Un nuovo modello di nowcasting (stima) basato su un sistema di inferenza fuzzy neutrosofico esitante adattivo (ANNHFIS): uno studio di caso a Istanbul

Perché questo studio è importante per l'aria cittadina

Gli impianti a biomassa trasformano rifiuti domestici e scarti organici in elettricità, un'idea che sembra una vittoria per l'energia pulita. Tuttavia queste strutture rilasciano comunque biossido di azoto, un gas che può irritare i polmoni e aggravare l'asma. In città affollate come Istanbul, conoscere il livello odierno di biossido di azoto vicino a tali impianti può aiutare le autorità a avvertire i residenti e a gestire la qualità dell'aria. Questo studio presenta un nuovo tipo di sistema predittivo intelligente pensato per fornire stime più affidabili nello stesso giorno del biossido di azoto attorno a un grande impianto di valorizzazione dei rifiuti.

Come la valorizzazione energetica dai rifiuti influenza l'aria vicina

Gli impianti a biomassa bruciano o trattano enormi quantità di rifiuti per mantenere l'elettricità. A seconda del loro funzionamento, possono emettere particolato e ossidi di azoto a livelli comparabili ad alcuni impianti a combustibili fossili. Il biossido di azoto è particolarmente significativo perché appanna l'aria, contribuisce allo smog e alla formazione di acidi, e danneggia i polmoni. Nel distretto di Eyup a Istanbul, un ampio complesso di impianti di valorizzazione energetica e di biometanizzazione fornisce energia a milioni di persone, ma rilascia anche gas come il biossido di azoto e particelle sottili nell'atmosfera. Comprendere come il meteo locale e gli inquinanti correlati si combinano per determinare i livelli giornalieri di biossido di azoto vicino a questo complesso è quindi una questione chiave di salute pubblica.

Quali dati sono stati usati nel modello

I ricercatori si sono concentrati sulle condizioni giornaliere tra il 2019 e il 2023 nelle vicinanze delle strutture di Eyup. Hanno usato cinque elementi informativi come input: irraggiamento solare, temperatura dell'aria, umidità, ossidi di azoto e particelle grossolane nell'aria. Tutti sono stati misurati in una stazione di monitoraggio vicina che registra sia il meteo sia la qualità dell'aria. L'obiettivo era stimare la concentrazione media giornaliera di biossido di azoto a partire da queste misure. Prima di addestrare i modelli, il team ha pulito i dati eliminando i giorni con letture mancanti e filtrando guasti estremi dei sensori. Hanno poi ridimensionato tutti i valori su una scala comune e controllato le serie per salti improvvisi o derive a lungo termine che avrebbero potuto confondere gli algoritmi di apprendimento.

Un nuovo modo di gestire segnali reali, rumorosi

I modelli statistici tradizionali trattano le relazioni nei dati come in gran parte lineari e possono faticare quando i pattern sono ondulati, irregolari o cambiano nel tempo. Le reti neurali standard sono più flessibili ma possono overfittare o dare scarsa spiegabilità sul processo decisionale. Gli autori hanno costruito un sistema ibrido che mescola reti neurali con logica fuzzy, un metodo che lavora con sfumature di grigio piuttosto che risposte sì/no. La loro innovazione è stata permettere al sistema di esprimere non solo quanto fortemente un input appartenga a una categoria come basso o alto, ma anche la sua incertezza e esitazione. Usando curve a campana accoppiate e una regola di fusione speciale, il modello può rappresentare casi ambivalenti dove i dati sono rumorosi o conflittuali, situazione comune nelle misure dell'aria aperta.

Come apprende il sistema intelligente

Il nuovo modello si basa su un insieme di regole in stile if-then, ad esempio poca luce solare e alti livelli di particolato possono suggerire un biossido di azoto più elevato. Dietro le quinte, combina centinaia di tali regole, ciascuna con intensità variabili in modo continuo invece che con confini rigidi. Per sintonizzare questa complessa base di regole, il team ha usato l'ottimizzazione a sciame di particelle, un metodo che tratta ogni soluzione candidata come una particella che si muove nello spazio e spinge lo sciame verso prestazioni migliori. Questa fase di ricerca regola come sono posizionate le categorie fuzzy e quanto è importante ciascuna regola. Un successivo passaggio di rifinitura basato sull'apprendimento per gradiente poi perfeziona l'adattamento. L'accuratezza del modello è stata verificata con misure di errore standard e confrontata con diversi solidi baseline, incluse reti neurali classiche, reti LSTM e sistemi fuzzy precedenti.

Cosa hanno trovato i ricercatori

Su dati di test non visti, il nuovo sistema ha prodotto l'errore medio più basso e il più alto accordo con i livelli osservati di biossido di azoto tra i modelli studiati. Ha catturato oscillazioni giornaliere e picchi d'inquinamento meglio di altri approcci fuzzy e di un modello di deep learning sequenziale, e ha mostrato prestazioni simili a una rete neurale standard ben ottimizzata pur rimanendo più trasparente. I test statistici hanno mostrato che i miglioramenti rispetto alla maggior parte dei rivali erano improbabili dovuti al caso. Gli autori sostengono che il modo più ricco con cui il loro modello gestisce l'incertezza lo aiuta a fronteggiare pattern non lisci e mutevoli nelle serie di qualità dell'aria.

Cosa significa per i cittadini urbani

Per le persone che vivono vicino a impianti energetici basati sui rifiuti, lo studio mostra come strumenti di nowcasting più intelligenti possano offrire un quadro più chiaro dell'aria che respirano oggi. Il metodo proposto non elimina l'inquinamento, ma può permettere alle agenzie cittadine di individuare i giorni a rischio in modo più affidabile e di pianificare risposte come allerte o cambi operativi. Poiché l'approccio è flessibile, potrebbe essere adattato ad altri quartieri, inquinanti o orizzonti di previsione in lavori futuri. In termini semplici, la ricerca offre un termometro della qualità dell'aria più sfumato che riconosce l'incertezza pur fornendo indicazioni pratiche per gestire il biossido di azoto in contesti urbani affollati.

Citazione: Turgut, A., Seker, S. A novel nowcasting (estimation) model based on an adaptive network neutrosophic hesitant fuzzy inference system (ANNHFIS): a case study of Istanbul. Sci Rep 16, 14855 (2026). https://doi.org/10.1038/s41598-026-45618-7

Parole chiave: inquinamento atmosferico, biossido di azoto, impianti a biomassa, modellazione della qualità dell'aria, apprendimento automatico