Development of a deep learning methodology for pollution dispersion problem in urban environments

Air pollution in urban environments poses significant public health risks, necessitating effective forecasting and monitoring systems. This thesis explores the application of convolutional neural networks (CNNs) for predicting pollutant dispersion in urban areas, leveraging the SIRANE model to generate high-resolution data for training and validation. The study first examines a simplified single street scenario to assess the performance of standard and modified U-Net architectures in predicting pollutant dispersion patterns. Key findings indicate that while both architectures can capture the overall dispersion patterns, the standard convolutional network U-Net demonstrates superior accuracy and stability. In the second phase, the networks are tested on a complex urban scenario using real-world data from Lyon. Results reveal that both models struggle to accurately predict pollutant concentrations, highlighting the need for more refined input variable selection and model adjustments. This work underscores the potential of integrating deep learning techniques with established numerical models for urban air quality forecasting, while also pointing out current limitations and areas for future research.

È ormai innegabile che l'inquinamento atmosferico nelle aree urbane rappresenti un pericolo significativo per la salute pubblica, essendo una delle principali cause di problemi respiratori e cardiovascolari legati alle condizioni ambientali. È necessario quindi aumentare la consapevolezza generale sulla qualità dell'aria al fine di adottare le contromisure necessarie a creare ambienti più salubri, soprattutto in quelle regioni più densamente popolate. Tuttavia, il controllo della qualità dell'aria è influenzato da fenomeni che si estendono su varie scale e, ad oggi, non esistono modelli funzionanti che possano produrre risultati ad alta risoluzione senza sacrificare l’estensione dell’area considerata. Ciò deriva dal fatto che cambiare la scala analizzata, influisce sull'impatto che i diversi meccanismi di trasporto hanno sui modelli di dispersione. Questa tesi esplora l'applicazione delle reti neurali convoluzionali (CNN) per la previsione della dispersione degli inquinanti nelle aree urbane, sfruttando il modello SIRANE per generare dati ad alta risoluzione per il training del modello e la validazione dei risultati. Lo studio considera innanzitutto il caso di una singola strada. Due reti convoluzionali basate sulla struttura delle U-Net (Standard U-Net, Modified U-Net) sono confrontate al fine di valutarne le prestazioni. I risultati indicano che, sebbene entrambe le architetture siano in grado di catturare i modelli di dispersione complessivi, la rete Standard U-Net dimostra un'accuratezza e una stabilità superiori. Nella seconda fase, le reti sono state testate su uno scenario urbano più complesso utilizzando dei dati reali ottenuti nella città di Lione. I risultati rivelano che entrambi i modelli faticano a prevedere con precisione le concentrazioni di un inquinante non reattivo, evidenziando la necessità di una selezione più raffinata delle variabili di input ed eventualmente un aumento delle dimensioni del dataset. Questo lavoro sottolinea il potenziale dell'integrazione di tecniche di deep learning con modelli numerici consolidati per la previsione della qualità dell'aria specialmente in ambiente urbano, evidenziando al contempo i limiti attuali e possibili aree di ricerca future.