Inquinamento atmosferico

Dati di inquinam e ntoatm o s f eri c o d ell ’area metropolitanamilanese e m eto d o l ogie pe r l a gestione della qualità dell’aria

Fondazione Lombardia per l’Ambiente

a cura di

Bruno RindonePaolo BeltrameAda Lucia De Cesaris

Bruno Rindone è professore di ChimicaOrganica presso l’Università degli Studi diM i l a n o . Membro della Società Chimica Ita-liana, della American Chemical Society, del-la Chemical Society, della International So-ciety for the Study of Xenobiotics, della In-ternational Ozone Association, della Inter-national Association on Water Quality. C o o r-dinatore del programma di ricerca “Uptakeand Nitration of Phenols in the Tr o p o s p h e-ric Aqueous Phase”, del Programma “Envi-ronment and Climate” della Comunità Eu-r o p e a . È uno dei fondatori del Dipartimentodi Scienze dell’Ambiente e del Territorio del-l’Università di Milano dove svolge le sue at-tività di ricerca nel campo del comportamen-to dei composti chimici nell’ambiente e dellachimica “pulita”. Ha al suo attivo 140 pub-blicazioni scientifiche e 6 libri.

Paolo Beltrame, laureato in Chimica Indu-striale presso l’Università degli Studi di Mila-no nel 1954, vi è ora titolare di Processi e Im-pianti Industriali Chimici II per il Corso diLaurea in Chimica Industriale. Si occupa diricerca presso il Dipartimento di Chimica Fi-sica ed Elettrochimica, con studi di cineticachimica applicata su reazioni di interesse in-d u s t r i a l e . È autore o coautore di oltre 140pubblicazioni scientifiche. Una dozzina diqueste si riferiscono a studi cinetici sulla bio-degradazione del fenolo in effluenti acquosimediante fanghi attivi e sull’azione inibitricedi cloro- e nitro-fenoli in tale processo.

Ada Lucia De Cesaris, avvocato in Milano.Ha svolto studi e ricerche in materia di politi-che e normative ambientali, comunitarie enazionali, in particolare si è occupata di V I A,inquinamento idrico, acustico, rifiuti, ecola-bel, ecoaudit ecc.Svolge attività di consulenza per l’ammini-strazione nazionale e locale e affianca la for-mazione di operatori nei settori collegati allanormativa ambientale.

Dati di inquinam e ntoatm o s f eri c o d ell ’area metropolitanamilanese e metodologie pe r l a gestione della qualità dell’ariaa cura di

B runo Rindone Paolo BeltrameAda Lucia De Cesaris

Fondazione Lombardia per l’Ambiente

Foro Bonaparte 12 - 20121 Milanotel. +39(2)809169fax +39(2)[email protected]: //www.flanet.org

Consiglio di Amministrazione

Presidente: Giovanni BottariVicepresidente: Achille CutreraConsiglieri: Giordano Cassetta, Massimo Donati, Salvatore Giannella, Paolo Mantegazza, Emilio Massa, Roberto Schmid

Comitato scientifico

Silvio Garattini, Angelo Cavallin, Renzo Compiani, Emilio Gerelli, Giorgio Guariso, Alfredo Liberatori, Gianfranco Mascazzini, Paola Vita Finzi

Coordinatore Scientifico: Antonio Ballarin Denti

Programma editoriale ideato e curato da: Salvatore Giannella

Coordinamento editoriale: Rosa Maria Panattoni

Revisione: Diana Borio

Progettazione e fotocomposizione: Studio Tabloid, MilanoStampa: Arti Grafiche by Juri Iodice, Sannazzaro (PV)

© 1998 Copyright Fondazione Lombardia per l’Ambiente Proprietà letteraria riservataNessuna parte di questo volume può essere riprodotta o utilizzata sotto nessuna forma, senza permessoscritto, tranne che per brevi passaggi in sede di recensione e comunque citando la fonte.

5

Prefazione pag. 9

Introduzione 11

Premessa 17

Capitolo 1

REPERIMENTO E ORGANIZZAZIONE DEI DATI ESISTENTI DI INQUINAMENTO ATMOSFERICO RELATIVI ALL’AREA MILANESEdi Giorgio Catenacci e Antonio Negri 21

1.1 Introduzione 221.2 CATALOMB: un catalogo per l’accesso ai dati

dell’area metropolitana milanese 22Appendice - Schede riepilogative delle informazioni contenute nei data-set reperiti 29

Capitolo 2

IL MODELLO EMISMOB2 PER LA STIMA DELLE EMISSIONI DA TRAFFICOdi Michele Giugliano, Stefano Cernuschi e Andrea Cemin 37

2.1 Il modello EMISMOB2 382.1.1 Introduzione 382.1.2 I fattori di emissione CORINAIR 392.1.3 Caratteristiche del modello 392.1.4 Modalità di applicazione del modello 42

2.2 Applicazione del modello EMISMOB2 alla stima dell’evoluzione delle emissioni da traffico nell’area urbana di Milano 442.2.1 Evoluzione del parco circolante 442.2.2 Suddivisione dell’area di studio per regimi di traffico

e ripartizione del parco circolante 45

Indice

6

2.2.3 Stima dell’evoluzione delle emissioni pag. 47Bibliografia 49

Capitolo 3

L’APPROCCIO A RECETTOREdi Michele Giugliano, Stefano Cernuschi e Andrea Cemin 51

3.1 Statistica descrittiva 523.1.1 Disponibilità e serie analizzate 523.1.2 Analisi della statistica descrittiva 533.1.3 Le distribuzioni delle serie annuali 583.1.4 Composti organici volatili 60

3.2 Rispetto degli standard e analisi delle tendenze 623.2.1 Rispetto dei limiti di qualità dell’aria 62

3.3 Modelli statistici 713.3.1 Modelli statistici per la distribuzione di CO 723.3.2 Modelli semiempirici 733.3.3 Valori estremi della distribuzione 803.3.4 Modelli empirici per il numero di superamenti

dello standard di qualità dell’aria 833.4 Modelli statistici per la distribuzione di NO2 85

3.4.1 Modello empirico 853.4.2 Modelli semiempirici 88

3.5 Relazioni a lungo termine tra NO2 ed NOx 973.5.1 Relazione tra le medie annuali di NO2 ed NOx 973.5.2 Relazione tra le medie mensili di NO2 ed NOx 104

3.6 Modelli statistici per la distribuzione di O3 1063.6.1 Modello semiempirico di Weibull 106

Capitolo 4

STIMA DELLE RIDUZIONI DELLE EMISSIONIdi Michele Giugliano, Stefano Cernuschi e Andrea Cemin 109

4.1. Introduzione 1104.1.1 Modelli roll-back 1114.1.2 Stima della riduzione per il rispetto dello standard per il CO 1134.1.3 Stima della riduzione per il rispetto dello standard per NO2 1144.1.4 Le osservazioni di fine settimana

per la stima degli effetti della riduzione di NOx 1164.2 Il contributo delle sorgenti di NOx ai dati di qualità dell’aria 124

4.2.1 Valutazione qualitativa basata sull’analisi del rapporto NO2/NOx 124

7

4.2.2 Applicazione dell’analisi cluster pag. 1324.2.3 Valutazione quantitativa basata su un modello concettuale 1334.2.4 Applicazione del modello concettuale

per la stima del contributo delle sorgenti 1354.2.5 Applicazione probabilistica del modello concettuale 136

Bibliografia 141

Capitolo 5

UN SISTEMA DI SUPPORTO ALLA SCELTA DI MODELLI URBANIdi Giovanna Finzi 145

5.1 Introduzione 1465.1.1 Rassegna dei modelli di dispersione in area urbana 1465.1.2 Organizzazione e caratteristiche del sistema 151

Capitolo 6

ALCUNI MECCANISMI CHIMICI PRESENTI NEI MODELLI PER LA SIMULAZIONE DELLA QUALITÀ DELL’ARIAdi Luigi Fortina 157

6.1 Introduzione: meccanismi chimici e meccanismi fisici nei modelli di qualità dell’aria 158

6.2 Scopo del lavoro 1596.3 Criteri per la scelta del modulo chimico 160

6.3.1 Adeguatezza del modello 1616.3.2 Livello di sofisticazione dei modelli 161

6.4 Le trasformazioni chimiche 1626.5 Confronto tra otto meccanismi chimici fondamentali 163

6.5.1 Meccanismo di Seinfeld 1646.5.2 Meccanismi CB III, CB IV e CB EX 1646.5.3 Meccanismo ALW 1646.5.4 Meccanismo di Dodge 1646.5.5 Meccanismo SAPCR 1646.5.6 Meccanismo RADM2 1646.5.7 Parametri richiesti da alcuni dei meccanismi 165

