In questo lavoro proponiamo una rassegna di studi sulla qualità dell‟aria nell‟area metropolitana di Taranto. Le misure delle concentrazioni di PM10 rese disponibili da ARPA Puglia presentavano elementi di complessità quali dati mancanti e diversi criteri di validazione per diverse reti di centraline. Questo duplice problema è stato affrontato con tre strategie alternative, di cui si è confrontata la performance, sfruttando la natura spaziale dei dati nell‟ambito del paradigma inferenziale bayesiano [1]. Successivamente si è considerata l‟interpolazione spazio-temporale delle superfici di concentrazione giornaliere di PM10 sull‟area considerata, tramite un modello basato su kriging bayesiano e caratterizzato dall‟uso di dati meteorologici e da una correlazione spaziale semiparametrica [2]. Analogamente si sono ricostruite le superfici giornaliere delle concentrazioni di tre inquinanti (SO2, NO2 e PM10) visti come un unico oggetto multivariato [3]. La considerazione, per ciascun inquinante, di modelli gerarchici bayesiani univariati con struttura spazio-temporale separabile, ha permesso di imputare i dati mancanti nell‟ambito del procedimento di stima [4]. Allo scopo di collocare sul territorio le principali sorgenti emissive di PM10 [5], si è proposto un modello a recettori multivariato spaziale che considera la correlazione temporale e l‟influenza della meteorologia sui contributi delle sorgenti e la correlazione spaziale nell‟ambito di profili emissivi composizionali [6]. Infine si è effettuata un‟analisi della diffusione spaziale e dell‟evoluzione temporale di 46 contaminanti del PM10 (diossine, PCB, IPA) basata sulle concentrazioni mensili in corrispondenza di tre centraline di monitoraggio. A causa dell‟elevata dimensionalità dei dati, si è adottata una strategia descrittiva basata su tecniche di riduzione riconducibili al diagramma duale [7]. Bibliografia [1] A. Pollice, G. Jona Lasinio, Journal Of Data Science, 43-59, 7 (2009). [2] A. Pollice, G. Jona Lasinio, Environmental Monitoring and Assessment, 177-190, 162 (2010). [3] A. Pollice, G. Jona Lasinio, Environmetrics, 741-754, 21 (2010). [4] S. Arima, L. Cretarola, G. Jona Lasinio, A. Pollice, Statistical Methods & Applications, 75-91, 21 (2012). [5] A. Pollice, Environmetrics, 35-41, 22 (2011). [6] A. Pollice , G. Jona Lasinio, Environmental and Ecological Statistics, doi: 10.1007/s10651-011- 0173-0 (2011). [7] A. Pollice, V. Esposito, Spatial2 - Spatial Data Methods for Environmental and Ecological Processes. Foggia - Baia delle Zagare (I), 1-2 settembre 2011 (2011).

Modelli e analisi statistiche per dati da centraline di monitoraggio: l'esperienza di Taranto.

POLLICE, Alessio;
2012

Abstract

In questo lavoro proponiamo una rassegna di studi sulla qualità dell‟aria nell‟area metropolitana di Taranto. Le misure delle concentrazioni di PM10 rese disponibili da ARPA Puglia presentavano elementi di complessità quali dati mancanti e diversi criteri di validazione per diverse reti di centraline. Questo duplice problema è stato affrontato con tre strategie alternative, di cui si è confrontata la performance, sfruttando la natura spaziale dei dati nell‟ambito del paradigma inferenziale bayesiano [1]. Successivamente si è considerata l‟interpolazione spazio-temporale delle superfici di concentrazione giornaliere di PM10 sull‟area considerata, tramite un modello basato su kriging bayesiano e caratterizzato dall‟uso di dati meteorologici e da una correlazione spaziale semiparametrica [2]. Analogamente si sono ricostruite le superfici giornaliere delle concentrazioni di tre inquinanti (SO2, NO2 e PM10) visti come un unico oggetto multivariato [3]. La considerazione, per ciascun inquinante, di modelli gerarchici bayesiani univariati con struttura spazio-temporale separabile, ha permesso di imputare i dati mancanti nell‟ambito del procedimento di stima [4]. Allo scopo di collocare sul territorio le principali sorgenti emissive di PM10 [5], si è proposto un modello a recettori multivariato spaziale che considera la correlazione temporale e l‟influenza della meteorologia sui contributi delle sorgenti e la correlazione spaziale nell‟ambito di profili emissivi composizionali [6]. Infine si è effettuata un‟analisi della diffusione spaziale e dell‟evoluzione temporale di 46 contaminanti del PM10 (diossine, PCB, IPA) basata sulle concentrazioni mensili in corrispondenza di tre centraline di monitoraggio. A causa dell‟elevata dimensionalità dei dati, si è adottata una strategia descrittiva basata su tecniche di riduzione riconducibili al diagramma duale [7]. Bibliografia [1] A. Pollice, G. Jona Lasinio, Journal Of Data Science, 43-59, 7 (2009). [2] A. Pollice, G. Jona Lasinio, Environmental Monitoring and Assessment, 177-190, 162 (2010). [3] A. Pollice, G. Jona Lasinio, Environmetrics, 741-754, 21 (2010). [4] S. Arima, L. Cretarola, G. Jona Lasinio, A. Pollice, Statistical Methods & Applications, 75-91, 21 (2012). [5] A. Pollice, Environmetrics, 35-41, 22 (2011). [6] A. Pollice , G. Jona Lasinio, Environmental and Ecological Statistics, doi: 10.1007/s10651-011- 0173-0 (2011). [7] A. Pollice, V. Esposito, Spatial2 - Spatial Data Methods for Environmental and Ecological Processes. Foggia - Baia delle Zagare (I), 1-2 settembre 2011 (2011).
File in questo prodotto:
Non ci sono file associati a questo prodotto.

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/11586/57937
 Attenzione

Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo

Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact