Explainable Machine Learning for Predicting Thermal Discomfort from Multipollutant Exposure on Dhaka Roadways

Sintesi Tecnica: Apprendimento Automatico Spiegabile per la Predizione del Disagio Termico da Esposizione a Multipollutanti sulle Strade di Dhaka

Definizione del Problema
Le strade urbane in megacittà in rapido sviluppo come Dhaka, Bangladesh, presentano ambienti di esposizione complessi dove gli utenti della strada (pedoni, pendolari, polizia stradale e lavoratori informali) affrontano stress simultanei: calore, inquinamento atmosferico (particolato e CO₂) e rumore del traffico. Gli studi tradizionali spesso valutano questi fattori isolatamente, fallendo nel catturare gli effetti sinergici dell'esposizione a multipollutanti sulla percezione termica umana. Inoltre, i metodi statistici standard possono avere difficoltà a modellare le interazioni non lineari tra queste variabili e il comfort termico soggettivo. Questo studio risponde alla necessità di quantificare e predire il disagio termico nei microambienti stradali di Dhaka integrando i dati di esposizione a multipollutanti con framework di apprendimento automatico (ML) spiegabile.

Metodologia
La ricerca ha impiegato un disegno osservazionale trasversale basato sul campo, condotto in 17 siti di monitoraggio strategici lungo tre grandi corridoi (Settentrionale, Centrale e Meridionale) a Dhaka. La raccolta dei dati è avvenuta durante i periodi di transizione tra tardo monsone, post-monsone e inverno (agosto 2025 – gennaio 2026).

• Acquisizione dei Dati:
  • Sensori Ambientali: Rilevatori d'aria intelligenti calibrati (JLDC) hanno misurato le concentrazioni di PM₁, PM₂.₅, PM₁₀ e CO₂. Fonometri miniaturizzati (UT353) hanno registrato i livelli di rumore del traffico. Sono stati raccolti anche dati meteorologici (temperatura, umidità relativa, velocità del vento).
  • Percezione Umana: Interviste strutturate con 1.109 partecipanti hanno raccolto voti soggettivi sulla sensazione termica basati sulle linee guida ASHRAE (da "Molto Fresco" a "Caldo"), insieme a dati su livelli di abbigliamento, lamentele sulla salute (es. mal di testa) e qualità dell'aria percepita.
• Pre-elaborazione dei Dati: Il dataset grezzo è stato sottoposto a una rigorosa pulizia, inclusa la rimozione di errori dei sensori, duplicati e valori mancanti. Il dataset finale per la modellazione comprendeva 1.109 osservazioni.
• Framework di Machine Learning: Tre algoritmi di classificazione supervisionata sono stati addestrati per predire le categorie di disagio termico:
  1. Albero di Decisione (DT): Utilizzato come baseline interpretabile.
  2. Random Forest (RF): Un metodo ensemble per ridurre l'overfitting e migliorare la stabilità.
  3. XGBoost: Un avanzato modello di gradient boosting per catturare complesse relazioni non lineari.
• Spiegabilità e Validazione: Le prestazioni del modello sono state valutate utilizzando ROC-AUC, accuratezza, precisione, richiamo (recall), F1-score e matrici di confusione. Per garantire l'interpretabilità, è stata applicata l'analisi SHapley Additive exPlanations (SHAP) per determinare il contributo relativo di ciascun predittore. È stata condotta un'analisi di sensibilità per valutare la robustezza del modello rispetto alle variazioni delle variabili di input.

Risultati Chiave

• Carico di Esposizione: Lo studio ha rilevato un elevato carico di esposizione a multipollutanti. La concentrazione media di PM₂.₅ era di 71,37 µg/m³, mentre la PM₁ media era di 58,35 µg/m³. Le misurazioni a bordo strada hanno registrato una concentrazione massima di PM₂.₅ di 100,00 µg/m³ nel dataset di studio, sebbene il testo riporti un picco specifico di 172,2 µg/m³ nella zona di Mirpur-10. I livelli medi di rumore hanno raggiunto gli 82,96 dB. Questi valori superano significativamente le linee guida dell'Organizzazione Mondiale della Sanità (OMS).
• Prevalenza del Disagio Termico: I dati sul campo hanno rivelato un disagio termico estremo, con il 99,46% delle osservazioni classificato come "Caldo", "Tiepido" o "Leggermente Tiepido". Solo una frazione trascurabile ha riportato sensazioni neutre o fresche.
• Prestazioni del Modello: I modelli ensemble hanno superato significativamente il singolo Albero di Decisione. Sia Random Forest che XGBoost hanno raggiunto un'accuratezza di 0,96 e un F1-score di 0,96, con valori ROC-AUC che indicano un'eccellente capacità di discriminazione (AUC = 0,96). I modelli hanno dimostrato un'alta stabilità nella classificazione del disagio termico attraverso diversi scenari di esposizione.
• Importanza dei Predittori (Analisi SHAP): Contrariamente all'assunto che la temperatura sia l'unico driver, l'analisi SHAP ha identificato la Velocità del Vento e la concentrazione di CO₂ come i predittori più influenti del disagio termico. PM₁₀, livello di abbigliamento e umidità hanno anche contribuito moderatamente, mentre PM₂.₅ e livelli di rumore hanno avuto impatti minori ma non trascurabili. Ciò suggerisce che il flusso d'aria microclimatica e le emissioni legate al traffico (indicative di congestione e scarsa ventilazione) sono determinanti critici del disagio.
• Sensibilità: L'analisi di sensibilità ha confermato che, sebbene le variabili PM e rumore siano rimaste relativamente stabili nel loro impatto, le variazioni nell'esposizione alla CO₂ hanno causato fluttuazioni più significative nelle predizioni del modello, evidenziando la sensibilità del comfort termico alla densità del traffico e alle condizioni di ventilazione.

Significatività e Contributi
L'articolo rivendica diversi contributi significativi ai campi della salute ambientale urbana e del machine learning:

1. Approccio Integrato ai Multipollutanti: A differenza di studi precedenti che isolavano calore, rumore o inquinamento, questa ricerca fornisce un framework basato sull'evidenza per comprendere l'impatto combinato di questi stressori sulla percezione termica in una densa megacittà tropicale.
2. Applicazione di AI Spiegabile: Utilizzando l'analisi SHAP, lo studio va oltre le predizioni "black box". Esso quantifica l'influenza specifica di variabili come la velocità del vento e la CO₂, offrendo approfondimenti azionabili per i decisori politici piuttosto che semplice accuratezza predittiva.
3. Rilevanza per la Salute Pubblica: I risultati evidenziano che il disagio termico a Dhaka non è semplicemente un problema meteorologico, ma una crisi di salute pubblica guidata dalla sinergia di calore, particolato e rumore. L'alta prevalenza di disagio (99,46%) sottolinea la vulnerabilità dei lavoratori all'aperto e dei pendolari.
4. Framework Politico: Lo studio propone una strategia di intervento multisettoriale, che include soluzioni basate sulla natura (piantumazione di alberi lungo le strade, marciapiedi ombreggiati), controlli delle emissioni del traffico e mitigazione del rumore. Suggerisce che tali misure debbano essere mirate a specifici segmenti stradali ad alto rischio identificati attraverso l'analisi spaziale.

Gli autori concludono che affrontare il disagio termico richiede un approccio di pianificazione urbana integrato che gestisca simultaneamente la qualità dell'aria, il rumore e il microclima, supportato da modelli predittivi spiegabili e basati sui dati.