6.6 Assemblaggio del database 1676.6.1 Struttura del database 1686.6.2 Tabella: elenco delle specie chimiche 1686.6.3 Tabella delle reazioni 169

6.7 Considerazioni 1706.8 Conclusioni 172Bibliografia 174

8

Capitolo 7

APPLICAZIONE DEL MODELLO CALGRID ALL’AREA URBANA DI MILANO di Giovanna Finzi 181

7.1 Introduzione 1827.2 Il modello CALGRID 183

7.2.1 Caratteristiche del modello 1837.3 Applicazione del modello all’area milanese 189

7.3.1 Scelta del periodo su cui svolgere la simulazione 1897.3.2 Caratterizzazione meteorologica 1917.3.3 Stima delle emissioni 1937.3.4 Condizioni iniziali e al contorno 1937.3.5 Risultati delle simulazioni 195

Bibliografia 207

Capitolo 8

L’INQUINAMENTO DELL’ARIA E LA VALUTAZIONE DEI DANNI: UN APPROCCIO METODOLOGICOdi Giorgio Panella e Sergio Ascari 211

8.1 Premessa 2128.2 L’inquinamento atmosferico: il quadro di riferimento teorico 2148.3 La definizione di costo sociale 2168.4 Gli impatti ambientali imputabili ai trasporti

e le metodologie di valutazione 2188.4.1 Procedure di valutazione diretta 2198.4.2 Procedure di valutazione indiretta 220

8.5 Gli effetti sulla salute umana: gli studi epidemiologici 2218.6 La dimensione quantitativa dei danni dell’inquinamento

atmosferico derivanti dal trasporto 2238.6.1 Incidenti alle persone 2238.6.2 Inquinamento acustico 2258.6.3 Inquinamento atmosferico locale 2268.6.4 Congestione 2288.6.5 Utilizzo del suolo 2308.6.6 Costi totali esterni dei trasporti 230

Bibliografia 233

Sintesi delle attività di progetto 237

Indice analitico 251

9

Prefazione

Q uesto volume appartiene a una nuova serie di pubblicazioni, nuova nel contenutnella veste grafica, che la Fondazione Lombardia per l’Ambiente inaugura a conclu -sione del programma di valorizzazione dei risultati dei tre importanti progetti da es -

sa promossi e finanziati fra il 1994 e il 1997. Si tratta di ricerche che, facendo perno sulla pre -valente collaborazione di istituti universitari e di altri enti di ricerca della nostra regione, sonostate proposte e sostenute dalla Fondazione per affrontare importanti questioni di inquina -mento e degrado ambientale nel contesto del territorio regionale.

Le tematiche affrontate riguardavano rispettivamente:1. la gestione del territorio in relazione allo smaltimento dei rifiuti tossico-nocivi (coordina -

tore Prof. Giuseppe Marchetti, Università di Pavia);2. gli effetti dell’inquinamento sui sistemi agricoli e forestali (coordinatore Prof. Sergio Co -

cucci, Università di Milano);3. la qualità dell’aria nell’area metropolitana milanese e i suoi riflessi sulla salute dell’uomo

(coordinatore Prof. Paolo Beltrame, Università di Milano).

I progetti, una volta conclusi, sono stati oggetto di un’attenta opera di valutazione al fine deltrasferimento dei loro risultati e della valorizzazione del know how maturato nel loro svolgi -mento. Questo processo è stato affidato a un gruppo di studio formato dai professori DemetrioPitea (progetto 1), Francesco Sartori (progetto 2) e Bruno Rindone (progetto 3) e dall’avvoca -to Ada Lucia De Cesaris, esperta in diritto ambientale, per tutti gli aspetti relativi ai rapporticon la Pubblica Amministrazione.

In questo ambito, infatti, si erano voluti individuare gli “utilizzatori finali” dell’azione ditrasferimento, secondo una metodologia adottata in sede comunitaria europea, volta a trasmet -

1 0

tere i risultati della ricerca scientifica a coloro che sul piano istituzionale (e in seconda istanzaanche professionale e produttivo) hanno responsabilità nelle decisioni in campo ambientale. Siè pertanto impostato un programma di auditing, grazie anche al proficuo rapporto di collabo -razione con l’assessorato all’Ambiente della Regione Lombardia, con le strutture tecnico-am -ministrative e regionali, per mettere a punto contenuti e finalità del programma di ricerca.

La pubblicazione di questo volume (accanto agli altri otto libri delle tre serie in pubblica -zione) conclude questa fase di valorizzazione dei primi tre grandi progetti coordinati di ri -cerca che consideriamo di sicura rilevanza scientifica, sviluppati dalla nostra Fondazione.

Rivolgiamo un caloroso ringraziamento ai professori Demetrio Pitea, Bruno Rindone eFrancesco Sartori e all’avvocato Ada Lucia De Cesaris che hanno diretto con impegno ecompetenza l’intero programma di valorizzazione insieme con il coordinatore scientificodella Fondazione Prof. Antonio Ballarin Denti. Siamo altresì riconoscenti per l’efficace col -laborazione fornita dai funzionari della Regione Lombardia, responsabili dei settori oggettodelle singole opere, e che ringraziamo più specificatamente nelle pagine introduttive dei va -ri volumi. Gli uni e gli altri hanno fornito un prezioso contributo al nostro programma di -mostrando – in coerenza con un paradigma culturale della nostra Fondazione – che scienzae azione politico-amministrativa nel campo ambientale possono trovare un terreno serio ecostruttivo di collaborazione e sviluppo comune.

Il PresidenteGiovanni Bottari

Introduzione

G li obiettivi del Progetto di ricerca “La qualità dell’aria nell’area metropolitana minese e i suoi riflessi sulla salute dell’uomo” del quale sono stato coordinatore scienti -fico comprendono:

• reperimento, organizzazione ed elaborazione dei dati esistenti di inquinamento atmo -sferico, con speciale riferimento ai microinquinanti, e metodologie per la gestione della qua -lità dell’aria;

• rilevamento ambientale dei microinquinanti;• qualità dell’aria e sue implicazioni per la salute dell’uomo;• analisi e sperimentazione sugli effluenti gassosi prodotti dalla termodistruzione dei rifiuti;• aspetti economici del controllo dell’inquinamento atmosferico urbano: una politica d’inter -

vento.Per la realizzazione di questi obiettivi le attività sono state articolate su cinque linee di ri -

c e r c a :La linea 1 coordinata dal Prof. Michele Giugliano, Dipartimento di Ingegneria Idraulica,

Ambientale e del Rilevamento, Politecnico di Milano, e avente come obiettivo: “Reperimento,organizzazione ed elaborazione dei dati esistenti di inquinamento atmosferico, con speciale ri -ferimento ai microinquinanti, e metodologie per la gestione della qualità dell’aria”.

La linea 2 coordinata dal Dr. Roberto Fanelli, Istituto di Ricerche Farmacologiche “MarioNegri“ e avente come obiettivo: “Rilevamento ambientale dei microinquinanti”.

La linea 3 coordinata coordinata dal Prof. Marco Maroni, Istituto di Medicina del Lavoro,Università di Milano, e avente come obiettivo “Qualità dell’aria e sue implicazioni per la salu -te dell’uomo”.

La linea 4coordinata dal Prof. Paolo Carniti, Dipartimento di Chimica Fisica ed Elettrochi -mica, Università degli Studi di Milano, e avente come obiettivo: “Analisi e sperimentazione su -gli effluenti gassosi prodotti dalla termodistruzione dei rifiuti”.

1 1

1 2

L a linea 5 coordinata dal Prof. Giorgio Panella, Centro Ricerca Economia Ambiente, Uni -versità degli Studi di Pavia, e avente come obiettivo: “Aspetti economici del controllo dell’in -quinamento atmosferico urbano: una politica d’intervento”.

La natura tipicamente interdisciplinare dei problemi da affrontare richiede competenze spe -cifiche nei campi della chimica, della statistica, della biologia, della medicina, dell’economia, deldiritto, della fisica, delle scienze ambientali.

Per soddisfare queste esigenze sono state attivate 14 Unità Operative (UO) facenti capo al -l’Università degli Studi di Milano, all’Università degli Studi di Pavia, al Politecnico di Mila -no, all’Istituto di Ricerche Farmacologiche “Mario Negri”, al CISE, alla Stazione Sperimenta -le per i Combustibili, all’Istituto per l’Inquinamento Atmosferico del CNR, alla FondazioneClinica del Lavoro, al Centro di Ricerca Economia e Ambiente.

