Oltre la modellazione spaziotemporale: una rassegna sulle applicazioni del machine learning all’inquinamento atmosferico legato al traffico con focus sulle emissioni non di scarico

Perché la polvere del traffico conta ancora

Molte città stanno riducendo le emissioni di scarico, eppure il traffico resta una fonte importante di inquinamento atmosferico dannoso. Questo articolo di rassegna spiega come i moderni metodi informatici, noti come machine learning, vengono impiegati per tracciare e comprendere meglio l’inquinamento legato al traffico, in particolare le piccole particelle originate dall’usura di freni, pneumatici e del manto stradale piuttosto che dallo scarico. Queste conoscenze possono aiutare urbanisti e responsabili della salute pubblica a progettare politiche più intelligenti per proteggere chi vive, lavora e frequenta le zone vicine alle strade trafficate.

Dai fumi di scarico all’usura invisibile della strada

L’inquinamento atmosferico legato al traffico comprende sia gas che particolato. Per anni l’attenzione si è concentrata principalmente sui gas di scarico derivati dalla combustione, come gli ossidi di azoto e le particelle fini che danneggiano polmoni e cuore. Regolamentazioni e motori più puliti hanno progressivamente ridotto queste emissioni da scarico. Tuttavia, le particelle dovute all’usura di freni, pneumatici, abrasione della superficie stradale e al sollevamento di polvere stanno ora costituendo una quota crescente di ciò che respiriamo vicino alle strade. Queste fonti non di scarico sono più difficili da misurare e controllare, eppure trasportano metalli e altre sostanze associate ad asma, malattie cardiovascolari e, possibilmente, a condizioni come l’autismo infantile e il morbo di Parkinson.

Insegnare ai computer a mappare l’aria sporca

Poiché è impossibile collocare sensori dell’aria in ogni angolo della città, i ricercatori usano il machine learning per colmare le lacune. Alimentando i modelli con informazioni su livelli di traffico, uso del suolo, condizioni meteorologiche e misure provenienti da sensori fissi e mobili, è possibile creare mappe dettagliate di inquinanti quali particelle fini, metalli e gas del traffico nell’intera città. Metodi basati su alberi decisionali e deep learning catturano spesso pattern complessi in questi dati, mentre metodi più recenti basati su grafi considerano i siti di monitoraggio e le strade come una rete connessa. Queste tecniche aiutano a rivelare quando e dove le persone sono maggiormente esposte, ma devono fare i conti con dati frammentari, input inconsistenti e la difficoltà di far funzionare modelli addestrati in una città anche in un’altra.

Capire cosa conta davvero sulla strada

Oltre alla mappatura, il machine learning può evidenziare quali fattori influenzano più fortemente i livelli di inquinamento. Analizzando come cambiano le previsioni dei modelli quando input come comportamento di guida, tipo di veicolo, intensità delle frenate o condizioni meteorologiche variano, i ricercatori possono dedurre quali fenomeni meritano maggiore attenzione. Gli studi suggeriscono, ad esempio, che frenate brusche, veicoli più vecchi e certi materiali delle pastiglie dei freni aumentano le emissioni di particolato fine. Tuttavia, queste graduatorie di importanza non dimostrano causalità e possono essere distorte da legami nascosti tra le variabili. Gli autori sottolineano che tali risultati devono essere verificati con la comprensione fisica e testati in città diverse prima di orientare le politiche.

Focalizzarsi su particelle da freni e pneumatici

Alcuni dei lavori più innovativi impiegano il machine learning per separare e classificare particelle individuali provenienti da polvere stradale e campioni d’aria. Microscopi potenti e sensori chimici producono enormi dataset di immagini e composizione per migliaia di particelle. Gli algoritmi imparano poi a distinguere usura da pneumatici, usura da freni, minerali della strada e altri tipi di particelle che sarebbe noioso e soggetto a errori classificare manualmente. Studi di laboratorio su sistemi di freni e pneumatici usano modelli analoghi per collegare scelte progettuali, come il contenuto metallico delle pastiglie o i modelli di frenata, alla quantità di materia particolata rilasciata. Questi metodi stanno cominciando a separare l’inquinamento non di scarico da altre sorgenti, aprendo la strada a test più mirati di tossicità e a materiali più puliti.

Rintracciare da dove proviene l’inquinamento

Conoscere quanta parte dell’inquinamento proviene da ciascuna fonte è cruciale per una regolamentazione efficace. Gli strumenti statistici tradizionali stimano quanto delle particelle misurate possa essere ricondotto al traffico, all’industria o ad altri contributori. Il machine learning offre ora nuovi modi per raggruppare campioni con impronte chimiche simili e per classificare le probabili sorgenti utilizzando proprietà come il comportamento magnetico. Lavori preliminari suggeriscono che questi strumenti possono eguagliare o integrare i metodi tradizionali gestendo dati più complessi, sebbene dipendano ancora da un’attenta interpretazione esperta per evitare errate attribuzioni delle sorgenti.

Cosa significa per l’aria cittadina e la salute

Complessivamente, la rassegna conclude che il machine learning è diventato un partner potente per lo studio dell’inquinamento atmosferico legato al traffico, in particolare del problema crescente delle emissioni non di scarico. Aiuta a costruire mappe di esposizione più dettagliate, a rivelare pattern nella guida e nel design dei veicoli che aumentano o riducono le emissioni e a districare il mix di particelle che si muove lungo le nostre strade. Allo stesso tempo, dati limitati, scelte di modellazione poco chiare e scarsa trasferibilità tra contesti restano ostacoli significativi. Gli autori sostengono che il progresso dipenderà da sensori migliori, dataset condivisi e metodi che combinino competenza umana con algoritmi trasparenti. Insieme, questi passi possono sostenere politiche che riducono le particelle nocive provenienti dal traffico e aiutano a proteggere la salute pubblica in città sempre più motorizzate.

Citazione: Ho, N., Dhayade, S., Zhang, Y. et al. Beyond spatiotemporal modeling: a review of applications of machine learning for traffic-related air pollution toward non-exhaust emissions. npj Clean Air 2, 33 (2026). https://doi.org/10.1038/s44407-026-00078-1

Parole chiave: inquinamento atmosferico da traffico, emissioni non di scarico, machine learning, usura di freni e pneumatici, qualità dell’aria urbana