Applicazione di tecniche di intelligenza artificiale per lo studio della relazione fra l’inquinamento atmosferico e le sue concause

Le principali cause di inquinamento dell’aria, cioè le emissioni di centrali energetiche ed industriali e le emissioni dovute al traffico su strada, sono difficilmente eliminabili. Inoltre, la riduzione dell’inquinamento prodotto comporta ingenti costi dovuti ad impianti di depurazione o alla sospensione temporanea dell’attività produttiva. Si dovrebbe ulteriormente considerare che, data l’interazione dei numerosi fattori che partecipano all’innalzamento dei tassi di inquinamento atmosferico, la relazione tra l’intensità di emissione della sorgente inquinante e l’inquinamento risultante non è affatto immediata.
Può essere importante quindi costruire modelli matematici che permettano di compiere previsioni sulla concentrazione di inquinanti per informare la popolazione dell'inquinamento presente in zone specifiche oppure per prendere misure precauzionali immediate come il blocco del traffico.
Il presente lavoro si occupa in particolare di nowcasting, cioè previsioni a breve termine (da 1 a 6 ore) di concentrazioni di ozono (O3) e di biossido di azoto (NO2). Tali composti, derivando da complesse reazioni chimiche prodotte da inquinanti primari, costituiscono i più importanti inquinanti secondari. Risulta perciò ancor più difficile il controllo diretto di queste sostanze ed è quindi ulteriormente importante la presenza di indicatori di allarme che evidenzino il superamento di determinate soglie d'attenzione.
Per la creazione del modello vengono utilizzate misure di fenomeni sicuramente correlati con la concentrazione da stimare. Queste includono la quantità di inquinante presente nell’aria e parametri meteorologici relativi alla città di Modena nell'anno 1998. I dati provengono da centraline di rilevamento in territorio urbano e sono stati gentilmente messi a disposizione dalla Sezione Provinciale di Modena dell'Agenzia Regionale per la Protezione Ambientale (ARPA) dell'Emilia Romagna.
Risulta estremamente difficoltoso, a causa della complessità del sistema fisico soggiacente, trovare un modello computazionalmente trattabile che approssimi bene questo fenomeno utilizzando esclusivamente i dati a nostra disposizione. Si è scelto quindi di utilizzare metodi basati sul potente e flessibile paradigma delle reti neurali che costituiscono un modo del tutto diverso di affrontare un problema rispetto a quello su cui si fonda la modellizzazione classica. Invece di scrivere esplicitamente le regole matematico-fisiche che definiscono il fenomeno, una rete neurale apprende il modello attraverso una sorta di apprendimento di tipo imitativo esaminando dati che descrivono il comportamento esterno del sistema di interesse.
Le reti neurali si dimostrano infatti particolarmente adatte per la risoluzione di problemi aventi le seguenti caratteristiche [BISHOP95]:
· ampia disponibilità di dati da utilizzare nella fase di addestramento;
· difficoltà nell'individuare a priori un modello adeguato;
· necessità di elaborare nuovi dati in tempi brevi, o per il loro volume cospicuo o a causa di qualche particolare esigenza che richiede risposte in tempo reale;
· necessità di un metodo di elaborazione "robusto" anche con dati in input "rumorosi".
Il principale svantaggio di una rete neurale consiste nella necessità di possedere numerosi esempi per l’addestramento. Altri problemi possono derivare nel caso in cui si cerchi di estrapolare risultati in regioni dello spazio di input che siano significativamente differenti da quelle utilizzate in fase di addestramento.
La rete, tipicamente utilizzata in compiti di riconoscimento e classificazione, viene in questo caso sfruttata per ricostruzione di funzioni o mapping. In particolare cerchiamo di creare dei modelli di correlazione tra i dati utilizzati e la concentrazione nel futuro dell'inquinante. Poichè tra i dati utilizzati vi sono frequentemente anche valori storici della quantità di interesse, le reti eseguono in questo caso un compito di stima di serie temporali.
Data la complessità del problema, la struttura della funzione ricostruita non è lineare, quindi sono utilizzate reti con unità a valori continui e funzioni di trasferimento non lineari.
I modelli di reti implementati e sperimentati per questo compito includono le reti a strati, le mappe auto-organizzanti di Kohonen e le reti di funzioni base radiali. Inoltre questi paradigmi sono stati combinati in modelli ibridi per sfruttare al meglio gli specifici vantaggi delle singole architetture [DELL96].
Si deve inoltre considerare come queste tecnologie possano essere di estremo aiuto se integrate in sistemi esperti per il monitoraggio ambientale [MEDS94] [LAM94]. Questi sistemi infatti presentano delle limitazioni che possono essere superate se cooperanti in un'unica struttura, come per esempio un geographic information system (GIS) [BONF99].