Bayesian spatio-temporal modeling of air pollution data in the Po valley via INLA method

The focus of this thesis is on air pollution, specifically regarding the concentration of particulate matter. Data consist of time series for PM10 concentrations collected in 2018 from various monitoring stations located across Lombardia and Emilia-Romagna, two Italian regions in the Po Valley. We employed a Bayesian hierarchical approach to analyze the data and used the extit{INLA} method and its corresponding R package. Due to the availability of meteorological information only for Lombardia, we carried out separate analyses for the two regions. The Regional Associations for Environmental Protection (ARPA) provided all the data used in this study. We begin by discussing the theoretical background of spatio-temporal analysis, including stochastic processes in geostatistics and Bayesian hierarchical modeling. We then provide an overview of the Stochastic Partial Differential Equations (SPDE) approach, used by the software extit{INLA} for spatio-temporal models. Finally, we describe the algorithm implemented in extit{INLA} package for posterior Bayesian inference. Finally, we present the results of our analysis using various additive regression models to explain the PM10 concentration as the response variable. We identified significant regressors and observed that meteorological conditions play a role in air pollution in Lombardia. However, despite our attempts, we have been unable to predict the future evolution of PM10 concentration in monitoring stations.

Il focus di questa tesi riguarda la problematica dell'inquinamento atmosferico, segnatamente la concentrazione di particolato. La ricerca è stata condotta utilizzando un dataset costituito da serie temporali di osservazioni delle concentrazioni di PM10 raccolte nel 2018 in varie stazioni di monitoraggio situate in Lombardia ed Emilia-Romagna, due regioni italiane nella valle del Po. Per analizzare i dati, abbiamo utilizzato un approccio gerarchico bayesiano e il metodo extit{INLA} con il relativo pacchetto R. Sono state presentate due analisi separate a causa della disponibilità di informazioni meteorologiche solo per la Lombardia. Tutti i dati utilizzati in questo studio sono stati forniti dalle Associazioni Regionali per la Protezione dell'Ambiente (ARPA). Iniziamo discutendo il background teorico dell'analisi spazio-temporale, in particolare i processi stocastici nell'ambito della geostatistica e la modellizzazione gerarchica Bayesiana. Forniamo quindi una panoramica dell'approccio ad Equazioni Differenziali Stocastiche a Derivate Parziali (SPDE), utilizzato nel software extit{INLA} per i modelli spazio-temporali. Infine, descriviamo l'algoritmo implementato nel pacchetto extit{INLA} per l'inferenza bayesiana a posteriori. Infine, presentiamo i risultati della nostra analisi utilizzando vari modelli di regressione additivi per spiegare la concentrazione di PM10 come variabile di risposta. Abbiamo identificato regressori significativi e osservato che le variabili meteorologiche hanno un impatto sull'inquinamento atmosferico in Lombardia. ioneTuttavia, non siamo stati in grado di prevedere l'evoluz futura della concentrazione di PM10 nelle stazioni di monitoraggio nonostante i nostri sforzi.