioni
con i valori predetti.
R2 = 0.59
RMSE = 8.69
Slope = 0.94
Intercept = 1.54

10. Validazione del modello RF 2015
con dati 2014
Usiamo il modello
addestrato con i dati 2015
per predire le
concentrazioni medie
giornaliere del 2014.
Confrontiamo le misure
(medie annue) di NO2 delle
stazioni con i valori
predetti.
R2 = 0.87
RMSE = 4.79
Slope = 0.96
Intercept = 2.67

11. FARM OI
Applicazione di metodi di Data fusion e Machine
Learning
RF
NO2 (2015)

12. FARM OI
Applicazione di metodi di Data fusion e Machine
Learning
O3 (2015)
RF

13. RF
JJA avg
Le misure di O3 rilevate dalla rete
regionale di ARPA Basilicata non
erano presenti nel dataset BRACE e
non sono state quindi utilizzate per
la calibrazione LURF
Si prestano pertanto ad essere
utilizzate per la cross-validazione del
metodo
Stazione
UTM x
(km)
UTM y
(km)
z
(m s.l.m.)
Tipo
Ferrandina 1135.592 4508.761 63 Rurale
Matera - La Martella 1137.985 4531.422 245 SubUrb.
Pisticci 1140.651 4501.855 55 Rurale
Potenza - Contrada
Rossellino 1076.311 4519.524 705 SubUrb.
Potenza - San Luca Branca 1081.323 4521.996 720 SubUrb.
San Nicola di Melfi 1064.978 4568.016 187 Rurale
LAVELLO - CAMPI DA
TENNIS 1070.628 4566.096 319 Urbana.
Melfi 1058.722 4558.252 561 SubUrb.
Viggiano 1086.885 4485.535 604 Rurale
Grumento 3 1085.997 4482.608 735 SubUrb.
Viggiano - Masseria De
Blasiis 1083.630 4486.430 603 Rurale
Viggiano - Costa Molina Sud
1 1091.148 4486.057 690 Rurale
Basilicata

14. O3

16. Simulazioni modellistiche sulle principali aree
metropolitane italiane
Scala 1x1 km2, periodo 2013-2015
Main goal
Numerical modeling simulations of meteorological parameters and
airborne pollutants for the years 2013, 2014 and 2015 over 6
urban areas at 1 km spatial resolution.
The results of the numerical modeling simulations will be used to
produce high resolution (200 m) daily maps using machine learning
techniques (e.g. Random Forest, …) based on observed levels and
spatial data.
Numerical modelling
• Meteorological simulations (WRF AWR V3.8.1 Prognostic model) using
Urban parameterizations
• Air quality simulation (FARM Chemical Transport Model)

17. Simulazioni modellistiche
Scala 1x1 km2, periodo 2013-2015
Torino Milano
Bologna Bari
NO2 (2015)

18. Simulazioni a microscala su Roma
risoluzione spaziale (1-5 m), periodo 2015