# Poluarea aerului, cartografiată la fiecare kilometru. Italia folosește inteligența artificială pentru a identifica zonele cu risc

_Published: 2026-11-20_

Două cartiere ale aceluiași oraș pot avea niveluri diferite de poluare. O stradă aglomerată, o platformă industrială sau un culoar de circulație a aerului pot modifica expunerea populației. Dar stațiile de monitorizare sunt prea puține pentru a măsura direct fiecare zonă locuită.

**Hărțile poluării aerului din Italia** folosesc acum modele statistice și inteligență artificială pentru estimarea concentrațiilor de PM2,5, PM10 și dioxid de azot. Rezoluția este de un kilometru pătrat. Cercetarea prezentată de Institutul Superior pentru Protecția și Cercetarea Mediului (ISPRA), la 16 noiembrie 2026, permite identificarea diferențelor teritoriale și estimarea expunerii populației. Rezultatele evidențiază Câmpia Padului și marile centre urbane, unde poluarea rămâne o problemă importantă.

## Hărțile poluării aerului din Italia au o rezoluție de un kilometru

Stațiile automate reprezintă instrumente fundamentale pentru evaluarea calității aerului. Acestea măsoară concentrațiile poluanților în amplasamente determinate.

Problema este distribuția lor geografică.

O stație poate descrie bine condițiile dintr-un punct, dar nu poate furniza singură măsurători pentru fiecare stradă sau localitate.

Echipa coordonată de specialiștii ISPRA a dezvoltat modele capabile să estimeze concentrațiile în zone unde nu există stații.

Au participat cercetători din Departamentul de Epidemiologie al Serviciului Regional de Sănătate Lazio, ARPAE Emilia-Romagna și institutul CNR-ISAC.

Hărțile rezultate acoperă teritoriul național italian cu celule de un kilometru pe un kilometru.

Fiecare celulă reprezintă o estimare spațială a concentrației poluantului, nu o măsurătoare directă realizată la fiecare adresă.

Acest aspect este esențial pentru interpretarea datelor.

Un model poate descrie distribuția generală a poluării și poate identifica zone vulnerabile.

Totuși, el nu poate reproduce perfect variațiile dintre două trotuare sau influența fiecărei surse locale.

## Două metode statistice au fost comparate pentru trei poluanți

Cercetarea a comparat un model statistic bayesian, denumit INLA-SPDE, cu algoritmul Random Forest.

Primul utilizează o structură statistică pentru estimarea variațiilor spațiale și temporale.

Al doilea aparține familiei algoritmilor de învățare automată și identifică relații între numeroase variabile.

Ambele metode au utilizat informații provenite din rețelele de monitorizare a aerului.

Au fost introduse și date meteorologice, caracteristici teritoriale și simulări atmosferice.

Acestea din urmă au provenit din sistemul național de modelare kAIROS.

Cercetătorii au evaluat trei categorii de poluanți: PM10, PM2,5 și dioxidul de azot.

PM10 reprezintă particulele cu diametrul aerodinamic de cel mult zece micrometri.

PM2,5 include particule mai fine, cu diametrul de cel mult 2,5 micrometri.

Dioxidul de azot este asociat inclusiv proceselor de ardere și traficului rutier.

Ambele metode au reprodus satisfăcător distribuția spațială și temporală a poluanților, potrivit evaluării autorilor.

Combinarea lor într-un model de ansamblu a îmbunătățit performanța estimărilor.

Îmbunătățirea nu înseamnă eliminarea incertitudinii.

Calitatea rezultatelor depinde în continuare de reprezentativitatea măsurătorilor și de corectitudinea variabilelor introduse.

## Câmpia Padului apare printre cele mai afectate regiuni

Hărțile rezultate evidențiază niveluri ridicate de poluare în Câmpia Padului și în marile aglomerări urbane.

Regiunea din nordul Italiei este cunoscută pentru combinația dintre activitățile industriale, traficul rutier, agricultura intensivă și condițiile geografice care pot favoriza acumularea poluanților.

Dar cercetarea nu atribuie automat fiecărei surse un procent al poluării observate.

O asemenea evaluare necesită analize specifice de atribuire a surselor.

De ce este utilă o hartă detaliată pentru sănătatea publică?

Pentru că expunerea populației nu este uniformă. Două comunități din aceeași regiune pot avea condiții diferite.

Modelele permit corelarea estimărilor de poluare cu distribuția populației și cu date epidemiologice.

Pot fi investigate diferențele dintre cartiere, grupuri sociale și intervale de timp.

Totuși, asocierea dintre o concentrație estimată și o afecțiune medicală nu reprezintă automat dovada cauzalității.

Sunt necesare metode epidemiologice care să țină cont de alți factori de risc.

Studiul a fost publicat în Atmospheric Environment, cu identificatorul DOI 10.1016/j.atmosenv.2026.122456.

Rezultatele pot sprijini și aplicarea Directivei europene 2024/2881 privind calitatea aerului.

## România poate utiliza aceeași metodă, dar are nevoie de date solide

În România, Rețeaua Națională de Monitorizare a Calității Aerului furnizează date despre poluanți din numeroase amplasamente.

Aceste informații pot fi consultate public și sunt utilizate pentru evaluări oficiale.

Problema distribuției teritoriale rămâne însă relevantă.

Orașele includ zone de trafic intens, cartiere rezidențiale și amplasamente industriale care nu pot fi reprezentate integral printr-un singur punct de măsurare.

O analiză a [monitorizării calității aerului în România](https://stireaverde.ro/11/03/2026/stiri/monitorizare-calitate-aer-romania-date-anpm/) arată rolul stațiilor naționale în evaluarea poluării atmosferice.

Metoda utilizată în Italia ar putea completa asemenea rețele prin estimări spațiale mai detaliate.

Nu există însă în cercetarea ISPRA o hartă echivalentă realizată pentru România.

Transferul metodologiei ar necesita date locale, modele meteorologice adecvate și validare independentă.

Un algoritm antrenat cu informații italiene nu poate garanta aceeași performanță în București, Iași sau Cluj-Napoca.

În plus, estimările nu trebuie prezentate ca valori măsurate în timp real la fiecare adresă.

Valoarea principală a acestor instrumente constă în identificarea zonelor unde autoritățile ar trebui să investigheze mai atent expunerea populației.

Poluarea nu se oprește la marginea unei celule de pe hartă. Dar o hartă mai detaliată poate arăta unde încep diferențele pe care măsurătorile rare nu reușesc să le surprindă.
