La qualità dell’aria in Italia durante il lockdown: una prospettiva dai modelli

Dall’inizio della pandemia, nel febbraio 2020, che ha completamente cambiato le nostre vite, numerosi studi si sono susseguiti per investigare come le misure intraprese dai governi dei diversi Paesi per fronteggiare la diffusione del virus SARS-CoV-2 abbiano influito sulla qualità dell’aria. Per l’Italia le diverse analisi hanno preso in considerazione dati delle stazioni di monitoraggio al suolo e dei satelliti, mentre vari studi modellistici sono stati condotti in alcune specifiche aree del Paese. Mancava uno studio modellistico che fornisse una analisi su tutto il territorio nazionale e che provasse a rispondere ad alcune domande. Il Progetto Pulvirus ha pertanto valutato l’impatto sulla qualità dell’aria delle misure restrittive previste nei Decreti che si sono susseguiti nei mesi da febbraio a maggio 2020 attraverso l’uso di modelli applicati sull’intero territorio nazionale. Riguardo alle variazioni delle emissioni degli inquinanti atmosferici (polveri sottili – PM10 e PM2.5, ossidi di azoto – NO_X, ossidi di zolfo – SO_X, composti organici volatili non metanici – COVNM, ammoniaca – NH₃, monossido di carbonio – CO) abbiamo già discusso nella newsletter “Come sono cambiate le emissioni inquinanti in Italia durante la prima ondata della pandemia COVID-19?” cui si rimanda per maggiori dettagli (http://www.pulvirus.it/index.php/2021/10/05/come-sono-cambiate-le-emissioni-inquinanti-in-italia-durante-la-prima-ondata-della-pandemia-covid-19/). In questa newsletter affronteremo l’effetto delle variazioni emissive sulla qualità dell’aria attraverso l’uso di modelli chimici di dispersione.

I modelli nazionali disponibili nel progetto Pulvirus sono due: il modello MINNI (ENEA) e il modello SNPA-ASI (ArpaE), aventi una risoluzione spaziale orizzontale rispettivamente di circa 4 e 7 km. Entrambi hanno seguito l’approccio schematizzato in Fig. 1, in cui si sono costruiti due scenari emissivi: lo scenario “con misure” (scenario lockdown) da confrontare con uno scenario teorico che si sarebbe verificato se non fosse intervenuta la pandemia (scenario base), a parità di meteorologia.

Le domande da cui siamo partiti sono state:

1. sono in grado i modelli di qualità dell’aria di riprodurre l’effetto di significative variazioni emissive circoscritte ad un periodo temporale limitato (4 mesi)?
2. Cosa hanno comportato le misure adottate in termini di riduzione delle concentrazioni? come tali azioni si sono ripercosse su inquinanti parzialmente (il particolato) o completamente (l’ozono) secondari?
3. Ai fini della pianificazione della qualità dell’aria, quale lezione possiamo trarre da questo studio modellistico?

Le risposte a tali interrogativi avrebbero giovato dell’applicazione di un ensemble modelling (combinazione statistica di risultati modellistici su un’area e un periodo di riferimento), che però non sarà possibile essendo troppo poche (due) le simulazioni nazionali disponibili. Comunque, al termine del progetto, verrà effettuato un confronto tra i risultati delle due simulazioni.

In questa newsletter, presentiamo le simulazioni del modello MINNI (Modello Integrato Nazionale a supporto della Negoziazione internazionale sui temi dell’Inquinamento atmosferico, Mircea et al., 2014; Vitali et al., 2019), il sistema modellistico integrato nazionale di riferimento per l’Italia, sviluppato da ENEA, in collaborazione con ARIANET e IIASA, finanziato dal MITE, che utilizza le risorse computazionali della infrastruttura ENEA – CRESCO/ENEAGRID High Performance Computing Infrastructure (Iannone et al., 2019).

Partiamo dalla prima domanda: sono in grado i modelli di qualità dell’aria di riprodurre l’effetto di significative variazioni emissive circoscritte ad un periodo temporale limitato (4 mesi)?

Per poter rispondere, abbiamo valutato la simulazione del modello MINNI di ENEA confrontando la simulazione lockdown, ossia la simulazione maggiormente vicina alle condizioni reali verificatesi tra febbraio e maggio 2020, sia con i dati di monitoraggio raccolti dalle centraline di qualità dell’aria in Italia, sia con le simulazioni prodotte sull’Europa dal sistema MINNI di ENEA nell’ambito dei servizi Copernicus (progetto CAMS – Copernicus Atmosphere Monitoring Service).

