Pubblicato sulla rivista “Air Quality, Atmosphere & Health” l’articolo “Spatial-temporal prediction of ambient nitrogen dioxide and ozone levels over Italy using a Random Forest model for population exposure assessment”.
I risultati ottenuti in questo lavoro sono stati utilizzati per supportare la valutazione dell’esposizione nazionale e gli studi di epidemiologia ambientale pianificati nel progetto BEEP (Big data in Environmental and occupational Epidemiology, www.progettobeep.it) e confermare il potenziale dei metodi di apprendimento automatico per prevedere adeguatamente i livelli di inquinanti atmosferici ad elevata risoluzione spaziale. In tale lavoro è stato utilizzato un approccio innovativo che integra i risultati prodotti da un modello di trasporto chimico (FARM) con tecniche di machine learning (ML) per produrre campi di concentrazione giornaliera di NO2 e O3 ad alta risoluzione spaziale (1 km) sul territorio italiano. Il modello Random Forest (ML-RF) ha utilizzato, per il triennio 2013-15, diversi predittori spazio-temporali: risultati di simulazioni eseguite con il modello FARM ed altri parametri quali la popolazione, l’uso del suolo, le reti stradali. Le buone prestazioni ottenute dal modello FARM per NO2 e O3 sono stati ulteriormente migliorati mediante l’utilizzo del modello ML “Random Forest” che evidenzia una riduzione della sottostima di NO2 (risultati di bias frazionari vicini allo zero). L’applicazione di tale approccio evidenzia inoltre, per tali inquinanti, significati gradienti spaziali.