Air quality monitoring and prediction in Ukraine during war crisis using satellite imagery and artificial intelligence

Air quality assessment is an important task, due to the adverse effects of air pollution on human health. This importance is more highlighted when it comes to exceptional events such as war. Early 2022 witnessed the start of a military conflict between Ukraine and Russia. As with any similar event, this war influences the environment from different aspects. The objective of this thesis is to assess and predict war-affected air quality in Ukraine, for which, the project draws on two phases: (i) Phase 1 deals with air quality monitoring (AQM) using Sentinel-5P imagery and google earth engine. The monthly emission of four gaseous pollutants including ozone (O3), nitrogen dioxide (NO2), formaldehyde (HCHO), and carbon monoxide (CO) in 2022 is compared to 2019 and 2021 as business-as-usual (BAU) period. The focus of this evaluation is on five major cities, namely Kiev, Kharkiv, Donetsk, Kherson, and Lviv. According to the results, the general trend of the O3 concentration is found to be increasing, whereas NO2, HCHO, and CO follow mostly a decreasing trend. However, the records of Lviv in terms of NO2 and HCHO indicate significant discrepancies with others cities that are deemed war fronts. Moreover, based on the applied t-test, the differences between the emission in 2022 vs. BAU years in most cases are statistically significant. All in all, this phase revealed evident effects of the ongoing war on the anthropogenic activities in Ukraine, and consequently, changes in air pollution. (ii) Phase 2 employs a novel optimized machine learning model for predicting war-affected air pollution in Kiev. In so doing, a well-known machine learning model, namely multi-layer perceptron neural network (MLPNN) is coupled with electromagnetic field optimization (EFO) algorithm to predict the daily concentration of particulate matter 2.5 (PM2.5). Initially, a dataset is prepared by collecting seven meteorological factors (humidity (H), temperature (T), dew point (DP), wind speed (WSp), wind direction (WD), solar irradiance (SI), sea level pressure (SLP)), three atmospheric factors (the concentration of O3, NO2, and CO), and one temporal factor (day number (DN)) from different resources. Next, principal component analysis (PCA) is used to determine the most contributive factors, and based on the results, a reduced dataset is created composed of H, T, O3, CO, SI, and DN. Four scenarios are defined by considering the reduced/original dataset, along with, predicting the current day/one-day-ahead PM2.5. A sensitivity analysis revealed that the most accurate results are achieved for predicting one-day-ahead PM2.5 using the reduced dataset. After adjusting the configurations of both MLPNN and EFO, the EFO-MLPNN hybrid is created and its performance is compared to classical MLPNN and another machine learning model called adaptive neuro-fuzzy inference system (ANFIS). According to the prediction results, the EFO-MLPNN with root mean square error (RMSE) 6.68 µg m-3 and Pearson correlation coefficient (RP) 0.82 outperformed both MLPNN (RMSE = 7.51 µg m-3 and RP = 0.79) and ANFIS (RMSE = 7.98 µg m-3 and RP = 0.73). These findings infer that optimizing the MLPNN by EFO improves prediction accuracy. Hence, the proposed hybrid model is recommended for more practical air quality estimations. Lastly, a monolithic neural-based formula is extracted from the EFO-MLPNN hybrid for the explicit prediction of PM2.5. Notwithstanding a few limitations, this project demonstrates the applicability of Sentinel-5P imagery and machine learning for reliable air quality assessment during the war.

