Caratterizzazione dello strato limite atmosferico mediante combinazione ottimale di dati da rete di smart-sensors e da modellistica ad alta risoluzione

La caratterizzazione ad elevato dettaglio spazio-temporale dello strato limite atmosferico risulta indispensabile per la corretta valutazione delle dinamiche che in esso si realizzano, a partire dai regimi termici e di circolazione locale, sino ai flussi ed ai molteplici aspetti di qualità dell’aria. Le risorse disponibili a tal fine sono da un lato la strumentazione osservativa e dall’altro la modellistica numerica, che presentano punti di forza e limitazioni in buona misura complementari. La combinazione ottimale dei dati di entrambe le tipologie ha la potenzialità di realizzare sinergie tra i reciproci punti di forza, compensando e minimizzando le rispettive limitazioni, consentendo la generazione di dataset di elevata qualità ed affidabilità. In questo contesto, è stato svolto uno studio preliminare combinando i dati raccolti da una innovativa rete di smartsensors (Sensors 2018, 18, 2843; doi:10.3390/s18092843) con le stime prodotte da un modello alla mesoscala. La rete di monitoraggio è costituita da un elevato numero di stazioni di rilevazione di dati meteorologici e di qualità dell’aria distribuite su tutto il territorio nazionale italiano (www.airqino.it) e da alcune torri di misura urbane dei flussi di CO2 (Eddy-Covariance). La rete integra rilevazioni dei principali inquinanti atmosferici (CO, O3, NO2, PM2.5, PM10) a misure di concentrazione di gas serra (CO2) oltre a rilevazioni micrometeorologiche (Temperatura e umidità dell’aria), coprendo vari comuni del territorio nazionale (360 punti di monitoraggio totali). Per quanto riguarda la modellistica atmosferica si utilizza una implementazione ad elevata risoluzione del modello WRF, configurato su un dominio di calcolo che copre l’intero territorio nazionale. L’integrazione ottimale delle due tipologie di dati offre una descrizione molto dettagliata delle dinamiche rilevanti nello strato limite atmosferico delle aree di interesse studiate. Le già rilevanti potenzialità applicative dell’approccio proposto, potrebbero essere ulteriormente potenziate dall’adozione sistematica di opportune tecniche di Machine Learning, che hanno dimostrato negli anni recenti una crescita ingente e molto rapida