INTEGRAZIONE DI CITIZEN SCIENCE E MONITORAGGIO STRUMENTALE PER IL RICONOSCIMENTO DELLE CLASSI ODORIGENE NELLE VICINANZE DI UN IMPIANTO DI DEPURAZIONE

  • Federico Cangialosi Politecnico di Bari
  • Edoardo Bruno Tecnologia e Ambiente (T&A) srl, Putignano (BA)
  • Antonio Fornaro Labservice Analytica, Anzola Dell’Emilia (BO)
Parole chiave: IOMS, machine learning, classificazione odori, quantificazione odori, citizen science

Abstract

Le emissioni odorigene sono fonti di disturbo alla popolazione residente molto complessi da caratterizzare efficacemente con i protocolli di monitoraggio che sono oggi applicati per i comuni parametri ambientali. L’estrema complessità risiede nell’elevata dinamicità del fenomeno, legata agli agenti di dispersione atmosferica e all’orografia del territorio, la presenza di composti caratterizzati da una bassissima soglia di percezione che richiedono strumenti analitici molto sensibili per l’identificazione in real-time. Per tale ragione, si sta sempre più diffondendo l’utilizzo di instrumental odor monitoring systems (IOMS) come sistemi che integrano una sezione di monitoraggio strumentale con diversi sensori ed una sezione di calcolo che, partendo dai segnali ricevuti dai sensori, applica degli algoritmi per la determinazione della tipologia o concentrazione dell’odore. Nel contesto delle molestie olfattive si inserisce anche il contributo dei cittadini stessi, i quali, come già diversi studi hanno dimostrato, possono costituire uno dei fattori determinanti per il controllo dell’ambiente: la citizen science è oggi considerata un’arma in più per la gestione intelligente del monitoraggio ambientale, in grado di effettuare un’analisi approfondita del problema inquinamento. In questo articolo viene presentato uno studio di monitoraggio in continuo degli odori al confine di un impianto di depurazione di acque reflue urbane, integrando il monitoraggio strumentale con IOMS e le segnalazioni dei cittadini. E’stata inizialmente svolta un’attività di addestramento in campo dello IOMS, utilizzando algoritmi di classificazione e di quantificazione degli odori ottenuti tramite moderne tecniche di machine learning, quali le reti neurali e la random forest al fine di ottenere un sistema in grado di riconoscere in automatico sia la tipologia dell’odore che la sua intensità. Successivamente, si è fatto ricorso alla citizen science raccogliendo ed analizzando le segnalazioni di cattivi odori effettuate dai cittadini, che avevano a disposizione una App per il monitoraggio delle molestie olfattive: l’App era strutturata in modo tale che i cittadini potessero inserire tipologia ed intensità dell’odore che rilevavano, associando ad ogni segnalazione la posizione, il tempo ed i dati meteo. È stato condotto tale monitoraggio in un lasso di tempo della durata di 5 mesi, per poi incrociare i dati ottenuti dagli algoritmi con le segnalazioni dei cittadini.

In un primo momento si è provveduto ad un’analisi dei risultati degli algoritmi dello IOMS addestrato, al fine di individuare le classi di odori più frequenti. Successivamente, sono stati incrociati i risultati dello IOMS con le segnalazioni e con i dati del meteo, al fine di verificare se le segnalazioni fossero collegate o meno all’impianto. La descrizione degli odori percepiti dalla popolazione, presente su ogni segnalazione, unitamente all’individuazione del giusto cono di vento di influenza dell’impianto sulla città, ha permesso di isolare gli avvenimenti che evidenziavano un’effettiva correlazione con i trend emissivi dell’impianto. I risultati ottenuti da entrambe le elaborazioni di dati sono quindi risultati utili per stabilire il contributo reale dell’impianto monitorato rispetto alla totalità degli eventi registrati di disturbo olfattivo percepiti dai cittadini.

 

Pubblicato
11-03-2022
Sezione
Articoli di ricerca