L'integrazione di fonti eterogenee di dati rappresenta una delle sfide piu? interessanti nella gestione di aree vaste, come quelle interessate da fenomeni di soil degradation quali la contaminazione. Attraverso l'analisi integrata di big data e? possibile inferire informazioni, partendo da misure puntuali di diversi parametri ambientali, per definire strategie di gestione del territorio. Nell'ambito delle attivita? svolte dal CNR-IRSA con il Commissario Straordinario per gli interventi urgenti di bonifica, ambientalizzazione e riqualificazione di Taranto e? stata proposta una metodologia per la discretizzazione di zone a diverso livello compromissione della matrice suolo. A tal fine e? stato utilizzato un geodatabase, relativo a 268 punti di prelievo dell'Area di Crisi Ambientale di Taranto (564 km2). I campioni di suolo sono stati analizzati mediante analisi chimiche, spettroradiometriche e biomolecolari al fine di individuare possibili omogeneita? di contaminazione. Attraverso una cluster analysis gerarchica e dall'analisi del conseguente dendrogramma e? stato possibile individuare il numero ottimale di clusters, che e? risultato essere uguale a 3. Individuato il numero di clusters soggiacente alla matrice dei dati sono stati applicati due metodi di clustering (k- means; clustering gerarchico). L'analisi multivariata e? stata effettuata su diversi sub-set di dati, analizzando i contaminanti per classi: composti organici e inorganici (metalli pesanti). Dall'interpretazione dei clusters e? stato possibile definire un livello di attenzionabilita? dei punti di campionamento ed importando in un GIS i valori puntuali e? stata suddivisa l'intera area ripartendola in sub-aree di "presunta omogeneita?" mediante "poligoni di Voronoi". I risultati ottenuti esprimono un elevato livello di coerenza interna dei dati, evidente anche rispetto ai soli risultati chimici. Pertanto, i dati spettroradiometrici e biomolecolari, si confermano essere funzionali all'implementazione di metodologie per una rapida individuazione dei livelli di degrado del suolo. La proposta metodologica e? risultata essere utile per individuare zone con diverse priorita? di intervento e potrebbe essere integrata anche con ulteriori tipologie di dati. Partendo dal modello proposto, infatti, si potrebbe implementare, mediante tecniche di machine learning, un "Sistema Esperto" capace di discretizzare l'area di interesse considerando analisi multilivello fornendo degli "alert" rispetto alle variabili considerate.
Utilizzo di tecniche di analisi multivariata per la definizione ed il monitoraggio di zone interessate da fenomeni di degrado del suolo nell'Area di Crisi Ambientale Taranto
C Massarelli;VF Uricchio;
2020
Abstract
L'integrazione di fonti eterogenee di dati rappresenta una delle sfide piu? interessanti nella gestione di aree vaste, come quelle interessate da fenomeni di soil degradation quali la contaminazione. Attraverso l'analisi integrata di big data e? possibile inferire informazioni, partendo da misure puntuali di diversi parametri ambientali, per definire strategie di gestione del territorio. Nell'ambito delle attivita? svolte dal CNR-IRSA con il Commissario Straordinario per gli interventi urgenti di bonifica, ambientalizzazione e riqualificazione di Taranto e? stata proposta una metodologia per la discretizzazione di zone a diverso livello compromissione della matrice suolo. A tal fine e? stato utilizzato un geodatabase, relativo a 268 punti di prelievo dell'Area di Crisi Ambientale di Taranto (564 km2). I campioni di suolo sono stati analizzati mediante analisi chimiche, spettroradiometriche e biomolecolari al fine di individuare possibili omogeneita? di contaminazione. Attraverso una cluster analysis gerarchica e dall'analisi del conseguente dendrogramma e? stato possibile individuare il numero ottimale di clusters, che e? risultato essere uguale a 3. Individuato il numero di clusters soggiacente alla matrice dei dati sono stati applicati due metodi di clustering (k- means; clustering gerarchico). L'analisi multivariata e? stata effettuata su diversi sub-set di dati, analizzando i contaminanti per classi: composti organici e inorganici (metalli pesanti). Dall'interpretazione dei clusters e? stato possibile definire un livello di attenzionabilita? dei punti di campionamento ed importando in un GIS i valori puntuali e? stata suddivisa l'intera area ripartendola in sub-aree di "presunta omogeneita?" mediante "poligoni di Voronoi". I risultati ottenuti esprimono un elevato livello di coerenza interna dei dati, evidente anche rispetto ai soli risultati chimici. Pertanto, i dati spettroradiometrici e biomolecolari, si confermano essere funzionali all'implementazione di metodologie per una rapida individuazione dei livelli di degrado del suolo. La proposta metodologica e? risultata essere utile per individuare zone con diverse priorita? di intervento e potrebbe essere integrata anche con ulteriori tipologie di dati. Partendo dal modello proposto, infatti, si potrebbe implementare, mediante tecniche di machine learning, un "Sistema Esperto" capace di discretizzare l'area di interesse considerando analisi multilivello fornendo degli "alert" rispetto alle variabili considerate.I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
