Task 4

Analisi dei dati

Il confronto tra il periodo del lockdown e l’analogo periodo degli anni precedenti sarà effettutato sia sulle serie di dati tal quali che utilizzando diversi metodi statistici per rimuovere l’effetto della variabilità delle condizioni meteorologiche.

Sono stati individuati tre diversi approcci:

Metodi di normalizzazione meteorologica delle serie temporali dei dati di qualità dell’aria basati su modelli additivi generalizzati (GAM)

Coordinamento: Gianluca Leone (ISPRA)

Mariacarmela Cusano, Giuseppe Gandolfo, Alessandra Gaeta, Alessandra Galosi, Raffaele Morelli (ISPRA)

Fabiana Scotto (ARPAE Emilia Romagna)

Metodi di normalizzazione meteorologica delle serie temporali dei dati di qualità dell’aria basati su algoritmi di machine learning (RF – GBM)

Coordinamento: Maria Antonietta Reatini (ISPRA)

Andrea Algieri (ARPA LOMBARDIA)

Ilaria D’Elia, Massimo D’Isidoro (ENEA)

Fabiana Scotto (ARPAE Emilia Romagna)

Analisi delle serie temporali di dati di qualità dell’aria con modelli Bayesiani e approccio INLA-SPDE

E’ stato sviluppato un modello statistico spazio-temporale che tiene conto dell’effetto del meteo e di altri fattori di confondimento (confounding factors), così come della correlazione spaziale e temporale che caratterizza i dati di input. E’ stata realizzata una dashboard che consente di visualizzare le mappe settimanali che descrivono i pattern spaziali delle variazioni relative 2019/2020 nelle concentrazioni di biossido di azoto in Italia per i mesi di Marzo e Aprile, durante il lockdown nazionale messo in atto per fronteggiare la pandemia di COVID-19.

Una descrizione approfondita del modello è disponibile presso questo link.

Coordinamento: Guido Fioravanti (ISPRA)

Michela Cameletti (Dipartimento di Economia, Università di Bergamo, Bergamo, Italy)

Sara Martino (Norwegian University of Science andTechnology, Trondheim, Norway)

Andrea Pisoni (European Commission, Joint ResearchCentre, Ispra, Italy)

Giorgio Cattani (ISPRA)