Il confronto con la simulazione prodotta dal modello MINNI in CAMS (in Fig. 2 si riporta come esempio la variazione della concentrazione di NO₂) ha mostrato variazioni spazio-temporali e tendenze molto simili, nonostante i due sistemi differiscano per risoluzione spaziale orizzontale, modello meteorologico e inventario emissivo. Le riduzioni più accentuate nel caso MINNI_CAMS potrebbero, per esempio, essere dovute ai diversi fattori di riduzione adottati per il settore del trasporto stradale, che potrebbero portare ad una sovrastima dell’entità delle diminuzioni (Guevara et al., 2021).

Il confronto con le osservazioni è stato realizzato considerando le stazioni di fondo per tutte le zone disponibili (rurale, suburbana e urbana) e per zona climatica, adottando indicatori statistici (Mean Bias – MB, Root Mean Square Error – RMSE, correlazione – corr) maggiormente utilizzati in letteratura (Simon et al., 2012). Si riporta una sintesi dei risultati in Fig. 3.

I risultati in Fig. 3 indicano che le prestazioni del modello in questa simulazione sono in linea con i risultati ottenuti in altri studi effettuati con MINNI (ad esempio, D’Elia et al., 2021). Si è inoltre notato che, sia per NO₂ che per O₃, indipendentemente dalla zona della stazione di monitoraggio, i valori più alti della correlazione si ottengono in Pianura Padana dove, anche per quanto riguarda il particolato (PM₁₀ e PM_2.5), si riscontrano tra i più alti valori di correlazione, indicativi di una corretta modulazione temporale delle emissioni e delle corrispondenti riduzioni applicate. Quest’ultimo risultato è particolarmente importante, essendo stata la Pianura Padana interessata dai maggiori effetti del lockdown. Ciò indica che le variazioni emissive applicate nel caso lockdown sono state costruite in maniera efficace.

I confronti effettuati, seppur limitati all’unica simulazione modellistica disponibile, hanno quindi dimostrato la capacità del modello di rispondere alla domanda e di fornire indicazioni importanti per interpretare le conseguenze delle variazioni emissive sulle concentrazioni di inquinanti atmosferici sull’intero territorio nazionale.

Successivamente, si è cercato di rispondere alla seconda domanda: cosa hanno comportato le misure adottate in termini di riduzione delle concentrazioni? Come tali azioni si sono ripercosse su inquinanti parzialmente (il particolato) o completamente (l’ozono) secondari, la cui formazione è frutto di una catena di trasformazioni chimico/fisiche piuttosto complesse? Le risposte a questi interrogativi si sono ottenute attraverso il confronto delle simulazioni base e lockdown, che hanno in comune tutti i dati di input tranne le emissioni e le condizioni al contorno (estratte dalla simulazione MINNI/CAMS). Tale confronto mostra come le riduzioni emissive abbiano comportato una importante diminuzione nelle concentrazioni di NO₂, soprattutto in area urbana, con conseguente incremento delle concentrazioni di O₃ a causa della minore “titration” (Fig. 4).

La variazione di concentrazione del particolato (Fig. 5) mostra riduzioni localizzate maggiormente nel bacino padano con valori compresi tra 3 e 4 mg/m³. Per NO₂ è confermato il nesso diretto fra misure di mitigazione dei precursori emissivi (NO_X) e riduzione delle concentrazioni. Per le polveri sottili il nesso non è diretto, probabilmente perché le riduzioni non hanno coinvolto tutti i suoi precursori (il PM per la parte primaria, e per la parte secondaria NO_X, SO_X, COVNM e ammoniaca, che non ha mostrato variazioni dal settore agricoltura) sono mediate dalla complessità della modifica della composizione atmosferica, portando riduzioni di concentrazione percentualmente molto inferiori alle riduzioni emissive.

Gli effetti delle variazioni emissive sulle concentrazioni di inquinanti di natura secondaria (O₃) o con una importante componente secondaria (particolato) risultano particolarmente complessi. La comprensione dei meccanismi e le interazioni coinvolte sono tuttora argomento di ricerca, ma di fondamentale importanza in un territorio con le caratteristiche orografiche, meteorologiche e la varietà di emissioni antropiche e naturali quali quelle del territorio italiano.