La valutazione della qualità dell'aria è importante a causa degli effetti negativi dell'inquinamento atmosferico sulla salute umana. Questa rilevanza è maggiormente evidenziata quando si tratta di eventi eccezionali come quelli bellici. L'inizio del 2022 ha visto lo scoppio di un conflitto militare tra Ucraina e Russia. Come per qualsiasi evento di questo tipo, questa guerra sta avendo influenza sull’ambiente. L'obiettivo di questa tesi è valutare e prevedere la qualità dell'aria a seguito della guerra in Ucraina. La ricerca si è sviluppata in due fasi: (i) La Fase 1 si occupa del monitoraggio della qualità dell'aria (AQM) utilizzando le immagini Sentinel-5P e la piattaforma Google Earth Engine (GEE). L'emissione mensile di quattro inquinanti gassosi tra cui ozono (O3), biossido di azoto (NO2), formaldeide (HCHO) e monossido di carbonio (CO) nel 2022 viene confrontata con il 2019 e il 2021 come periodo “normale”. Il focus di questa valutazione è su cinque grandi città: Kiev, Kharkiv, Donetsk, Kherson e Lviv. Secondo i risultati, la tendenza generale della concentrazione di O3 risulta essere crescente, mentre NO2, HCHO e CO presentano sostanzialmente una tendenza decrescente. Tuttavia, i dati relativi alla città di Lviv in termini di NO2 e HCHO indicano discrepanze significative con altre città colpite più direttamente dagli eventi bellici. Inoltre, sulla base del test t di Student applicato, le differenze tra l'emissione nel 2022 e gli anni "normali” nella maggior parte dei casi sono statisticamente significative. Tutto sommato, questa fase ha rivelato evidenti effetti della guerra in corso sulle attività antropiche in Ucraina e, di conseguenza, cambiamenti nell'inquinamento atmosferico. (ii) La Fase 2 utilizza un nuovo modello di apprendimento automatico ottimizzato per prevedere l'inquinamento atmosferico causato dalla guerra nella città di Kiev. In tal modo, un noto modello di apprendimento automatico vale a dire la rete neurale MLPNN è accoppiato con l'algoritmo di ottimizzazione del campo elettromagnetico (EFO) per prevedere la concentrazione giornaliera di particolato 2.5 (PM2.5). Inizialmente, viene predisposto un set di dati raccogliendo sette fattori meteorologici (umidità (H), temperatura (T), punto di rugiada (DP), velocità del vento (WSp), direzione del vento (WD), irradianza solare (SI), pressione al livello del mare (SLP)), tre fattori atmosferici (la concentrazione di O3, NO2 e CO) e un fattore temporale (numero del giorno (DN)). Successivamente, l'analisi delle componenti principali viene utilizzata per determinare i fattori di maggiore contributo e, sulla base ai risultati, viene creato un set di dati ridotto composto da H, T, O3, CO, SI e DN. Vengono definiti quattro scenari considerando il set di dati ridotto/originale, insieme alla previsione del giorno corrente sulla base della concentrazione PM2.5 del giorno precedente. Un'analisi di sensibilità ha rivelato che i risultati più accurati si ottengono per prevedere il PM2.5 con un giorno di anticipo utilizzando il set di dati ridotto. Dopo aver regolato le configurazioni sia di MLPNN che di EFO, viene creato l'ibrido EFO-MLPNN e le sue prestazioni vengono confrontate con il classico MLPNN e un altro modello di apprendimento automatico chiamato sistema adattivo di inferenza neuro-fuzzy (ANFIS). Secondo i risultati della previsione, l'EFO-MLPNN con errore quadratico medio (RMSE) 6,68 µg m-3 e coefficiente di correlazione di Pearson (RP) 0,82 ha superato sia MLPNN (RMSE = 7,51 µg m-3 e RP = 0,79) che ANFIS (RMSE = 7,98 µg m-3 e RP = 0,73). Questi risultati deducono che l'ottimizzazione dell'MLPNN da parte di EFO migliora l'accuratezza della previsione. Pertanto, il modello ibrido proposto è raccomandato per stime più pratiche della qualità dell'aria. Infine, dall'ibrido EFO-MLPNN viene estratta una formula monolitica su base neurale per la previsione esplicita del PM2.5. Nonostante alcune limitazioni, questo progetto dimostra l'applicabilità delle immagini Sentinel-5P e dell'apprendimento automatico per una valutazione affidabile della qualità dell'aria durante un evento bellico.