Le ricerche hanno avuto inizio il 1 settembre 1994 e si sono concluse il 1 settembre 1996, aeccezione di quelle di argomento economico, che sono terminate un anno prima.

Complessivamente alle attività di ricerca hanno partecipato 40 ricercatori, 4 ricercatori acontratto con la Fondazione Lombardia per l’Ambiente, 11 borsisti e 16 tecnici.

Di seguito sono riportati i dati relativi alle linee di ricerca e alle Unità Operative. Nell’allegato,sono schematicamente riassunte le attività di ricerca e i risultati ottenuti da ciascuna UO.

Coordinatore del ProgettoProf. Paolo Beltrame

Università degli Studi di Milano, Dipartimento di Chimica Fisica

ed Elettrochimica.

LINEEDI RICERCA E UNITÀ OPERATIVE

Le tematiche della linea 1 sono:• Elaborazione dei dati di qualità dell’aria per il supporto alle decisioni metodolo-

giche e parametri per la valutazione delle emissioni da traffico in aree urbaneDipartimento di Ingegneria Idraulica, Ambientale e del Rilevamento - Politecnico di Milano (UOPOLIMI-1)Responsabile: Prof. Michele Giugliano

• Un sistema di supporto alle decisioni per la valutazione della qualità dell’ariain area urbana. Implementazione e applicazione alla città di MilanoDipartimento di Ingegneria Idraulica, Ambientale e del Rilevamento - Politecnico di Milano (UOPOLIMI-2)Responsabile: Prof. Giovanna Finzi

• Analisi dei parametri e dei meccanismi di trasformazione e rimozione degli in-quinanti in atmosfere urbaneDipartimento di Ingegneria Idraulica e Ambientale - Università degli Studi di Pavia (UOUNIPV)Responsabile: Prof. Luigi Fortina

1 3

• Organizzazione e analisi dei dati di qualità dell’aria nell’area urbana di MilanoCISE - Segrate (UOCISE)Responsabile: Ing. Antonio Negri

Le tematiche della linea 2 sono:• Identificazione e misura di inquinanti volatili da traffico nell’aria di Milano

Istituto di Ricerche Farmacologiche “Mario Negri” (UOMANE-1)Responsabile: Dr. Roberto Fanelli

• Valutazione della concentrazione nell’aria di Milano dei microinquinantiorganici volatili, tra cui benzene, butadiene e aldeidi ad alta rilevanza tossi-c o l o g i c aStazione Sperimentale per i Combustibili - San Donato Milanese (Milano) (UO-COMB)Responsabile: Dr. Antonio Rolla

• Profilo qualitativo/quantitativo di metalli in traccia e ultratraccia nel particola-to ambientale nella città di MilanoFondazione Clinica del Lavoro - Pavia (UOCLPV-1)Responsabile: Dr. Anna Maria Ronchi

• Evoluzione chimica e fisica degli inquinanti atmosferici nella città di MilanoIstituto dell’Inquinamento Atmosferico - CNR, Area della Ricerca di Roma (UOCNR)Responsabile: Dr. Antonio Febo

Le tematiche della linea 3 sono:• Caratterizzazione dell’esposizione a inquinanti atmosferici aerodispersi in

soggetti residenti a MilanoIstituto di Medicina del Lavoro - Università degli Studi di Milano (UOCLMI)Responsabile: Prof. Marco Maroni

• Indicazione di dose esterna e di dose interna nella valutazione dell’esposizio-ne ambientale a metalli e a idrocarburi policiclici aromatici in residenti dellacittà di MilanoFondazione Clinica del Lavoro - Pavia (UOCLPV-2)Responsabile: Dr. Claudio Minoia

• Misura degli addotti all’emoglobina di inquinanti atmosferici specifici comeindice di esposizione e di rischio Istituto di Ricerche Farmacologiche “Mario Negri” (UOMANE-2)Responsabile: Prof. Carlo La Vecchia

Le tematiche della linea 4 sono:• Eliminazione di effluenti tossici gassosi nella termodistruzione di rifiuti e

scarti industriali

1 4

Dipartimento di Chimica Fisica ed Elettrochimica - Università degli Studi di Milano (UOCFMI)Responsabile: Prof. Paolo Carniti

• Caratterizzazione di microinquinanti organici nelle emissioni di impianti spe-rimentali di combustione e di trattamento di materiali plasticiIstituto di Ricerche Farmacologiche “Mario Negri” (UOMANE-3)Responsabile: Dr. Emilio Benfenati

Le tematiche della linea 5 sono:• Aspetti economici del controllo dell’inquinamento atmosferico urbano: una

politica di interventoCentro Ricerca Economia Ambiente - Università degli Studi di Pavia (UOCREAPV)Responsabile: Prof. Giorgio Panella

I risultati prodotti da questo progetto di ricerca sono stati numerosi e ricchi di informazioni,dati e proposte di sicuro interesse. Si è quindi deciso di procedere alla loro valorizzazione con laseguente metodologia:

• esame dettagliato dei rendiconti di attività presentati da ciascuna Unità Operativa, al finedi individuare i risultati ottenuti e di valutare le metodologie utilizzate;

• individuazione di risultati e/o metodologie studiate parallelamente da Unità Operative col -locate in diverse linee, e quindi operanti con ottiche diverse, allo scopo di accorparne i risultativalorizzando così la eventuale valenza multidisciplinare del lavoro svolto e la sua ricchezza me -todologica;

• classificazione dei risultati ottenuti in cinque tipologie:a) risultati di prevalente carattere di ricerca applicata, e quindi adatti all’utilizzazione come

prodotti per la comunità scientifica;b) risultati di prevalente carattere di ricerca tecnologica, e quindi adatti all’utilizzazione co -

me contributi alla Best Available Technology;c) risultati trasferibili come informazioni per l’Amministrazione Pubblica in forma di ma -

nuali tecnici, materiale informativo per gli amministratori, materiale informativo per l’utente;d) risultati utilizzabili nel quadro delle attività di formazione dell’Amministrazione Pub -

b l i c a ;e) risultati utilizzabili per attività di informazione e sensibilizzazione verso l’opinione

p u b b l i c a .• Individuazione dei soggetti destinatari e delle forme specifiche di valorizzazione dei risultati.

I temi scelti nelle tipologie a-c per le iniziative editoriali di valorizzazione sono stati:• dati di inquinamento atmosferico dell’area metropolitana milanese e metodologie

per la gestione della qualità dell’aria;• il benzene e altri composti aromatici: monitoraggio e rischi per l’uomo;• le emissioni industriali in atmosfera: inventario e trattamento.Per il primo tema, dopo una dettagliata descrizione dei dati attualmente disponibili per la Re -

gione Lombardia, ci si propone di discutere il ruolo dell’approccio statistico e deterministiconella gestione dell’inquinamento atmosferico.

1 5

Per quanto riguarda l’approccio statistico, in particolare, ci si propone di evidenziare come essopossa essere utilizzato nell’ambito della risoluzione di problematiche connesse con l’individuazio -ne degli obiettivi di riduzione delle emissioni richiesti dalla stesura di piani di risanamento. Perl’approccio deterministico, invece, dopo la presentazione di un “sistema esperto” che consente a unutente non esperto di individuare il modello più idoneo alle sue problematiche, ci si propone di di -scutere l’attuale stato di conoscenze delle emissioni da traffico nell’area metropolitana milanese e dipresentare i risultati di un’applicazione preliminare del modello CALGRID su questa stessa area.

Occorre anche valutare la dimensione dei danni alla salute umana derivanti dall’inquina -mento atmosferico. Vi è quindi la necessità di definire il livello ottimale di inquinamento, comepunto di eguaglianza fra i costi marginali del disinquinamento e i suoi benefici marginali.

Le tematiche in questione hanno trovato spazio nelle linee 1 e 5 del Progetto“La qualità del -l’aria nell’area metropolitana milanese e i suoi riflessi sulla salute dell’uomo”. In particolare,si valorizza il contributo dato sui seguenti argomenti:

1) La costituzione di una banca dati relativa alla qualità dell’aria nella zona di Milano.2) L’elaborazione statistica dei dati, con particolare attenzione alle emissioni da traffico.3) La raccolta di informazioni bibliografiche sulle reazioni chimiche atmosferiche che inte -

ressano gli inquinanti.4) La costituzione di una banca modelli e l’organizzazione di un "sistema esperto" per l’im -

piego di modelli matematici dei fenomeni.5) Lo studio del danno economico derivante dall’inquinamento atmosferico, con particolare

riferimento alla salute umana.6) La proposta di strumenti operativi di controllo e la valutazione dei costi.Il primo volume è dotato di un supporto informatico* ove è raccolto il seguente software:• catalogo informatizzato sull’inquinamento in Lombardia;• modello EMISMOB;• un sistema di supporto alle decisioni;• database meccanismi chimici.Per il secondo tema, rilevamenti di benzene vengono condotti in Lombardia da circa cinque

anni e, anche se essi sono stati sviluppati spesso in modo poco organico e in termini metodolo -gici diversi, appare indiscutibile che le concentrazioni di questo inquinante possano raggiun -gere, soprattutto in zone caratterizzate da forti emissioni e in presenza di condizioni meteoro -logiche sfavorevoli alla dispersione degli inquinanti, livelli di assoluto rilievo.

