Enhancing diagnostic tools for regional air quality monitoring and decision making

Global air pollution presents a critical environmental challenge characterized by complex spatiotemporal dynamics. This thesis proposes Bayesian spatiotemporal models that leverage flexible hierarchical structures to accurately capture inherent spatial dependencies and temporal evolution, alongside robust uncertainty quantification. Developed in collaboration with ARPA Lombardia, this doctoral research provides essential tools for environmental decision making. The methodological contributions include the development of optimal Bayesian frameworks for analyzing particulate mat- ter in Lombardy, focusing on the effects of meteorological and agricultural covariates. Furthermore, the thesis introduces novel applications of Bayesian causal inference techniques to rigorously evaluate the effectiveness of regulatory interventions, specifically assessing the impact of agricultural policies on ammonia emissions. It also presents models for tracking trends in ozone exceedances and proposes a fully Bayesian latent factor model for functional data for source apportionment, linking complex data profiles to specific pollution origins. Ultimately, this work delivers statistically sophisticated and policy-relevant tools that enhance the understanding of air pollution dynamics and facilitate the evaluation of mitigation strategies, thereby contributing significantly to environmental statistics and air quality management.

L’inquinamento atmosferico rappresenta una sfida ambientale di cruciale importanza, caratterizzata da complesse dinamiche spazio-temporali. La presente tesi affronta i limiti dei metodi statistici tradizionali sviluppando modelli Bayesiani spazio-temporali muniti di strutture gerarchiche flessibili. Tali strutture sono impiegate per stimare con precisione le dipendenze spaziali e l’evoluzione dell’inquinamento atmosferico nel tempo, garantendo al contempo una robusta quantificazione dell’incertezza. Sviluppato in collaborazione con ARPA Lombardia, questo ptogetto di ricerca fornisce utili strumenti per il supporto alle decisioni in ambito ambientale. I contributi metodologici includono lo sviluppo di modelli Bayesiani per l’analisi del particolato atmosferico in Lombardia, enfatizzando gli effetti di covariate meteorologiche e agricole. Inoltre, questa tesi introduce nuove applicazioni per tecniche di inferenza causale Bayesiana, focalizzandosi in particolare sulla valutazione dell’impatto delle politiche agricole sulle concentrazioni di ammoniaca. Questo studio propone anche modelli per analizzare il superamento giornaliero dei limiti per le concentrazioni di ozono troposferico, oltre ad introdurre un modello a fattori latenti per source apportionment. Quest’ultimo modello per dati funzionali, trattati come latent factors, `e mirato all’analisi delle principali fonti che contribuiscono al particolato sottile in una specifica regione. In ultima analisi, questa tesi fornisce strumenti statistici e decisionali che migliorano la comprensione delle dinamiche dell’inquinamento atmosferico e facilitano la valutazione delle strategie di mitigazione, contribuendo in modo significativo alla statistica ambientale e alla gestione della qualità dell’aria.