Mining big data to support environmental policy making

This doctoral research promotes the application of big data analytics and statistical methodologies to address critical environmental challenges, focusing on urban sustainability and groundwater management. The study underscores the pivotal role of data-driven approaches in supporting Public Administrations with decision-making and implementing Nature-Based Solutions (NBS). The research is structured as the analysis of five different case studies, addressing different issues and challenges: 1. Urban Surface Runoff Management: Using the SCS-CN method and statistical tools, such as the Kruskal-Wallis test and Generalized Linear Models (GLMs), the case study evaluates the effectiveness of NBS like green roofs and permeable pavements in reducing runoff volumes in Municipio 3 of Milan in five different scenarios. Permeable pavements emerged as the most effective solution for mitigating urban flooding. 2. Post-COVID-19 Urban Mobility: An analysis of mobility patterns during the pandemic reveals increased demand for green spaces during less restrictive periods, highlighting the role of urban parks in enhancing public well-being and resilience and the importance of preserving them. Statistical tools, as Principal Component Analysis (PCA), Factor Analysis (FA), and Cluster Analysis, and GLMs were implemented. 3. Groundwater Contamination Studies: Advanced statistical techniques, including PCA/FA, Cluster Analysis, correlation analysis and geospatial analysis, such as distance matrix and statistical interpolations (Kriging), are applied to investigate contamination by PFAS and heavy metals in regions like Milan, Mantua, and Veneto. The findings provide actionable insights for identifying contamination sources, defining natural background levels, and prioritizing remediation strategies. The results demonstrate the indispensable role of statistical methodologies in analyzing complex datasets and improving policy effectiveness. They also emphasize the importance of NBS in addressing hydrological challenges, enhancing environmental quality, and promoting urban resilience. This research bridges the gap between environmental data analysis and sustainable planning, advocating for the integration of innovative tools and NBS to address urbanization and climate change challenges.

Questa studio promuove l’applicazione dell’analisi dei big data e di metodologie statistiche per affrontare sfide ambientali di diversa natura, con un focus sulla sostenibilità urbana e sulla gestione delle acque sotterranee. Lo studio evidenzia il ruolo fondamentale degli approcci basati sui dati a supporto delle Pubbliche Amministrazioni nei processi decisionali e nell’attuazione delle "Nature-Based Solutions" (NBS). La ricerca è strutturata sull’analisi di cinque casi studio, ognuno dei quali affronta problematiche e sfide differenti: 1. Gestione del deflusso superficiale urbano: utilizzando il metodo SCS-CN e strumenti statistici come il test di Kruskal-Wallis e i Modelli Lineari Generalizzati (GLM), il caso studio valuta l’efficacia delle NBS, come i tetti verdi e le pavimentazioni permeabili, nella riduzione dei volumi di deflusso nel Municipio 3 di Milano in cinque diversi scenari. Le pavimentazioni permeabili si sono rivelate la soluzione più efficace per mitigare il rischio di allagamenti urbani. 2. Mobilità urbana post-COVID-19: un’analisi dei modelli di mobilità durante la pandemia rivela un aumento della domanda di spazi verdi nei periodi meno restrittivi, sottolineando il ruolo dei parchi urbani nel migliorare il benessere pubblico, nonché l’importanza della loro tutela. Sono stati impiegati strumenti statistici come l’Analisi delle Componenti Principali (PCA), l’Analisi Fattoriale (FA), l’Analisi dei Cluster e i GLM. 3. Studi sulla contaminazione delle acque sotterranee: tecniche statistiche avanzate, tra cui PCA/FA, Analisi dei Cluster, analisi di correlazione e analisi geospaziali, come matrici di distanza e interpolazioni statistiche (Kriging), sono state applicate per indagare la contaminazione da PFAS e metalli pesanti in aree come Milano, Mantova e il Veneto. I risultati forniscono indicazioni utili per identificare le fonti di contaminazione, definire i livelli naturali di fondo e stabilire le priorità nelle strategie di bonifica. I risultati dimostrano il ruolo imprescindibile delle metodologie statistiche nell’analisi di dataset complessi e nel miglioramento dell’efficacia delle politiche in campo ambientale, volte alla tutela del territorio e delle sue risorse. Evidenziano inoltre l’importanza delle NBS nell’affrontare le sfide idrologiche, migliorare la qualità ambientale e promuovere la resilienza urbana. Questa ricerca punta a colmare il divario tra l’analisi dei dati ambientali e la pianificazione sostenibile, favorendo l’integrazione di strumenti innovativi e delle NBS per affrontare le sfide poste dall’urbanizzazione e dai cambiamenti climatici.