Analogamente, è importante la determinazione dei livelli di altre categorie di composti aro -matici, quali policlorodibenzodiossine, policlorodibenzofurani, policlorobifenili emessi da sva -riate fonti e con impatto tossicologico molto diversificato.

Si pone quindi l’obiettivo di fare il punto sulle attuali conoscenze circa le concentrazioni diquesti inquinanti nella Regione Lombardia nonché di valutarne le tendenze future e i poten -ziali effetti sulla salute dell’uomo.

Negli ultimi anni molti sforzi a livello di comunità scientifica sono stati compiuti per effet -tuare campagne di raccolta dati, individuare le tecniche più adatte e la loro standardizzazione,per valutare i dati ottenuti, le correlazioni con i parametri meteorologici, l’individuazione dibiomarker per controllarne l’esposizione personale.

* Per la consultazione dei dati citati nel primo volume vedere il sito Internet nell’area di down load. Il sito èwww. flanet. org

1 6

Un obiettivo è quindi la razionalizzazione dello stato delle conoscenze, in modo da forni -re sia all’operatore pubblico che privato un manuale il più possibile completo ed esaurienteper campionare, analizzare, valutare la quantità di composti aromatici in atmosfera e il lo -ro effetto sulla salute umana.

A tale scopo, è stato necessario aggiungere due capitoli su argomenti non trattati nel proget -to di ricerca originale:

1) microinquinanti organici in atmosfera;2) campionamento e analisi dei composti organici volatili (COV).L’inserimento di questi capitoli ha reso comprensibile il successivo impianto scientifico.Le tematiche in questione hanno trovato spazio nelle linee 2 e 3 del Progetto “La qualità del -

l’aria nell’area metropolitana milanese e i suoi riflessi sulla salute dell’uomo”. In particolare,viene valorizzato il contributo dato sui seguenti argomenti:

1) il campionamento e la misura di microinquinanti (policlorodibenzodiossine e analoghi,idrocarburi policiclici aromatici, sostanze organiche volatili) da traffico e da altre fonti;

2) determinazioni analitiche di inquinanti utilizzando un mezzo mobile;3) il miglioramento delle tecniche analitiche per i microinquinanti, incluso il monitoraggio

ad alta frequenza con un prototipo di nuova strumentazione;4) lo studio sulla popolazione per quanto riguarda l’esposizione a (e l’assorbimento di) com -

posti organici volatili, altri inquinanti e radon. Per il terzo tema, il controllo dei reflui gassosi dell’industria è una naturale componente de -

gli interventi per il risanamento della qualità dell’aria nelle grandi conurbazioni. In Lombar -dia, il contributo dei reflui industriali all’inquinamento atmosferico è stimato essere circa unterzo di quello derivante dal traffico automobilistico. Riesce però difficile affrontare questo pro -blema in maniera sufficientemente rappresentativa, se non si possiede un inventario delle emis -sioni, aggiornato e realistico. Infatti, le modificazioni dei cicli tecnologici, e quindi delle loroemissioni, sono spesso più rapide della frequenza delle campagne di monitoraggio.

È stato quindi necessario aggiungere due capitoli, non previsti nel progetto di ricerca origi -nale, dedicati ai seguenti argomenti:

1) i composti organici volatili (COV) e gli inventari delle emissioni;2) le emissioni industriali di composti organici volatili (COV) in Lombardia: studi disponibili.In questo modo è stato possibile descrivere gli inventari delle emissioni industriali attual -

mente disponibili in Lombardia, indicando i parametri che possono essere usati per raggruppa -re le emissioni in gruppi rappresentativi. Ciò ha valorizzato il contenuto dei capitoli successi -vi, dove vengono esposte alcune considerazioni derivanti dagli studi preliminari effettuati nelcorso della ricerca per il controllo dei reflui nelle attività produttive.

Le tematiche in questione hanno trovato spazio nella linea 4 del Progetto “La qualità dell’a -ria nell’area metropolitana milanese e i suoi riflessi sulla salute dell’uomo”. In particolare, vie -ne valorizzato il contributo dato sui seguenti argomenti:

1) lo studio di processi di combustione e di conversione termo-catalitica di rifiuti solidi, conparticolare attenzione ai polimeri sintetici, in impianti continui di laboratorio o a carattere pi -lota, nonché la caratterizzazione e determinazione analitica dei microinquinanti prodotti in ta -li processi di combustione e conversione;

2) lo studio della distruzione dei composti organici volatili mediante l’impiego di catalizza -tori associati eventualmente con ozono;

3) l’eliminazione degli ossidi di azoto, tipici prodotti nei processi di combustione, con reazio -ni catalitiche che utilizzino riducenti alternativi all’ammoniaca, come gli idrocarburi.

1 7

Premessa

L o sviluppo di varie reti di monitoraggio e la realizzazione di numerose campagne di msura ha reso disponibile una grande quantità di dati sull’inquinamento atmosferico re -gistrato nella Regione Lombardia.

Questa forte disponibilità di dati rappresenta una grande risorsa di conoscenze che non vie -ne sempre utilizzata al pieno delle potenzialità. Infatti spesso le elaborazioni condotte sui datisi limitano all’esigenza istituzionale di verifica dei limiti di legge, mentre è noto che, laddove lapopolazione e la qualità dei dati lo consentono, con approcci orientati “al recettore” si possonoricavare informazioni di grande utilità nella gestione della qualità dell’aria e in particolare nel -l’impostazione dei piani di risanamento. L’uso di questo approccio statistico, tuttavia, richiedeuna integrazione con un approccio deterministico. Quest’ultimo, benché probabilmente più no -to e consolidato, presenta ancora numerosi aspetti problematici sia per la difficoltà di reperiredati affidabili sulle emissioni degli inquinanti e sui parametri meteorologici sia perché i codicidisponibili sono stati generalmente ideati per situazioni ambientali molto differenti da quellecaratteristiche della Regione Lombardia.

In questo contesto il presente lavoro, dopo una dettagliata descrizione dei dati attualmentedisponibili per la Regione Lombardia, si propone di discutere il ruolo dell’approccio statistico edeterministico nella gestione dell’inquinamento atmosferico.

Per quanto riguarda l’approccio statistico, in particolare, ci si propone di evidenziare comeesso possa essere utilizzato nell’ambito della risoluzione di problematiche connesse con l’indi -viduazione degli obiettivi di riduzione delle emissioni richiesti dalla stesura di piani di risana -mento. Per l’approccio deterministico, invece, viene presentata una simulazione dell’inquina -mento atmosferico in una zona della Lombardia e un “sistema esperto” che consente a un uten -te non esperto di individuare il modello più idoneo alle sue problematiche.

Il materiale raccolto è diretto a tre fondamentali gruppi di utenti:• i tecnici del settore pubblico che hanno compiti di istituto in materia di controlli sulla qua -

1 8

lità dell’aria. Gli argomenti trattati sono sicuramente noti. Questa pubblicazione intende peròfornirli in una versione organizzata e di semplice consultazione. Si intende così facilitare ilcompito a chi ha necessità di reperire un particolare dato durante lo svolgimento dell’attivitàlavorativa quotidiana.

• I tecnici dei settori produttivi coinvolti nella gestione del controllo delle emissioni in atmo -sfera degli impianti. Si è trattato di fornire loro informazioni sulle metodologie di lettura deidati di qualità dell’aria in riferimento alla normativa. Questo dato è utile per definire lo scena -rio in cui si colloca un particolare impianto.

• Gli amministratori locali che hanno compiti di vigilanza e di controllo sulla qualità dell’a -ria, e che sono chiamati a prendere delle decisioni, spesso di grande peso per la collettività, afronte dell’evoluzione di certi parametri di qualità dell’aria. Essi sono espressione del territorioe dei suoi bisogni, oltre che testimoni diretti degli eventi che generano un miglioramento (o unpeggioramento) della qualità dell’aria. Fornirli di strumenti agili di conoscenza e documenta -zione è sembrato un servizio per la collettività.

