Physics-Regularized Neural Networks for Urban Air Quality Prediction Under Meteorological Variability: Emission Source Estimation from Sparse Observations in London

Sintesi Tecnica: Reti Neurali Regolarizzate dalla Fisica per la Predizione della Qualità dell'Aria Urbana

Definizione del Problema
La valutazione della qualità dell'aria urbana affronta una sfida critica: ricostruire campi di concentrazione di inquinanti spazialmente continui e identificare pattern di emissione da reti di monitoraggio sparse e irregolari. In città come Londra, le stazioni di monitoraggio sono spesso insufficienti per risolvere l'eterogeneità localizzata, creando un problema inverso mal posto in cui molteplici soluzioni possono adattarsi agli stessi dati limitati. I modelli di ricezione tradizionali (es. PMF, PSCF) mancano di vincoli fisici espliciti e spesso richiedono dati di speciazione chimica non disponibili nelle reti standard. Al contrario, i Modelli di Trasporto Chimico (CTM) come WRF-Chem o CMAQ offrono rigore fisico ma soffrono di elevati costi computazionali, sensibilità alle incertezze degli inventari bottom-up e difficoltà nell'assimilare osservazioni sparse su scale fini. Gli approcci di apprendimento automatico puramente basati sui dati, pur essendo computazionalmente efficienti, agiscono spesso come "black box" che possono violare le leggi di conservazione e non generalizzare sotto regimi meteorologici variabili. Il problema centrale affrontato è come inferire indicatori di emissione efficaci e campi di concentrazione da dati scarsi garantendo al contempo la coerenza fisica con i processi di trasporto atmosferico.

Metodologia
Lo studio propone un framework di Rete Neurale Regolarizzata dalla Fisica (PRNN) progettato per operare in condizioni di severa scarsità osservativa. La metodologia diverge dalle rigorose Physics-Informed Neural Networks (PINN) che impongono l'intero sistema di equazioni differenziali alle derivate parziali (PDE) come vincoli rigidi, le quali possono risultare numericamente instabili con dati scarsi. Inveiz, l'autore adotta un approccio di "vincolo morbido" utilizzando un'equazione semplificata di bilancio di massa advezione-reazione:

$$\frac{\partial C}{\partial t} + \mathbf{u} \cdot \nabla C = S(x, t) - \lambda C$$

Dove $C$ è la concentrazione di PM2.5, $\mathbf{u}$ è il campo di vento, $S$ è un termine sorgente efficace e $\lambda$ è un tasso di rimozione del primo ordine. Il termine di diffusione ($\nabla \cdot (K\nabla C)$) è esplicitamente omesso per garantire la stabilità numerica ed evitare l'instabilità associata alla derivazione automatica del secondo ordine su griglie irregolari e sparse.

L'architettura della rete neurale riceve in input coordinate spaziali, tempo, dati di rianalisi meteorologica ERA5 (vento, altezza dello strato limite, temperatura), codifiche temporali cicliche e osservazioni di PM2.5 ritardate. Essa produce tre campi: concentrazione ($C_\theta$), sorgente efficace ($S_\theta$) e tasso di rimozione ($\lambda_\theta$).

Il modello viene addestrato minimizzando una funzione di perdita composita:
$$\mathcal{L}_{total} = \mathcal{L}_{data} + \lambda_{phys}\mathcal{L}_{phys}$$

• Perdita dei Dati ($\mathcal{L}_{data}$): Garantisce l'accordo con i valori osservati di PM2.5 orari nelle sei stazioni di monitoraggio.
• Perdita Fisica ($\mathcal{L}_{phys}$): Penalizza il residuo dell'equazione advezione-reazione nei punti di collocazione tramite derivazione automatica.

Viene impiegato un programma di addestramento a due fasi: un pre-riscaldamento (warm-up) basato solo sui dati seguito da una fase di regolarizzazione fisica. Il peso di regolarizzazione $\lambda_{phys}$ è tarato non per massimizzare l'accuratezza predittiva, ma per vincolare lo spazio delle soluzioni verso combinazioni di parametri fisicamente plausibili.

