Inquinamento da PM10: condizioni critiche e tipi di tempo

Gli episodi acuti di inquinamento da PM10 si verificano prevalentemente nel semestre freddo, quando, alla presenza di sorgenti locali, si associano condizioni meteo favorevoli all’accumulo delle sostanze emesse nei bassi strati dell’atmosfera. In sintesi, possiamo identificare tali condizioni con la presenza di una forte stabilità verticale ed un regime circolatorio molto debole, condizioni connesse con uno spessore molto limitato dello strato di rimescolamento, generalmente in presenza di configurazioni bariche di alta pressione. Ulteriori fattori possono acuire gli effetti di tali condizioni, tra esse la forte escursione termica giorno notte, dovuta al raffreddamento radiativo notturno concomitante con scarsa copertura nuvolosa, a cui corrisponde inoltre l’assenza di eventi di precipitazione con effetti dilavanti. Meccanismi di blocco possono indurre la persistenza per diversi giorni delle condizioni critiche, con una graduale crescita della severità dei fenomeni a cui si possono aggiungere effetti di amplificazione legati all’orografia locale, come in corrispondenza di valli o pianure. Da ciò segue l’interesse per un’analisi di correlazione degli episodi acuti di inquinamento da PM10 con le configurazioni meteorologiche più ricorrenti nell’area ‘interesse. A tal fine, nel presente lavoro, si è utilizzata una metodica implementata presso il Consorzio LaMMA per l’individuazione e la classificazione dei “tipi di tempo” (https://www.lamma.toscana.it/clima-e-energia/climatologia/tipi-di-circolazione-eobs) e già utilizzata in altri ambiti applicativi. Si riportano qui alcuni risultati dello studio preliminare, svolto applicando tale metodica all’analisi delle serie storiche di dati di concentrazione del PM10 rilevati, nel quinquennio 2018- 2022, in alcune stazioni poste in aree vallive fortemente antropizzate. Tali stazioni fanno parte della Rete Regionale Toscana di monitoraggio della qualità dell’aria gestita da ARPAT (https://www.arpat.toscana.it/temi-ambientali/aria/qualita-aria), e sono state selezionate per lo studio perché rappresentano le aree regionali più critiche per l’inquinamento da PM10. Ulteriori sviluppi del presente studio potrebbero emergere dall’integrazione di approcci basati sulla teoria della probabilità con tecniche di Machine Learning (ML), in modo da individuare schemi di correlazione attendibili ed applicabili in contesto operativo, grazie al rigore della prima ed all’efficienza computazionale delle tecniche di ML.