Sulla base di queste considerazioni, questi sono gli argomenti trattati nei singoli capitoli:1. Il primo capitolo rende disponibili agli addetti e ai ricercatori dati e informazioni, preve -

dendo una fase di analisi e di organizzazione, per valutarne la relativa completezza, affidabi -lità, comparabilità e utilizzabilità. Il relativosoftware è disponibile nel sito Internet nell’area didown load*.

2. Un completamento di questo approccio è costituito dal secondo capitolo, in cui ci si occu -pa della valutazione delle emissioni da traffico, che esige stime sempre più accurate delle sueemissioni anche in relazione alla definizione di strategie di risanamento. In questo contesto èstato aggiornato e sviluppato il modello di calcolo EMISMOB. Questo modello implementa lametodologia di calcolo del progetto CORINAIR e la adatta a situazioni specifiche della moto -rizzazione italiana. Il relativo software è disponibile nel sito Internet nell’area di down load*.

3. Il terzo capitolo considera le serie annuali dei dati di concentrazione registrate dalle 27 sta -zioni della rete di rilevamento regionale operanti nell’area omogenea di Milano nel periodo1989-1994. Si sono calcolati i principali parametri della statistica descrittiva, e, per descrizio -ni più raffinate delle distribuzioni, si sono utilizzati modelli statistici empirici che possono con -sentire descrizioni anche molto precise dei valori estremi, e risultano quindi di particolare uti -lità per l’area del rilevamento. Il relativo software è disponibile nel sito Internet nell’area didown load*.

4. Complementare a queste argomentazioni è il contenuto del quarto capitolo, in cui si indi -vidua una procedura di valutazione, partendo dall’acquisizione dei dati di qualità dell’aria. Selo standard è superato si fanno delle ipotesi di riduzione delle emissioni e la media risultante,calcolata con il modello roll-back sulla base di tali ipotesi, viene interpretata dai modelli stati -stici per valutare se l’ipotesi di riduzione ha avuto successo. Nella modellistica della qualità del -l’aria in ambito urbano, come del resto in diversi altri settori della modellistica dei sistemi am -bientali, esiste una proliferazione di modelli e relativi packages, atti a simulare le più svariatesituazioni.

5. Il quinto capitolo mostra la realizzazione di un sistema che, fissato e circoscritto un certoambito applicativo, risulti in grado di supportare l’utente “inesperto” nella fase di scelta delmodello, fornendogli il maggior numero possibile di informazioni riguardo lo stato dell’arte

* Il sito è www.flanet.org

1 9

corrente. Questo sistema, è disponibile nel sito Internet nell’area di down load* e può esserefacilmente installato su un personal computer.

6. Il sesto capitolo raggruppa i dati disponibili per la costruzione della parte chimica di unmodello previsionale di qualità dell’aria. Si tratta di una raccolta di informazioni sulle trasfor -mazioni dei composti chimici emessi in atmosfera da utilizzare nella modellistica troposferica.Anche questo capitolo è dotato di una banca dati su supporto informatico.

7. Il modello CALGRID, di derivazione californiana, è utilizzato nel settimo capitolo permodellare la qualità dell’aria in una porzione del territorio lombardo. Questo modello ap -partiene alla classe dei modelli Euleriani che sono basati sulla conservazione della massaespressa in funzione del tempo e delle coordinate di un sistema di riferimento fisso. Vengo -no così effettuati diversi confronti tra la concentrazione calcolata e quella misurata per al -cuni importanti inquinanti.

8. L’ottavo capitolo pone il problema della conoscenza sia della funzione dei costi di disinqui -namento che di quella dei danni all’ambiente. Ciò significa, in altri termini, valutare la curvadi domanda di aria pulita. Esistono infatti delle tecniche che permettono di valutare, diretta -mente o indirettamente, la disponibilità a pagare dei consumatori per ottenere un dato bene,nella fattispecie l’aria pulita. Esse vengono esaminate insieme ai problemi teorici ed empiriciche derivano dalla loro applicazione.

Complessivamente, statistica, modellistica e valutazione economica del fenomeno e degli in -terventi sono il contenuto di questo volume e del materiale fornito su supporto informatico.

Bruno Rindonee Ada Lucia De Cesaris

Capitolo 1

Reperimento e organizzazionedei dati esistenti

di inquinamento atmosfericorelativi all’area milanese

Giorgio Catenacci e Antonio Negri

DA T ID I I N Q U I N A M E N T O A T M O S F E R I C OD E L L’A R E A M E T R O P O L I T A N AM I L A N E S E

E M E T O D O L O G I E P E R L A G E S T I O N ED E L L A Q U A L I T ÀD E L L’A R I A

2 2

Sommario

L’area metropolitana milanese è probabilmente la zona per la quale è stata effettuata la più in -tensa attività di rilevamento dell’inquinamento atmosferico in Italia. A questa attività, nel cor -so degli ultimi 30 anni, hanno contribuito soggetti di varia natura e, accanto a enti come le am -ministrazioni provinciali e i PMIP che hanno svolto i loro rilievi per scopi istituzionali, hannooperato anche numerosi enti di ricerca e società, sia pubbliche che private.

I dati prodotti nell’ambito di questa articolata attività di misura non sono purtroppo semprefacilmente accessibili. Infatti, se enti come la Regione Lombardia hanno investito forti risorseper realizzare strumenti informatici che consentissero una rapida ed efficiente diffusione dei da -ti, altri hanno adottato scelte differenti e conseguentemente i dati da loro raccolti non hanno po -tuto avere grande diffusione.

In questo contesto uno degli obiettivi della ricerca è stato quello di raccogliere, organizzare erendere disponibili tutti i dati relativi sia ai macro che ai microinquinanti raccolti nell’area me -tropolitana milanese nel periodo 1987/95.

Nel capitolo vengono evidenziati i risultati di questa attività e viene presentato il catalogoCATALOMB per l’accesso ai dati dell’area metropolitana milanese.

1.1 Introduzione

La ricerca si è posta l’obiettivo di raccogliere, organizzare e rendere disponibili tutti idati relativi sia ai macro che ai microinquinanti raccolti nell’area metropolitana mila-nese nel periodo 1987/95.

La tabella 1.1 evidenzia un quadro sintetico di questi dati, mostrando, accanto a datifacilmente accessibili come quelli disponibili negli archivi informatici regionali, ancheuna significativa quantità di dati non disponibili su archivi di facile accesso.

1.2 CATALOMB: un catalogo per l’accesso ai dati dell’area metropolitana milanese

Nell’ambito del progetto questi dati sono stati memorizzati in un archivio informati-co, realizzato in formato ASCII così da rendere del tutto generale la possibilità di let-tura ed elaborazione degli stessi. È stato anche sviluppato un Catalogo Informatizza -to* che permette di visualizzare in modo semplice e immediato quali dati sono dispo-nibili in archivio e di accedere a essi.

Lo scopo con cui è stato progettato il catalogo è quello di consentire la consultazio-ne di Schede Riepilogative, permettendo così di effettuare ricerche mirate al fine di se-lezionare in modo semplice i dati di interesse dell’utente.

In particolare, le ricerche possibili nell’ambito del catalogo sono le seguenti:1. scelta del composto inquinante all’interno di una lista prestabilita;2. scelta del periodo temporale;

* Per la consultazione dei dati citati vedere il sito Internet nell’area di down load.Il sito è www.flanet.org

Capitolo 1 REPERIMENTOEORGANIZZAZIONE DEIDATI ESISTENTI

DIINQUINAMENTO ATMOSFERICO RELATIVIALL’AREAMILANESE

2 3

3. scelta della tipologia dei rilievi, distinta in:• misure con strumentazione automatica “puntuale”;• misure con strumentazione automatica “di area”;• misure “integrate”, ovvero tramite prelievo e successiva analisi di laboratorio.

Soggetto fornitore Inquinanti/metodi Sito Periododei dati m i s u r a di rilevamento temporale

Regione concentrazioni 220 stazioni fisse, 1989/94Lombardia, orarie degli ubicate sulSettore Ambiente inquinanti territorio regionaleed Ecologia regolamentati Progetto dal DPCM “ARIANNA” 28/3/1983

Enel Spa, concentrazioni Torre di Brera (MI) 1 9 87/ 93DSR/CRAM orarie degliM i l a n o inquinanti Ist. Fisica Generale regolamentati Applicata, Univ. dal DPCM degli Studi, Milano 2 8 / 3 / 1 9 8 3

PMIP - USSL 75/III campagne di Milano centro, p e r i o didi s c r e ti,UO Fisica misura con Milano Linate, c o m p r e si t ra

strumentazione Cornaredo, il 1 9 92e il 1 9 94D O A S C o r s i c o

PMIP - USSL 75/III campagne di Milano e p e r i o didi s c r e ti,UO Fisica misura con comuni dell’area c o m p r e si t ra

Laboratorio Mobile o m o g e n e a il1989 e i l1 9 9 5(DPCM 28/3/1983)

PMIP - USSL 75/III campagne di M i l a n o , p e r i o didi s c r e ti,UO Chimica misura di VOC Via Juvara c o m p r e si t ra

( a r o m a t i c i ) e Viale Marche il1 9 92eil 1 9 9 5

CNR Ist. campagne di M i l a n o f e b b r a io1 9 93Inquinamento misura conAtmosferico, s t r u m e n t a z i o n eR o m a D O A S

CNR Ist. c a m p a g n e M i l a n o f e b b r a io- m a r zoInquinamento di misura 1 9 94Atmosferico, VOC, IPA,R o m a acido nitroso, SO2,

N Ox, O3, CO, 2 2 6R n

CISE Spa, campagne M i l a n o p e r i o didi s c r e ti,Segrate (MI) di misura SO2, NOx, Piazza Diocleziano, c o m p r e si t raFond. Clinica del O3, CO, HC, Piazza Aquileia, il1988 eil 1 9 89Lavoro, Pavia p a r t i c o l a t o , Via Senato

aromatici, aldeidi, fibre

(segue)



2 4

Soggetto fornitore Inquinanti/metodi Sito Periododei dati m i s u r a di rilevamento temporale

CISE Spa, campagne Milano, Corsico p e r i o didi s c r e ti,Segrate (MI) di misura SO2, NOx, c o m p r e si t rail 1 9 89

O3, CO, HC, e il1 9 90particolato, HCl, metalli su particolato PM10

CISE Spa, campagne di Milano, 1 9 90/ 9 2Segrate (MI) misura SO2, NOx, Via Mecenate

O3, CO, HC, e Via Carabelliparticolato, HCl

CISE Spa, elementi in M i l a n o , 1 9 8 6 / 9 1Segrate (MI) traccia sul Torre Brera

p a r t i c o l a t o

Una volta effettuata la ricerca l’utente ottiene una stampa riepilogativa contenenteinformazioni circa i dati a disposizione, nonché l’indicazione del file in cui tali dati so-no archiviati. Il catalogo permette inoltre all’utente l’effettiva estrazione dei file di ar-chivio dati in formato ASCII.

Il catalogo è stato sviluppato per personal computer IBM-DOS compatibili, in am-biente Microsoft EXCEL 5.0, supportato da una versione WINDOWS almeno 3.1. Ilsoftware può quindi essere direttamente richiamato da un’icona WINDOWS, in pre-senza del pacchetto MS-EXCEL.

La figura 1.1mostra la schermata di avvio del catalogo, mentre la figura 1.2 mostra laschermata relativa alla selezione dei dati desiderati.

Nelle successive figure 1.3-1.6 sono mostrate le schermate relative rispettivamen-te alla selezione dell’ente esecutore dei rilievi, del periodo temporale di riferimen-to, dell’inquinante di interesse e del tipo di misura (automatica, puntuale o di area,integrata).

Si noti che, in tale fase, il lasciare un campo vuoto comporta che la selezione sarà con-dotta dal sistema in modo indipendente dal campo stesso; si noti, inoltre, che, nel casosi effettui una ricerca con più di una condizione, la selezione verrà effettuata in mododa soddisfare tutti i requisiti impostati. Per esempio, se si scelgono due composti in-quinanti, il sistema selezionerà i dati in cui compaiono entrambi i composti indicati.

Utilizzando il tasto VISUALIZZA SCHEDE, si ottiene una scheda riepilogativa deidati selezionati (figura 1.7).

Nella schermata di figura 1.7 sono possibili diverse alternative, tra cui:

ESTRAI FILE: qualora l’utente desideri estrarre l’archivio dati; i file verranno resi di-sponibili su una directory di lavoro (C:\CATAL\TMP), insieme ai file read, che speci-ficano il tipo di tracciato record di lettura dei file di dati;

Tabella 1.1 - Dati raccolti nell’ambito del Progetto “La qualità dell’aria a Milano e i suoi riflessisulla salute”; per una descrizione più dettagliata dei dati riportati in questa tabella si rimanda al -l’Appendice 1.



2 5

SCHEDA SUCCESSIVA: per consultare le ulteriori schede eventualmente presentinella selezione;

RICOMINCIA: per effettuare una nuova ricerca di dati.

Una volta estratti, i dati sono disponibili in formato ASCII e possono essere elabora-ti dall’utente mediante gli strumenti informatici che egli ritiene più opportuni.

Nell’elaborare questi dati è comunque necessario che l’utente utilizzi una certa cau-tela in quanto essi, come tutti i dati sperimentali, possono contenere errori sia acci-dentali sia sistematici. Per una valutazione accurata del grado di affidabilità dei daticontenuti nell’archivio precedentemente descritto si consiglia di contattare diretta-mente gli enti che hanno condotto le misure e le persone di riferimento indicate nelleschede riportate in Appendice 1.



2 6

Figura 1.2 - Schermata relativa alla selezione dei dati desiderati.

Figura 1.1 - Schermata di avvio del catalogo.



2 7

Figure 1.3 - Schermata relativa alla selezione dell’ente esecutore dei rilievi.

Figura 1.4 - Schermata relativa alla selezione del periodo temporale di riferimento.



2 8

Figura 1.5 - Schermata relativa all’inquinante di interesse.

Figura 1.6 - Schermata relativa al tipo di misura (automatica, puntuale o di area, inte -grata).



2 9

Figura 1.7 - Stampa riepilogativa dei dati selezionati.

Appendice - Schede riepilogative delle informazioni contenute nei data-set reperiti

Nel seguito vengono riportate alcune schede contenenti informazioni sui principalidati disponibili sul sito Internet nell’area di down load.*

Le schede evidenziano anche tutti quei dati che possono permettere all’utente di in-dividuare l’ente e la persona di riferimento per un eventuale aggiornamento dei datie/o per informazioni di maggior dettaglio.

Scheda No. 1: rete regionale di rilevamento della qualità dell’aria

Ente: Regione Lombardia, Settore Ambiente ed Energia Persona di riferimento: Ing. Nicola QuarantaPeriodo: 1989/94Dati: valori orari di concentrazione di: SO2,ossidi di azoto,

CO, O3, idrocarburi totali e CH4 e particolato totale so-speso

Questi dati sono stati rilevati presso 220 stazioni equipaggiate con strumentazioneautomatica ai sensi dell’Appendice 10 del DPCM 28 marzo1983. Essi costituiscono labase essenziale per la conoscenza della distribuzione spaziale e temporale degli in-quinanti nell’area metropolitana milanese; informazioni ulteriori su questi dati pos-sono essere ottenute mediante strumenti molto noti come ARIANNA o il bollettino

* Il sito è www.flanet.org.



3 0

elettronico che l’Ufficio Sistemi Informatici della Regione Lombardia pubblica con ca-denza annuale. Recentemente peraltro questi sistemi sono stati messi a disposizioneanche in Internet presso il sito della Regione Lombardia.

L’elevato livello di sviluppo dell’archivio dati regionale rende oggi l’accesso a que-sti dati molto semplice e pertanto essi possono venire facilmente aggiornati dall’u-tente che ne abbia interesse.

Scheda No. 2: stazione di qualità dell’aria Torre di Brera

Ente: ENEL SpA/DSR/CRAMPersona di riferimento: Dr. Pietro BacciPeriodo: 1987/93Dati: valori orari di concentrazione di: SO2, ossidi di azoto,

CO e O3

La stazione di misura della qualità dell’aria “Torre di Brera” è ubicata sulla torremaggiore di Palazzo Brera, a Milano, a una quota di 25 metri dal livello del suolo ed ègestita congiuntamente dall’ENEL SpA/DSR/CRAM e dall’Istituto di Fisica Genera-le e Applicata dell’Università degli Studi di Milano.

Presso questo sito di misura sono stati condotti anche numerosi campionamenti diaerosol atmosferici, tipicamente su periodi di sei ore, che sono poi stati analizzati perla determinazione dei seguenti elementi: Al, Si, S, Cl, K, Ca, Ti, V, Cr, Mn, Fe, Ni, Cu,Zn, Se, Br, Rb, Sr, Zr, Pb.