E infine la risposta alla terza domanda: ai fini della pianificazione della qualità dell’aria, quale lezione possiamo quindi trarre da questo studio modellistico realizzato durante una situazione, che si spera irripetibile, in cui si sono formulate ipotesi di riduzioni emissive rilevanti e molto rapide? Per tale interrogativo, può essere sicuramente utile ricorrere ad indagini mediante tecniche di “source apportionment”, che aiutino a valutare i contributi dalle varie attività antropiche e a stabilire l’entità di interazioni non lineari che interessano le emissioni dai diversi settori. Studi di variabilità meteorologica possono, inoltre, essere d’aiuto a quantificare il peso della componente meteorologica, soprattutto nella aree con elevata pressione antropica e stagnazione, come la Pianura Padana. Ma ciò che tale studio ha maggiormente mostrato è che notevole attenzione deve essere prestata nella selezione di misure per contenere l’inquinamento atmosferico e che interventi mirati in un unico settore non necessariamente portano alle riduzioni di concentrazione auspicate. La complessità e le profonde interconnessioni dei fenomeni in gioco sottolineano l’importanza di adottare un approccio integrato in cui politiche diverse, aspetti diversi (da quello sociale a quello economico) vengano considerati in maniera olistica e la loro interazione valutata in modo da considerare la totalità dei differenti impatti dovuti all’inquinamento atmosferico.

Per maggiori informazioni, si rimanda al report dell’attività 2.3 dell’obiettivo 2 del Progetto Pulvirus (http://www.pulvirus.it/index.php/documentazione-obiettivo-2/).

Alla stesura della newsletter hanno contribuito tutti i ricercatori ENEA che hanno partecipato all’attività 2.3 dell’Obiettivo 2.

Per maggiori informazioni contattare

Ilaria D’Elia: ilaria.delia@enea.it

Massimo D’Isidoro: massimo.disidoro@enea.it

Gino Briganti: gino.briganti@enea.it

Antonio Piersanti: antonio.piersanti@enea.it

Bibliografia

D’Elia, I., Briganti, G., Vitali, L., Piersanti, A., Righini, G., D’Isidoro, M., Cappelletti, A., Mircea, M., Adani, M., Zanini, G., Ciancarella, L., 2021. Measured and modelled air quality trends in Italy over the period 2003–2010, Atmos. Chem. Phys., 21, 10825–10849, https://doi.org/10.5194/acp-21-10825-2021.

Guevara, M., Jorba, O., Soret, A., Petetin, H., Bowdalo, D., Serradell, K., Tena, C., Denier van der Gon, H., Kuenen, J., Peuch, V.-H., and Pérez García-Pando, C.: Time-resolved emission reductions for atmospheric chemistry modelling in Europe during the COVID-19 lockdowns, Atmos. Chem. Phys., 21, 773–797, https://doi.org/10.5194/acp-21-773-2021.  

Iannone, F., Ambrosino, F., Bracco, G., De Rosa, M., Funel, A., Guarnieri, G., Migliori, S., et al. 2019. “CRESCO ENEA HPC Clusters: A Working Example of a Multifabric GPFS Spectrum Scale Layout.” In 2019 International Conference on High Performance Computing and Simulation, HPCS 2019, 1051–52. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/HPCS48598.2019.9188135.

Mircea, M., Ciancarella, L., Briganti, G., Calori, G., Cappelletti, A., Cionni, I., Costa, M., Cremona, G., D’Isidoro, M., Finardi, S., Pace, G., Piersanti, A., Righini, G., Silibello, C., Vitali, L., Zanini, G., 2014. Assessment of the AMS-MINNI system capabilities to predict air quality over Italy for the calendar year 2005, Atmos. Environ., 84, 178–188, https://doi.org/10.1016/j.atmosenv.2013.11.006.

Simon, H., Baker, K.R., and Phillips, S., 2012. Compilation and interpretation of photochemical model performance statistics published between 2006 and 2012. Atmospheric Environment, 61, 124-139, https://doi.org/10.1016/j.atmosenv.2012.07.012.

Vitali, L., Adani, M., Briganti, G., Cappelletti, A., Ciancarella, L., Cremona, G., D’Elia, I., D’Isidoro, M., Guarnieri, G., Mircea, M., Piersanti, A., Righini, G., Russo, F., Villani, M.G., and Zanini, G., 2019. AMS-MINNI National Air Quality Simulation on Italy for the Calendar Year 2015. Annual Air Quality Simulation of MINNI Atmospheric Modelling System: Results for the Calendar Year 2015 and Comparison with Observed Data, ENEA Technical Report, RT/2019/15/ENEA, ISSN 2499-5347, http://hdl.handle.net/20.500.12079/52259.