Monitoraggio ambientale delle emissioni di gas ad effetto serra, ammoniaca e materiale particolato, applicazioni di modellazione di dispersione atmosferica e mappaggio degli inquinanti negli allevamenti zootecnici

Il presente lavoro di tesi fornisce una panoramica in termini di sensoristica, tecnologie di misurazione e tecniche di analisi dei dati riguardo il monitoraggio ambientale della qualità dell’aria negli allevamenti zootecnici. I tre articoli scritti durante il percorso di dottorato riguardano la valutazione delle prestazioni di un modello Lagrangiano Stocastico nella stima delle emissioni di CO2 in atmosfera mediante l’utilizzo di dati ottenuti da piattaforme multi-sensore a basso costo. Il modello è stato valutato in base alla selezione di alcuni parametri come il numero di particelle da implementare. Simulazioni di dispersione atmosferica completate grazie a misurazioni stazionarie e con drone, effettuate in un allevamento di bovini da latte prima, durante e dopo la lavorazione di una lettiera compost in condizioni di stabilità atmosferica hanno permesso il calcolo di flussi di emissione comparabili a quelli riportati in letteratura. Per le concentrazioni calcolate, si riportano sovrastime in termini di errori medi percentuali dall’8 al 39% rispetto alle misurazioni in volo. Si riportano inoltre sovrastime e sottostime in termini di errori medi assoluti percentuali dal 10 al 25% per le misurazioni stazionarie. Le più probabili alternative per ridurre gli errori riportati riguardano una migliore quantificazione della stabilità atmosferica ed un maggiore numero di particelle utilizzato nelle simulazioni. La criticità riscontrata nelle piattaforme multi-sensore riguarda i sensori a basso costo selezionati per rilevare le concentrazioni di NH3 e CH4, dotati di campi di misurazione troppo elevati per i monitoraggi in esterna negli allevamenti zootecnici. Risultati preliminari riguardo il monitoraggio di questi due gas vengono riportati esplorando altri sensori, altre tecnologie e altre tecniche di analisi. Un’analisi critica delle piattaforme multi-sensore viene fornita in base alla valutazione delle altre metodologie esplorate, soprattutto per il miglioramento del sistema di monitoraggio della qualità dell’aria con drone. This thesis provides an overview in terms of sensors, measurement technologies, and data analysis techniques for environmental monitoring of air quality in livestock farms. The three articles written during the PhD programme concern the assessment of the performance of a Stochastic Lagrangian model in estimating CO2 emissions into the atmosphere using data obtained from low-cost multi-sensor platforms. The model was evaluated based on the selection of certain parameters, such as the number of particles to be implemented. Atmospheric dispersion simulations completed using stationary and UAV measurements, carried out on a dairy farm before, during, and after the tilling of compost bedded pack barn under stable atmospheric conditions, allowed calculated emission fluxes comparable to those reported in the literature. For the calculated concentrations, overestimates in terms of average percentage errors ranging from 8 to 39% compared to flight measurements are reported. Overestimates and underestimates in terms of average absolute percentage errors ranging from 10 to 25% are also reported for stationary measurements. The best solutions for reducing the reported errors involve better quantification of atmospheric stability and a greater number of particles used in the simulations. The weakness identified in multi-sensor platforms concerns the low-cost sensors selected to detect NH3 and CH4 concentrations, which have measurement ranges that are too high for outdoor monitoring in livestock farms. Preliminary results regarding the monitoring of these two gases are reported by exploring other sensors, other technologies, and other data analysis techniques. A critical analysis of multi-sensor platforms is provided based on the evaluation of other methodologies explored, especially for improving the UAV-based air quality monitoring system.