Development of a framework to enhance BVOC imaging

Air pollution remains a major global challenge, particularly in urban areas where high pollutant concentrations negatively impact public health and contribute to climate change. Among the various pollutants, biogenic volatile organic compounds (BVOCs) play a critical role in atmospheric chemistry, influencing the formation of secondary organic aerosols and ground-level ozone, affecting air quality and climate dynamics. Accurately estimating BVOC emissions at high spatial resolution is challenging due to the limitations of satellite observations and computational models. Additionally, forecasting nitrogen dioxide (NO2) concentrations in urban environments is vital for effective air quality management, yet existing models often struggle to capture complex spatiotemporal dependencies. The thesis aims to address these challenges by proposing novel deep learning (DL) frameworks to tackle two key tasks: (i) improving the spatial resolution of BVOC emission maps through super-resolution (SR) techniques and (ii) developing a robust model for forecasting NO2 concentrations in urban environments using graph neural networks (GNNs). The first part focuses on SR, a task to generate high-resolution (HR) outputs from low-resolution (LR) inputs. In the context of BVOC emissions, we leverage state-of-the-art neural networks to enhance the spatial detail of numerically simulated and satellite-derived emission maps. Both single-image and multi-image SR (SISR and MISR) tasks are addressed. The MISR model further exploits the interconnections between different BVOC species, allowing for better spatial accuracy by learning shared patterns across multiple emission maps. Additionally, a data transformation strategy is proposed to preprocess the input data, improving the robustness of the SR model. To address the issue of data scarcity, domain adaptation (DA) techniques based on generative adversarial networks (GANs) are employed to bridge the gap between simulated and real-world data. We propose to adapt satellite-derived and numerically simulated emissions by leveraging an unpaired image-to-image translation framework based on CycleGAN. The essential advantage of this approach is that it enables the SR model, initially trained on simulated data, to be applied to satellite observations, which are often of lower resolution and exhibit domain shifts in spatial and dynamic patterns. In this way, the model learns to transfer knowledge from simulations to satellite data, allowing for the generation of HR emission maps while maintaining robustness against domain discrepancies. The second part of the thesis addresses the problem of forecasting NO2 concentrations in urban areas. Using a GNN-based approach, we automatically learn the spatial relationships between air quality monitoring stations, capturing the spread of pollution across the city. The proposed model further incorporates historical data and future covariates to improve the accuracy of NO2 predictions. The model was tested on a real-world air quality dataset, demonstrating its ability to outperform traditional forecasting methods in terms of predictive accuracy. Through an analysis of the state-of-the-art methods, this thesis identifies critical limitations of current SR and forecasting approaches in atmospheric applications. Existing SR methods struggle with non-uniform data distributions and outliers in BVOC emission maps, while many forecasting models fail to capture the spatial dependencies necessary for accurate pollution prediction. This research overcomes these limitations by developing models specifically tailored to the challenges of atmospheric and environmental data. The results show that the proposed SR framework effectively enhances the spatial resolution of BVOC emission maps, producing accurate HR estimates from coarse data. The domain adaptation strategies ensure the model generalizes well across different inventories, including simulated and satellite-derived emissions. Additionally, the GNN-based NO2 forecasting model demonstrates improved predictive power, providing more accurate air quality forecasts in urban environments. In summary, this thesis contributes a comprehensive framework that advances the fields of BVOC emission mapping and pollutant forecasting. By leveraging DL and DA techniques, the proposed models enhance atmospheric data analysis and offer practical tools for better environmental monitoring and air quality management.