Contributi Chiave

1. Framework per l'Inversione con Dati Scarsi: Il documento dimosti un'applicazione pratica dell'apprendimento regolarizzato dalla fisica su dati reali di qualità dell'aria urbana, consentendo l'inferenza di campi di sorgente efficace spazialmente continui da reti di monitoraggio sparse senza richiedere inventari di emissioni densi.
2. Stabilizzazione di Problemi Mal Posti: Lo studio mostra che la regolarizzazione fisica non migliora principalmente l'accuratezza predittiva puntuale ($R^2$, RMSE), ma è essenziale per vincolare i trade-off degeneri tra sorgente e rimozione inerenti ai problemi inversi. Senza regolarizzazione, il modello inferisce tempi di vita efficaci irrealisticamente brevi (<1 giorno); con una moderata regolarizzazione, i tempi di vita si stabilizzano in intervalli fisicamente plausibili (~9–10 giorni).
3. Analisi Trasparente dei Limiti: L'autore documenta rigorosamente i limiti dell'approccio, specificamente l'effetto di "smearing spaziale" causato dall'omissione del termine di diffusione e il disallineamento di scala tra la meteorologia grossolana di ERA5 (~25 km) e i micro-ambienti urbani. Chiarisce che i campi di sorgente inferiti sono campi diagnostici derivati dal monitoraggio coerenti con una fisica semplificata, non stime dirette di inventari di emissioni regolatori.
4. Efficienza Computazionale: L'approccio offre un'alternativa computazionalmente efficiente ai CTM per lo screening su scala cittadina e la valutazione esplorativa in ambienti con dati limitati.

Risultati
Il framework è stato testato su un periodo invernale di 90 giorni nella Greater London utilizzando dati orari di PM2.5 da sei stazioni AURN/LAQN e meteorologia ERA5.

• Performance Predittiva: Il modello regolarizzato dalla fisica ha raggiunto un $R^2$ di test di 0.707 e un RMSE di 3.91 µg/m³, comparabile a un baseline basato solo sui dati ($R^2$ di 0.703). Ciò conferma che il ruolo primario della regolarizzazione fisica non è potenziare le metriche di predizione puntuale, ma regolarizzare i parametri inversi.
• Stabilità dei Parametri: In assenza di regolarizzazione fisica ($\lambda_{phys}=0$), il tempo di vita efficace inferito è crollato a 0.37 giorni. Con la regolarizzazione ($\lambda_{phys}=10^{-3}$), il tempo di vita si è stabilizzato a 9.56 giorni, un valore coerente con i tempi di rimozione del PM2.5 noti nel Regno Unito.
• Eterogeneità Spaziale: Le performance sono variate per tipologia di sito. Le stazioni suburbane e di background urbano (es. Harlington, Bloomsbury) hanno mostrato un'alta capacità predittiva ($R^2 \approx 0.84, 0.79$), mentre i siti stradali (es. Hackney, Euston Road) sono stati più difficili da predire ($R^2 \approx 0.33, 0.65$). Ciò è attribuito all'incapacità della fisica di advezione semplificata e della meteorologia grossolana di risolvere la turbolenza indotta dagli edifici su scala sub-chilometrica e gli effetti di "street-canyon".
• Sensibilità: Il tempo di vita efficace inferito è stato robusto attraverso una gamma di pesi di regolarizzazione ($\lambda_{phys} \in [3 \times 10^{-5}, 3 \times 10^{-3}]$), ma una sovra-regolarizzazione ($\lambda_{phys} = 10^{-2}$) ha causato nuovamente il collasso del tempo di vita.

Significato e Rivendicazioni
Il documento posiziona questo lavoro come uno strumento orientato al monitoraggio e di tipo esplorativo, piuttosto che come un sostituto per l'attribuzione delle sorgenti regolatoria o per CTM ad alta fedeltà. La sua importanza risiede nel fornire un metodo computazionalmente efficiente per generare campi diagnostici spazialmente continui che rimangano coerenti con la fisica del trasporto atmosferico semplificata in condizioni di scarsità di dati.

L'autore dichiara esplicitamente che i pattern inferiti devono essere interpretati come campi diagnostici che riflettono l'influenza combinata di emissioni, trasporto e rimozione sotto le assunzioni semplificate del modello. Non si rivendica il recupero di flussi di emissione unici equivalenti agli inventari. Il framework è inteso per integrare le reti di monitoraggio esistenti, offrendo approfondimenti a livello di screening, identificando regioni di elevata incertezza e informando le strategie di dispiegamento dei sensori, particolarmente in ambienti dove il modeling tradizionale è troppo costoso o i dati sono troppo scarsi. Il lavoro sottolinea il valore dell'integrazione di vincoli fisici nell'apprendimento automatico per garantire la plausibilità fisica, anche quando tale integrazione comporta una riduzione della flessibilità predittiva.