Disponibilità tirocinio per preparazione Tesi

Argomento    Utilizzo di Support Vector Machine per la stima di contrazione di particolato atmosferico tramite fusione di dati satellitari (mappe di Aerosol
Optical Thickness) e misurazioni a terra (paramentri meteorologici).
Luogo        MEEO s.r.l., Via Sagarat 9, Ferrara.
Contatto    Simone Mantovani, mantovani@meeo.it 
 

1. Progetto di ricerca

L’utilizzo di dati satellitari per il monitoraggio dell’inquinamento atmosferico sta ssumendo sempre più importanza sia per la possibilità di fornire indicazioni a scala globale sia per la capacità di effettuare stime di concentrazione di particolato atmosfercio (PM2.5, PM10).
L’Aerosol Optical Thickness (AOT) misurato da satellite è ben correlato con le misure dello stesso parametro misurato da strumentazione installata a terra. Tuttavia, la stima di PM2.5 e PM10 da valori di AOT è un’attività complessa perché questo processo è influenzato da diversi fattori meteorologici (velocità e direzione del vento, umidità relativa, copertura nuvolosa, altezza di rimescolamento, ecc.), molti dei quali non sono osservabili da satellite, ma solamente da misurazioni effettuate da strumentazione installata sulla superficie. Attualemnte, la relazione tra AOT e PM è descritta tramite regressioni lineari empiriche specifiche per le aree in cui sono state ricavate, e fortemente dipendenti da questi parametri da non consentire una stima corretta della concentrazione di PM in ogni condizione meteorologica.
La presente proposta di ricerca è focalizzata sull’analisi di fattibilità di utilizzo delle tecniche Support Vector Machine (SVM) per la definizione automatica di modelli empirici per la stima di PM e per il miglioramenteo della qualità delle mappe di PM ottenute.

Le attività principali della proposta sono:

• Analisi dei parametric meteorologici che influenzano la relazione tra AOT e PM;
• Raccolta dati satellitari e dati a terra;
• Calcolo delle mappe di AOT da dati satellitari ed estrazione delle misure di PM e dei parametri meteorologici dalle misurazioni effettuate alla superficie;
• Fusione di dati satellitari e dati a terra tramite opportune condizioni temporali/spaziali;
• Applicazione di tecniche SVM e progettazione dei modelli SVM specifici per l’applicazione;
• Realizzazione empirica del modello tramite procedura di apprendimento dei modelli SVM;
• Sviluppo dell’applicazione SVM per la stima di mappe di PM da mappe di AOT e dati meteorologici.

2. Requisiti per lo studente

• Laurea specialistica
• Buona conoscenza del linguaggio di programmazione C/C++ e database. Esperienza diretta con le librerie Geospatial Data Abstraction Library (GDAL) e database Postgres costituiscono un vantaggio, così come una conoscenza generale delle techiche di Machine Learning.
• Buona conoscenza dell’Inglese sia scritto che orale.