L'inquinamento atmosferico rimane una delle principali sfide globali, in particolare nelle aree urbane, dove le elevate concentrazioni di inquinanti impattano negativamente sulla salute pubblica e contribuiscono al cambiamento climatico. Tra i vari inquinanti, i composti organici volatili biogenici, noti in letteratura come BVOC, hanno un ruolo fondamentale nella chimica atmosferica, influenzando la formazione di aerosol organici secondari e dell'ozono, incidendo sulla qualità dell'aria e sulla dinamica climatica. Stimare con precisione le emissioni di BVOC ad con una elevata risoluzione spaziale è complesso a causa delle limitazioni delle osservazioni satellitari e dei modelli attualmente disponibili. Inoltre, prevedere le concentrazioni di biossido di azoto (NO2) in ambienti urbani è fondamentale per una gestione efficace della qualità dell'aria; tuttavia, i modelli esistenti spesso non riescono a catturare le complesse dipendenze spaziotemporali che esistono tra in vari parametri ambientali. La tesi si propone di affrontare queste sfide attraverso l'introduzione di nuovi framework di apprendimento profondo per affrontare due compiti chiave: (i) migliorare la risoluzione spaziale delle mappe di emissione di BVOC attraverso tecniche di super-risoluzione e (ii) sviluppare un modello robusto per la previsione delle concentrazioni di NO2 in ambienti urbani utilizzando reti neurali a grafo. La prima parte si concentra sulla super-risoluzione, un processo volto a generare output ad alta risoluzione spaziale a partire da input a bassa risoluzione. Nel contesto delle emissioni biogeniche, proponiamo un approccio basato sulle reti neurali per migliorare il dettaglio spaziale delle mappe di emissione ottenute da simulazioni numeriche e di quelle derivate da osservazioni satellitari. Vengono affrontate procedure di super-risoluzione utilizzando una o più immagini. Il modello a più immagini sfrutta le interconnessioni tra le diverse specie di BVOC, consentendo una maggiore accuratezza spaziale attraverso l'apprendimento di schemi condivisi tra più mappe di emissione. Inoltre, viene proposta una strategia di trasformazione dei dati per preprocessare i dati in input, migliorando la robustezza del modello di super-risoluzione. Per affrontare il problema della scarsità dei dati, vengono impiegate tecniche di adattamento del dominio basate su reti generative avversarie per colmare il divario tra dati simulati e dati reali. Proponiamo un adattamento tra le emissioni derivate da satellite e quelle simulate numericamente, sfruttando un framework di traduzione immagine-immagine basato su CycleGAN. Il principale vantaggio di questo approccio è che consente al modello di super-risoluzione, inizialmente addestrato su dati simulati, di essere applicato alle osservazioni satellitari, che sono spesso a risoluzione inferiore e mostrano notevoli differenze di dominio, sia spaziali che temporali. In questo modo, il modello apprende a trasferire conoscenze dalle simulazioni ai dati satellitari, consentendo la generazione di mappe di emissione ad alta risoluzione mantenendo la robustezza contro le discrepanze tra i due domini. La seconda parte della tesi affronta il problema della previsione delle concentrazioni di NO2 in un contesto urbano. Utilizzando un approccio basato sulle reti neurali a grafo, proponiamo di apprendere automaticamente le relazioni spaziali che esistono tra le diverse stazioni di monitoraggio della qualità dell'aria. Il modello proposto incorpora dati storici e covariate future per migliorare l'accuratezza delle previsioni di NO2. Il modello è stato testato su un dataset reale di qualità dell'aria, dimostrando la sua capacità di superare i metodi di previsione tradizionali in termini di accuratezza predittiva. Attraverso un'analisi approfondita dei metodi attualmente in uso, questa tesi identifica limitazioni critiche degli attuali approcci di super-risoluzione e previsione nelle applicazioni atmosferiche. I metodi di super-risoluzione esistenti hanno notevoli difficoltà nel gestire dati con distribuzioni non uniformi e differenti, nonché valori estremi nelle mappe di emissione di BVOC, mentre molti modelli di previsione non riescono a catturare le dipendenze spaziali necessarie per una previsione accurata dell'inquinante. Questa tesi si propone di superare queste limitazioni sviluppando modelli specificamente progettati per le sfide che i dati atmosferici e ambientali presentano. I risultati mostrano che il framework di super-risoluzione proposto migliora la risoluzione spaziale delle mappe di emissione di BVOC, producendo stime ad alta risoluzione spaziale molto accurate a partire da dati a bassa risoluzione spaziale. Le strategie di adattamento del dominio garantiscono che il modello generalizzi bene su diversi inventari, comprese le emissioni simulate e quelle derivate da satellite. Inoltre, il modello di previsione delle concentrazioni di NO2 basato su reti neurali a grafo dimostra un miglioramento nella predizione, fornendo previsioni di qualità dell'aria più accurate in un contesto urbano. In sintesi, questa tesi contribuisce con un framework per il miglioramento della mappatura delle emissioni di BVOC e della previsione degli inquinanti atmosferici. Sfruttando tecniche di apprendimento profondo e di adattamento del dominio, i modelli proposti migliorano l'analisi dei dati atmosferici e offrono strumenti pratici per un migliore monitoraggio ambientale e gestione della qualità dell'aria.