Predizione dell’inquinamento atmosferico lungo le strade risolta per altitudine usando misure UAV e apprendimento automatico

Perché l’inquinamento vicino alle autostrade conta

Molte persone vivono, lavorano o fanno attività fisica vicino ad autostrade trafficate, dove i gas di scarico possono influire silenziosamente sulla loro salute. Eppure la maggior parte dei monitor della qualità dell’aria è fissata a punti fissi a livello del suolo e non può mostrare come l’inquinamento cambi a pochi metri sopra o lontano dalla strada. Questo studio combina droni e modelli informatici avanzati per creare un quadro tridimensionale dell’inquinamento stradale, aiutando urbanisti e ricercatori in salute a capire chi è maggiormente esposto e quando.

Usare sensori volanti per mappare l’aria sporca

I ricercatori si sono concentrati su una importante autostrada coreana che collega Seoul e Busan e trasporta parte del traffico più intenso del paese. Hanno installato un sensore d’aria compatto in una stazione a bordo strada e ne hanno fissato un secondo, identico, a un quadricottero. Gli strumenti hanno misurato quattro inquinanti chiave: monossido di carbonio dagli scarichi, biossido di azoto dalla combustione dei carburanti, ozono a livello del suolo formato dalla luce solare, e particelle fini note come PM2.5. Per alcuni giorni in estate e in inverno, il drone è salito e sceso sopra la strada a quote da 10 a 60 metri e in inverno si è anche mosso orizzontalmente fino a 60 metri dalla carreggiata, sostando in ciascun punto per campionare l’aria.

Cosa ha osservato il drone sopra la strada

Le misure hanno rivelato schemi chiari su come l’inquinamento varia con l’altitudine, la distanza, l’ora del giorno e la stagione. Biossido di azoto e ozono erano più alti vicino al suolo e diminuivano con l’altitudine e la distanza dall’autostrada, indicando che i veicoli sono una fonte locale dominante. Il biossido di azoto ha avuto picchi intorno alle 7 del mattino, in corrispondenza del traffico mattutino, mentre l’ozono era al minimo in quel periodo e più alto nel pomeriggio soleggiato, quando la luce guida le reazioni chimiche in atmosfera. In inverno il biossido di azoto tendeva a essere complessivamente più elevato, favorito da strati d’aria fredda e stagnante che intrappolano le emissioni vicino alla superficie. Sorprendentemente, i livelli di particelle fini erano più alti in estate che in inverno; ricostruendo a ritroso i percorsi delle masse d’aria sulle 48 ore precedenti, il team ha scoperto che l’aria estiva spesso proveniva da regioni industriali della Cina orientale, suggerendo che il trasporto a lunga distanza ha contribuito all’inquinamento locale da traffico.

Da letture sparse a una mappa 3D dell’inquinamento

Poiché i droni possono volare solo per un tempo limitato e devono seguire rotte sicure, le loro misure sono frammentarie nello spazio e nel tempo. Per colmare le lacune, il team ha addestrato diversi modelli di apprendimento automatico per prevedere come l’inquinamento in quota si confronta con quanto misurato a livello della strada. Invece di prevedere concentrazioni assolute, si sono concentrati sul rapporto tra le letture del drone e quelle a terra per ciascun inquinante. I modelli hanno utilizzato cinque gruppi di input: livelli di inquinamento a terra, volume e velocità del traffico, meteo (vento, temperatura, umidità), l’altezza del drone e la distanza dalla strada, e la stagione e l’ora del giorno. Tra i vari algoritmi testati, un metodo chiamato CatBoost ha dato le migliori prestazioni, spiegando grosso modo da due terzi fino a quasi tutta la variazione di questi rapporti a seconda dell’inquinante e della stagione.

Cosa determina gli schemi di inquinamento sopra la strada

Analizzando il modello addestrato, i ricercatori hanno potuto individuare quali fattori reali influenzano più fortemente i profili verticali e orizzontali di ciascun inquinante. Per il monossido di carbonio la velocità del traffico era cruciale: veicoli più lenti o in stop-and-go erano associati a un inquinamento relativo più elevato vicino alla strada, riflettendo scarichi più intensi. Per biossido di azoto e particelle fini, la combinazione tra ciò che accadeva al suolo e il meteo locale era determinante—condizioni più calde e concentrazioni a terra più alte tendevano ad aumentare i livelli in quota. I pattern dell’ozono erano governati più dalla meteorologia e dalla stagione che dalle letture di ozono al suolo, coerente con la sua formazione per chimica guidata dalla luce. Quando il team ha usato il modello per creare mappe continue dei rapporti di inquinamento in altezza, distanza, tempo e stagione, gli schemi risultanti si sono ben allineati alla comprensione consolidata: maggiore biossido di azoto a ridosso della carreggiata, ozono in aumento durante il giorno, e particelle che si mescolano gradualmente verso l’alto e lontano dalle corsie del traffico.

Come questo aiuta a respirare meglio

In termini semplici, lo studio mostra che ciò che un drone misura sopra un’autostrada può essere ricostruito in modo affidabile da ciò che un monitor a terra, contatori del traffico e strumenti meteorologici osservano sotto. Unendo brevi voli di droni e apprendimento automatico, i ricercatori hanno prodotto viste tridimensionali dettagliate della qualità dell’aria lungo le strade che sarebbero difficili e costose da ottenere solo con misurazioni dirette. Queste mappe ad alta risoluzione possono migliorare le stime di quanto residenti, pendolari e pedoni siano esposti all’inquinamento da traffico a diverse altezze e distanze, e in diversi momenti del giorno e dell’anno. A lungo termine, questo approccio combinato drone-modello potrebbe guidare la collocazione di nuove strade, barriere fonoassorbenti e fasce verdi, e aiutare le autorità cittadine a valutare come le politiche di controllo del traffico possano ripulire l’aria che le persone effettivamente respirano.

Citazione: Kho, C.J., Seo, S., Hwang, H. et al. Altitude-resolved prediction of roadside air pollution using UAV measurements and machine learning. Sci Rep 16, 13925 (2026). https://doi.org/10.1038/s41598-026-44153-9

Parole chiave: inquinamento stradale, droni, apprendimento automatico, autostrade, particelle fini