Framework di Machine Learning Prevede le Emissioni di Gas dalle Discariche Utilizzando Dati Meteorologici

Un nuovo framework di machine learning, CAIRN (Causal-Anchored Inference for Receptor Nowcasting), è stato sviluppato per prevedere le emissioni fuggitive dalle discariche, in particolare l'acido solfidrico (HS), utilizzando variabili meteorologiche di routine e dati di calendario. La ricerca, pubblicata su arXiv (2608.14254), dimostra che i driver meteorologici di elevate concentrazioni di HS in una discarica europea monitorata a lungo termine possono essere identificati direttamente dai dati di monitoraggio. La memoria interna di CAIRN è progettata per corrispondere alle scale temporali misurate: una componente veloce traccia il trasporto eolico su scala oraria, mentre una componente lenta traccia i cambiamenti meteorologici su più ore. Il framework opera senza caratteristiche progettate manualmente e il suo comportamento è coerente con i meccanismi di trasporto identificati. Questo approccio consente risposte proattive di salute pubblica, passando da indagini retrospettive a previsioni in tempo reale, riducendo potenzialmente l'esposizione della comunità a gas tossici e maleodoranti. Lo studio evidenzia il potenziale del machine learning nel monitoraggio ambientale e nella protezione della salute pubblica.