Il prelievo del particolato è stato effettuato su filtri tipo Nuclepore, secondo le indi-cazioni dell’Appendice 2 del DPCM 28 marzo1983, con una durata tipica del campio-namento pari a sei ore. La determinazione degli elementi in traccia è stata effettuatamediante la tecnica PIXE (Proton Induced X-ray Emission), irraggiando i campioni conun fascio di particelle cariche (protoni) e rivelando la conseguente emissione X, allalunghezza d’onda tipica di ciascuna specie di interesse.

Scheda No. 3: PMIP Milano, Unità Operativa Fisica e Tutela dell’Ambiente dati DOAS

Ente: PMIP MilanoPersona di riferimento: Dr. Roberto GualdiPeriodo: gennaio 1992-dicembre 1994Dati: valori ogni 6 minuti di concentrazione di: SO2, NO2,O3,

benzene, toluene, formaldeide e acido nitroso.

I rilievi sono stati effettuati mediante lo spettrometro DOAS OPSIS mod.ER150.

Le campagne sono state effettuate nelle seguenti località:

• 15/01/92 - 31/08/93 - Milano, Piazza Beccaria;



3 1



3 2



3 3

• 09.03.93 - 17.10.93 - Aeroporto di Milano Linate;• 03.12.93 - 09.03.94 - Cornaredo, Piazza Libertà;• 06.09.94 - 31.10.94 - Corsico, SP Vigevanese.

Scheda No. 4: PMIP Milano, Unità Operativa Chimica dati VOC

Ente: PMIP MilanoPersona di riferimento: Prof. Aldo CavallaroPeriodo: settembre 1992-marzo 1995Dati: si veda il prospetto riportato nelle pagine precedenti,

che riassume, per le due postazioni di Via Juvara eViale Marche, i composti misurati, i relativi intervallidi mediazione e i periodi di esecuzione dei rilievi.

Le determinazioni di COV effettuate sino a tutto il 1994 hanno visto l’esecuzione diprelievi su fiala di carbone attivo (Supelco ORBO-32), a un flusso di 1 l/min, la suc-cessiva estrazione con solvente (CS2 esente da benzene) in bagno a ultrasuoni e l’ana-lisi per GC/FID.

Con riferimento al prospetto riportato nella tabella 1.2, la tipologia dei prelievi è sta-ta la seguente:

• dati contrassegnati con la sigla 02H: due prelievi/giorno, di tre ore ciascuno, ri-spettivamente dalle 7.30 alle 10.30 e dalle 16.30 alle 19.30;

• dati contrassegnati con la sigla 08H: otto prelievi/giorno, di tre ore ciascuno, checoprono tutte le 24 ore;

• dati contrassegnati con la sigla 03H: tre prelievi/giorno, di otto ore ciascuno, ri-spettivamente dalle 6.00 alle 14.00, dalle 14.00 alle 22.00 e dalle 22.00 alle 6.00.

Dal 1995 i sistemi con fiale di prelievo sono stati sostituiti con strumentazione auto-matica, e precisamente (sempre con riferimento al prospetto riportato in tabella 1.2):

• dati contrassegnati con la sigla ETA: valori semi-orari, ottenuti con l’analizzatoreDANI mod.ETA;

• dati contrassegnati con la sigla BTX: valori orari, ottenuti con l’analizzatore Ch-rompack mod.BTX.

Scheda No. 5: PMIP Milano, Unità Operativa Fisica (dati Laboratorio Mobile)

Ente: PMIP MilanoPersona di riferimento: Dr. Roberto GualdiPeriodo: periodi discreti, dal 1989 al 1995Dati: valori medi orari di concentrazione di: SO2, ossidi di

azoto, CO, O3 e idrocarburi totali e metano

I rilievi sono stati effettuati mediante l’impiego di Laboratori Mobili, ai sensi delDPCM 28 marzo 1983, secondo lo schema indicato nella seguente tabella.



3 4

Num. progr. Sito dei rilievi Periodo di effettuazione

inizio fine

1 Milano, Niguarda 26/6/89 14/10/89

2 Milano, Piazzale Dateo 01/1/90 04/2/90

3 Milano, Via Giambellino 09/2/90 01/3/90

4a Cormano, Via Garibaldi 05/3/90 26/3/90

4b Cormano, Via Bergamo 26/3/90 17/4/90

4c Cormano, Via Martiri della Libertà 17/4/90 23/4/90

4d Cormano, Via Martiri della Libertà 23/4/90 08/5/90

4e Cormano, Via Bergamo 08/5/90 04/6/90

5 Milano, Viale Sarca 26/6/90 30/11/90

6 Cormano, Via Garibaldi 21/12/90 12/2/91

7 Senago 12/2/91 12/3/91

8 Milano, Via Valtellina 09/4/91 23/4/91

9a Cologno M/, Via Boccaccio 12/3/91 03/4/91

9b Cologno M/, Via Emilia 23/4/91 21/5/91

10 Seregno 21/5/91 24/6/91

11 Segrate, Via delle Regioni 24/6/91 24/7/91

12 Lodi, Piazza Zaninelli 24/7/91 23/8/91

13 Arcore 23/8/91 24/9/91

14 Cinisello Balsamo 24/9/91 24/10/91

15 Giussano 24/10/91 25/11/91

16 Segrate, Via delle Regioni 25/11/91 03/1/92

17 Milano, ITIS Molinari 03/1/92 22/1/92

18 Lodi, Piazza Zaninelli 22/1/92 24/2/92

19 Besana Brianza 24/2/92 24/3/92

2 0 V i m e r c a t e 2 4 / 3 / 9 2 0 4 / 5 / 9 2

2 1 Arluno, Via Toscanini 0 4 / 5 / 9 2 2 9 / 5 / 9 2

2 2 Arluno, Piazza Bonomelli 2 9 / 5 / 9 2 2 4 / 6 / 9 2

2 3 Vedano al Lambro 2 4 / 6 / 9 2 16/7/92

2 4 Milano, Via Rombon 1 6 / 7 / 9 2 2 3 / 7 / 9 2

2 5 B e r t o n i c o 2 3 / 7 / 9 2 25/8/92

2 6 Cassano d’Adda 2 5 / 8 / 9 2 3 0 / 9 / 9 2

(segue)



3 5

Tabella 1.3 - Campagne di misura effettuate dal PMIP Milano, Unità Operativa Fisica, tramiteLaboratorio Mobile.

Num. progr. Sito dei rilievi Periodo di effettuazione

inizio fine

2 7 S e v e s o 3 0 / 9 / 9 2 02/11/92

2 8 a Lissone, Via Martiri della Libertà 0 2 / 1 1 / 9 2 0 1 / 1 2 / 9 2

2 8 b Lissone, Via Don Minzoni 0 1 / 1 2 / 9 2 0 7 / 1 / 9 3

2 9 Busto Garolfo 0 7 / 1 / 9 3 1 8 / 2 / 9 3

3 0 a Melegnano, Piazza Risorgimento 1 8 / 2 / 9 3 18/3/93

3 0 b Melegnano, Via Emilia 18/3/93 2 2 / 4 / 9 3

31 B r e s s o 2 2 / 4 / 9 3 0 1 / 6 / 9 3

3 2 D e s i o 0 1 / 6 / 9 3 1 9 / 7 / 9 3

3 0 c Melegnano, Piazza Risorgimento 1 9 / 7 / 9 3 3 0 / 8 / 9 3

3 2 a Milano Linate, sito 1 0 1 / 9 / 9 3 2 0 / 9 / 9 3

3 2 b Milano Linate, sito 2 2 0 / 9 / 9 3 1 9 / 1 0 / 9 3

3 3 M a g e n t a 2 2 / 1 0 / 9 3 2 3 / 1 1 / 9 3

3 4 C o r n a r e d o 2 3 / 1 1 / 9 3 1 0 / 1 / 9 4

3 5 G o r g o n z o l a 1 3 / 1 / 9 4 1 5 / 2 / 9 4

3 6 A b b i a t e g r a s s o 1 5 / 2 / 9 4 1 1 / 4 / 9 4

3 7 Milano, Via Farini 1 2 / 4 / 9 4 0 9 / 5 / 9 4

3 8 L a i n a t e 1 2 / 5 / 9 4 0 9 / 6 / 9 4

3 9 R e n a t e 0 9 / 6 / 9 4 0 8 / 8 / 9 4

4 0 Vaprio d’Adda 1 1 / 8 / 9 4 2 7 / 9 / 9 4

4 1 San Donato Milanese 3 0 / 9 / 9 4 2 1 / 1 1 / 9 4

4 2 Milano, Via Gattamelata-Via Colleoni 2 1 / 1 1 / 9 4 1 2 / 1 2 / 9 4

4 3 Pieve Emanuele 1 2 / 1 2 / 9 4 1 6 / 1 / 9 5

4 4 Milano, Tunnel Stazione Centrale 0 9 / 2 / 9 5 0 5 / 3 / 9 5

4 5 C a r n a t e 0 6 / 3 / 9 5 2 7 / 4 / 9 5

4 6 M u g g i ò 1 2 / 5 / 9 5 2 6 / 6 / 9 5



3 6

Scheda No. 6: altri dati

altri interessanti dati contenuti nel database sono stati raccolti dai seguenti enti:

