Smart cities e inquinamento atmosferico: modelli di regressione spaziale (LUR) su dati da sensori low-cost e volunteered geographic information (VGI)

L’inquinamento atmosferico presenta un andamento spaziale legato soprattutto alle fonti, al tipo di inquinante e ad elementi ambientali quali topografia e venti. Tuttavia, esso viene normalmente monitorato da una rete di sensori relativamente sparsa, che non fornisce un campionamento capillare del territorio. Per questo, i modelli di regressione spaziale (LUR) costituiscono uno strumento per la stima dell’inquinamento atmosferico ad elevata risoluzione spaziale. Analizzando l’associazione tra inquinamento e variabili d’uso del suolo nei punti di campionamento, essi stimano coefficienti che vengono poi applicati a tali variabili nei punti non campionati, ottenendo stime ad elevata risoluzione spaziale. Negli ultimi anni, il nostro gruppo all’Università di Calgary ha condotto numerose analisi LUR di diossido di azoto (NO2), particolato fine (PM1.0, PM2.5, PM10,) ed altri inquinanti, utilizzando i dati ottenuti da una fitta rete di sensori dispiegata in collaborazione col Servizio Sanitario del Canada. Oggi è reperibile sul mercato una gamma vasta e crescente di sensori a costo relativamente basso (low-cost). La qualità dei dati ottenuti da sensori low-cost è diversa da quella dei sensori tradizionali più costosi; tuttavia, il basso costo unitario e la frequenza del segnale ottenuto consentono di definire un ricco database spazio-temporale, capace forse di sopperire alle eventuali carenze dei dati. Il gruppo ha acquistato un numero elevato (100) di sensori del particolato fine (PM2.5) ad alta frequenza temporale (5 minuti), con i quali ha costruito una rete di monitoraggio fitta e regolare sulla vasta area metropolitana di Calgary (Canada), definita da un modello location-allocation e realizzata con l’ausilio di VGI (volunteered geographic information) per il posizionamento dei sensori. In questo articolo, che si configura come research paper, utilizzando metodologie statistiche, presentiamo un’analisi dei dati PM2.5 ottenuti da sensori low-cost, quindi una stima di modelli LUR con dimensione temporale. Discutiamo in la qualità dei dati ottenuti dai sensori low-cost e la loro adeguatezza per l’uso nei modelli LUR, nonché l’impiego di VGI per il monitoraggio.