Riepilogo Tecnico: Apportionment delle Sorgenti Consapevole dell'Identificabilità in Sistemi di Advezione-Diffusione su Scala Cittadina

Definizione del Problema

L'apportionment delle sorgenti della qualità dell'aria urbana è un problema inverso in cui l'obiettivo è attribuire le concentrazioni osservate di inquinanti a specifici gruppi di sorgenti (ad esempio, traffico, industria, fornaci per mattoni) utilizzando reti di sensori sparse. Gli autori identificano un limite geometrico critico: anche quando un modello si adatta accuratamente ai dati dei sensori, i contributi delle sorgenti sottostanti potrebbero non essere identificabili.

Nelle reti di sensori sparse, distinti gruppi di sorgenti possono indurre firme sensore-temporali quasi identiche a causa del trasporto guidato dal vento, dell'attenuazione, della variazione del background e del rumore. Una sorgente distante forte e una vicina più debole possono diventare osservativamente equivalenti dopo la correzione del trasporto e del background. Di conseguenza, i modelli recettoriali standard (come il Chemical Mass Balance o la Positive Matrix Factorization) spesso riportano attribuzioni sicure anche quando i dati non possono distinguere tra le sorgenti, portando potenzialmente a conclusioni politiche fuorvianti. Il documento inquadra questo non solo come un problema di incertezza, ma come una fondamentale mancanza di identificabilità nel sistema di rilevamento.

Metodologia

Gli autori propongono l'Identifiability-Aware Source Apportionment (IASA), un framework che tratta l'apportionment basato sull'inventario come un problema inverso ritardato e condizionato dal vento. La metodologia centrale prevede:

1. Formulazione del Problema

• Parametrizzazione basata sull'inventario: Il campo delle sorgenti è ristretto a un insieme finito di mappe di sorgente note o proxy ($S$). L'attività variabile nel tempo è modellata come una combinazione non negativa di funzioni di base temporali pre-dichiarate ($\Phi$). Gli incogniti sono i coefficienti sorgente-base ($c$).
• Risposta ritardata condizionata dal vento: Il modello incorpora un operatore di trasporto ($G^\partial$) che mappa le emissioni rilasciate al tempo $t-\ell$ nelle concentrazioni dei sensori al tempo $t$, condizionato dai campi di vento. Ciò crea una matrice di risposta "ritardata" ($H^{lag}_\Phi$) dove ogni colonna rappresenta la firma sensore-temporale di un coefficiente unitario.
• Correzione del Background: Le concentrazioni osservate includono il background regionale e i trend. Una base di background a bassa dimensione ($Q$) viene proiettata per isolare il segnale della sorgente. L'oggetto centrale del problema inverso è la matrice di risposta ritardata proiettata:
  $$\tilde{H}_\Phi = P^\perp_Q H^{lag}_\Phi$$
  dove $P^\perp_Q$ è la proiezione sull'complemento ortogonale dello spazio del background.

2. Diagnostica dell'Identificabilità

L'IASA sposta il focus da "miglior adattamento" a "risoluzione identificabile". Calcola un pannello di diagnostica da $\tilde{H}_\Phi$ per determinare cosa può essere recuperato in modo affidabile:

• Identificabilità Esatta: Richiede $\text{rank}(\tilde{H}_\Phi) = J$ (rango completo di colonna).
• Robustezza al Rumore: Governata dal valore singolare più piccolo ($\sigma_J$) e dal numero di condizionamento ($\kappa$). Un $\sigma_J$ piccolo implica un'alta sensibilità al rumore.
• Visibilità del Coefficiente: L'entità della firma proiettata ($v_j = \|\tilde{h}_j\|_2$). I coefficienti al di sotto di una soglia vengono contrassegnati come "deboli".
• Coerenza a Coppie: Misura quanto due firme siano proporzionali tra loro ($\rho_{ij}$). Un'alta coerenza indica che le sorgenti sono indistinguibili.
• Assorbimento del Background: La frazione del segnale di una sorgente persa nello spazio del background ($a_j$).

3. L'Algoritmo IASA

La procedura impone una separazione rigorosa tra adattamento e diagnostica:

1. Pre-dichiarazione: Tutte le scelte del modello (base del background, finestra di ritardo, basi temporali, maschere di zero) sono fissate prima di ispezionare i dati.
2. Adattamento (Fitting): Viene risolto un problema di minimi quadrati non negativi regolarizzati (NNLS) per i coefficienti $c$.
3. Diagnostica: Le diagnostiche sono calcolate su $\tilde{H}_\Phi$.
4. Reporting:
   • Se i coefficienti sono deboli o altamente coerenti, non vengono riportati individualmente.
   • Viene costruito un grafo di ambiguità delle sorgenti dove gli archi collegano coppie indistinguibili.
   • I componenti connessi di questo grafo formano "gruppi di report conservativi".
   • L'output finale è la risoluzione di attribuzione più fine supportata dai sensori, dal vento e dal rumore, accompagnata da intervalli di incertezza e certificati di ambiguità.

