Spatial interpolation for high resolution pollution mapping : a case study in Milan, Italy

This work addresses the issue of evaluating selected spatial interpolation meth- ods for the production of high resolution air pollutant concentration maps. Three different deterministic techniques have been tested using PM2.5 con- centration data from a network of local measuring stations, installed by the start-up company Wiseair in Milan, Italy. A simple method, Inverse Distance Weighting (IDW), based on the relative distance between observations, has been used as reference for comparison with regression-based spatialization tech- niques. With an automated GIS procedure, a series of proxy variables related to the local pollutant emission, dispersion and deposition mechanisms have been derived and they have been used to parametrize a global Linear Regression (LR) and local Geographically Weighted Regression (GWR). Different combi- nations of explanatory variables have been tested at 50 m and 100 m resolu- tion. The concentration maps obtained have been validated by calculating the estimation errors with relative error metrics (MAE, RMSE and MAPE) and by calculating the determination coefficient R2, as well as its correction R2adj to ac- count for the size of the sample. LR and GWR result to be superior spatial interpolation methods with respect to IDW, as they use physically meaning- ful variables instead of relying solely on the relative distances. LR has shown great capability of revealing the urban morphology and the local modifications on pollutant concentrations due to the local urban phenomena. However, it suffers from the fact that predictors might show collinearity and, when the observation sample is limited, this can result in low accuracy and physically insignificant parametrizations. GWR has great potential due to the relaxation of the assumption of spatial stationarity that is embedded in the other tech- niques and it shows capability of retrieving location-specific parametrizations that have low estimation errors and greater R2 thanks to the local characteriza- tion. However, the sample used is not numerous enough to be able to compute estimations over the whole domain of Milan and the PM2.5 concentration maps from GWR show smooth surfaces that do not reveal the urban texture.

Questo studio si prepone di valutare metodi di interpolazione spaziale per produrre mappe ad alta risoluzione della concentrazione di inquinanti atmosferici. Sono state testate tre diverse tecniche deterministiche, utilizzando dati di concentrazione di PM2.5 provenienti da una rete di stazioni di misura installate dalla start-up Wiseair a Milano. Inverse Distance Weighting (IDW), basato solamente sulla distanza fra le osservazioni, è stato usato come riferimento per il confronto con tecniche di interpolazioni basate sulla regressione lineare. Con una procedura GIS automatizzata, sono state derivate una serie di variabili proxy relative ai meccanismi locali di emissione, dispersione e deposizione degli inquinanti e questo sono state utilizzate per parametrizzare una regressione lineare (LR) di tipo globale e una regressione lineare pesata geograficamente (GWR) di tipo locale. Sono state testate diverse combinazioni di variabili esplicative a 50 m e 100 m di risoluzione. Le mappe di concentrazione ottenute sono state convalidate calcolando gli errori di stima con metriche di errore (MAE, RMSE e MAPE) e calcolando il coefficiente di determinazione R2, nonché la sua correzione R2adj per tenere conto della dimensione del campione. LR e GWR risultano essere metodi di interpolazione spaziale superiori rispetto all'IDW, in quanto utilizzano variabili di significato fisico invece di basarsi esclusivamente sulle distanze relative. LR ha dimostrato una grande capacità di far trasparire la morfologia urbana e di evidenziare le modifiche locali delle concentrazioni dovute ai fenomeni urbani locali. Tuttavia, ha il difetto che le variabili spaziali possano essere affette da collinearità e, quando il campione di osservazione è poco numeroso, questo può risultare in precisione limitata e in parametrizzazioni fisicamente insignificanti. GWR ha grande potenziale dovuto al rilassamento dell'assunzione di stazionarietà spaziale che è incorporata nelle altre tecniche e mostra la capacità di produrre parametrizzazioni specifiche per ogni zona, che hanno bassi errori di stima e maggiore R2 grazie alla loro natura locale. Tuttavia, il campione utilizzato non è abbastanza numeroso da poter calcolare stime su tutto il dominio di Milano e le mappe di concentrazione PM2.5 ottenute con GWR mostrano superfici smussate che non rivelano la trama urbana.