Contributi Chiave

1. Formulazione: Il documento formalizza l'apportionment delle sorgenti con sensori sparsi come un problema inverso ritardato e condizionato dal vento, identificando la matrice di risposta proiettata $\tilde{H}_\Phi$ come il determinante centrale della separabilità.
2. Protocollo di Reporting: Introduce un protocollo concreto che distingue l'accuratezza predittiva dall'identificabilità. Riporta solo i contributi che sono difendibili sotto i dati disponibili, segnalando le sorgenti indistinguibili e fondendole in gruppi conservativi invece di riportare una falsa precisione.
3. Algoritmo (IASA): Una procedura che adatta i coefficienti non negativi, ricostruisce le traiettorie di attività, quantifica l'incertezza e diagnostica le sorgenti indistinguibili. Include footprint spaziali per sensore che tracciano le risposte di trasporto a ritroso verso le regioni a monte.
4. Validazione Empirica: Il framework è istanziato su una piattaforma di Nuova Delhi utilizzando i dati governativi di PM2.5 e i record del vento. Dimostra che i metodi standard (NNLS, CMB, PMF) non riescono a rilevare i casi non identificabili, mentre l'IASA segnala ogni scenario non identificabile e recupera l'apportionment entro un errore di quota di 0,01 in esperimenti controllati.

Risultati

Gli autori valutano l'IASA su una piattaforma di Nuova Delhi (32 sensori, dati 2018–2020) ed esperimenti sintetici controllati:

• Esperimenti Controllati:

  • Collasso Vento/Geometria: Quando la direzione del vento è costante o la geometria dei sensori causa l'allineamento delle firme delle sorgenti, i metodi standard riportano divisioni sicure ma errate (errore fino a 1,2). L'IASA segnala questi casi come non identificabili e riporta il gruppo fuso con un errore vicino allo zero.
  • Stress da Background: Quando una base di background assorbe i segnali delle sorgenti, i metodi standard effettuano attribuzioni errate. L'IASA rileva l'assorbimento e segnala la perdita di identificabilità.
  • Condizionamento: Si dimostra che l'errore di recupero è limitato dal condizionamento di $\tilde{H}_\Phi$ (valori singolari), non solo dal rumore di osservazione.
  • Selezione del Ritardo (Lag): La finestra di ritardo ottimale è selezionata in base alla geometria della matrice di risposta (stabilità della norma di Frobenius), non sui coefficienti adattati, garantendo che il ritardo non migliori artificialmente l'identificabilità.

• Dati Osservati di Nuova Delhi:

  • Applicato a quattro finestre consecutive di una settimana, il sistema ha identificato che tutti e quattro i gruppi di sorgenti (fornaci per mattoni, industria, popolazione, traffico) erano individualmente identificabili in queste settimane specifiche (rango completo, bassa coerenza).
  • I risultati dell'apportionment hanno mostrato una significativa variabilità temporale (ad esempio, dominanza della popolazione nelle prime settimane, dominanza delle fornaci per mattoni nell'ultima settimana), che è stata riportata separatamente piuttosto che aggregata, riflettendo il reale supporto dei dati.
  • Il sistema ha fornito intervalli di incertezza e ha confermato che la risoluzione riportata era la più fine supportata dagli inventari dichiarati, dal trasporto e dal rumore.

Significato e Rivendicazioni

Il documento sostiene che l'accuratezza predittiva non è prova di identificabilità. Un modello può adattarsi perfettamente alle traiettorie dei sensori pur attribuendo l'inquinamento alle sorgenti sbagliate se le sorgenti sono geometricamente indistinguibili nello spazio dei sensori.

Il significato dell'IASA risiede nella sua risoluzione conservativa: riporta la risoluzione di attribuzione che il sistema di rilevamento effettivamente supporta, condizionatamente al dichiarato vento, trasporto, background e modelli di inventario. Non pretende di risolvere il problema inverso in tutti i casi; piuttosto, fornisce un framework diagnostico per determinare quando il problema è risolvibile e cosa può essere riportato in modo affidabile.

Gli autori sottolineano che il loro lavoro completa i modelli esistenti (sia recettoriali che orientati alla sorgente) aggiungendo uno strato di analisi dell'identificabilità. Non pretendono di inventare nuove categorie di sorgenti o nuovi modelli di trasporto fisico, ma di analizzare rigorosamente la distinguibilità dei gruppi di sorgenti dichiarati sotto un rilevamento sparso. Il framework assicura che le decisioni politiche si basino su contributi identificabili e difendibili, piuttosto che su artefatti di overfitting del modello o ambiguità geometrica.