Ente: CNR, Istituto per l’Inquinamento Atmosferico, RomaPersona di riferimento: Prof. Ivo Allegrini

Ente: Comune di Milano (committente)CISE, Fondazione Clinica del Lavoro di Pavia (esecu-tori)

Persona di riferimento: Comune di Milano: Assessore al Settore Igiene e Sa-nitàCISE: Dr. Paolo Frigieri, Fondazione Clinica del Lavoro di Pavia: Dr. ClaudioMinoia

Ente: AMSA Milano (committente)CISE (esecutore)

Persona di riferimento: AMSA: Direzione TecnicaCISE: Dr. Paolo Frigieri

Ente: Aem Milano (committente)CISE (esecutore)

Persona di riferimento: Aem: Ing. Dario MerliniCISE: Dr. Paolo Frigieri

Capitolo 2

Il modello EMISMOB2per la stima

delle emissioni da trafficoMichele Giugliano, Stefano Cernuschi e Andrea Cemin



3 8

Sommario

Il traffico veicolare costituisce attualmente la sorgente di inquinanti più rilevante nelle aree ur -bane e pertanto la definizione di eventuali strategie di risanamento necessita di strumenti ingrado di evidenziare in modo dettagliato l’impatto di eventuali interventi sulle emissioni do -vute a questa sorgente.

In questo contesto il capitolo presenta il modello EMISMOB2 che permette il calcolo delleemissioni complessive di un’area in un determinato intervallo di tempo e consente la stima del -l’effetto di eventuali interventi di regolazione del traffico o del parco circolante.

Nel capitolo viene discusso il modello e viene presentata una sua applicazione alla stima del -l’evoluzione delle emissioni da traffico nell’area urbana di Milano nel corso del periodo1996-2001 con l’obiettivo di verificare l’effetto del progressivo rinnovamento del parco circo -lante lungo un arco temporale di cinque anni.

2.1 Il modello EMISMOB2

2.1.1 IntroduzioneL’ampio numero di variabili coinvolte nel processo di emissione da traffico moto-rizzato ne rende alquanto complessa la valutazione. D’altra parte il ruolo semprepiù rilevante assunto da questa sorgente nei problemi di qualità dell’aria esige sti-me sempre più accurate delle sue emissioni anche in relazione alla definizione distrategie di risanamento.

In questo contesto è stato aggiornato e sviluppato il modello di calcolo EMISMOB2.Questo modello, messo a punto nell’ambito del progetto AMES e impiegato per lo stu-dio “Il progetto veicolo elettrico nell’area di Milano”, implementa la metodologia dicalcolo del progetto CORINAIR e la adatta a situazioni specifiche della motorizzazio-ne italiana.

Come noto, la valutazione delle emissioni si basa su tre elementi fondamentali: il nu-mero di veicoli circolanti, la distanza da questi percorsa nell’unità di tempo conside-rata e il fattore di emissione, cioè la massa di inquinante emessa dal veicolo riferita auna percorrenza unitaria. L’algoritmo generale di calcolo è quindi definito come:

Ei = c FEi,c • pc • Nc (2.1)

dove:

Ei [g/t]: emissione dell’inquinante (i) nell’unità di tempo (t) considerata;FEi,c [g/km]: fattore di emissione dell’inquinante (i) per i veicoli di categoria c;pc [km/t]: percorrenza media dei veicoli di categoria c nell’unità di tempo (t)

considerata;Nc [-]: numero di veicoli di categoria c.

Questa relazione può essere utilizzata con diversi livelli di disaggregazione per te-nere conto in maniera il più possibile dettagliata delle differenze che intervengono acaratterizzare l’emissione per tipo di veicolo e modalità di percorso.

Σ

Capitolo 2 ILMODELLO EMISMOB2 PER LA STIMADELLEEMISSIONI DATRAFFICO

3 9

2.1.2 I fattori di emissione CORINAIRCome già accennato, la CEE ha promosso e coordinato un progetto per la stima delleemissioni di inquinanti atmosferici. La prima fase di tale progetto, denominato CORI-NAIR (Coordination of Informations on the Environment Air), si è conclusa nel 1989 ed eracostituita dalla realizzazione di un inventario prototipo delle emissioni dei principalimacroinquinanti (SO2, NOx, polveri, CO e COV) per l’anno 1985 e per tutti i paesimembri della CEE. In tale ambito sono state messe a punto delle formulazioni per i fat-tori di emissione da combustioni mobili, caratterizzandole secondo il carburante uti-lizzato (benzina, gasolio, GPL), il regime di traffico (urbano, extraurbano, autostrada-le) e varie tipologie di veicoli.

Per la tipologia più rilevante per l’inquinamento nelle aree urbane (veicoli a benzi-na leggeri), l’ampia disponibilità di dati sperimentali e il progressivo restringimentodei limiti all’emissione con le diverse normative comunitarie emanate negli ultimi 20anni (tabella 2.1) avevano suggerito un’ulteriore suddivisione della categoria in base atre classi di cilindrata (< 1400 cc, 1400-2000 cc, > 2000 cc) e all’applicazione delle rego-lamentazioni ECE (PRE ECE, ECE 15/00-01, ECE 15/02, ECE 15/03, ECE 15/04).

Una seconda fase del progetto CORINAIR è stata sviluppata negli anni successivi,allo scopo di aggiornare i fattori di emissione per l’inventario del 1990. In questo con-testo sono state inserite nuove classi di veicoli per tenere conto dell’evoluzione tecno-logica successiva al 1985. In particolare in seguito alla diffusione delle marmitte cata-litiche, sono state introdotte nella tipologia veicoli a benzina leggeri tre nuove classi:Improved Conventional, Open Loop e Closed Loop che tengono conto della situazione pre-sente in quelle nazioni che hanno introdotto limiti alle emissioni più restrittivi rispet-to alla normativa comunitaria ECE 15/04.

Direttiva CEE Regolamento ECE Recepimento in Italia

7 0 / 2 2 0 15/00 (1970) 1 9 7 5

7 4 / 2 9 0 15/01 (1974)

7 7 / 1 0 2 15/02 (1977) 1 9 7 7

7 8 / 2 6 5 15/03 (1978) 1 9 7 9

8 3 / 3 5 1 15/04 (1981) 1 9 8 4

8 8 / 7 6 8 3 ( 1 9 8 8 ) 1 9 8 9

9 1 / 4 4 1 1 9 9 2

Tabella 2.1 - Direttive CEE in materia di emissioni da autoveicoli.

2.1.3 Caratteristiche del modelloIl modello EMISMOB2 (Calcolo delle EMISsioni da fonti MOBili, versione 2) impiega,come si è detto, l’algoritmo generale di calcolo descritto dall’equazione (2.1). Esso vie-ne fornito su supporto informatico. Di seguito vengono riportate informazioni piùspecifiche sul metodo di calcolo dei fattori di emissione per le varie classi di veicoli e diregimi di marcia.



4 0

2.1.3.1 La suddivisione del parco circolante in categorie di veicoliIl modello EMISMOB2 adatta i parametri del progetto CORINAIR alla situazione ita-liana considerando le categorie di veicoli riportate in tabella 2.2. Rispetto alla metodo-logia CORINAIR, viene considerato un minor numero di categorie di veicoli, ritenuteadeguate a descrivere la situazione attuale del parco nazionale e la relativa evoluzio-ne nel breve e medio periodo.

Per quanto riguarda la suddivisione in classi di età, vengono tralasciate le vetturecorrispondenti alle normative antecedenti alla ECE 15/03, entrata in vigore nel 1979,in quanto si ritiene che l’esiguo numero di tali vetture ancora circolanti sia tale da noninfluenzare significativamente le emissioni complessive; per le vetture dell’ultima ge-nerazione, dotate di marmitta catalitica, viene fatto riferimento alla categoria più re-strittiva considerata dal progetto CORINAIR, denominata Closed Loop, in quanto è l’u-nica che rispetta i limiti previsti dalla direttiva CEE 91/441 recepita dalla normativaitaliana (DM Ambiente 7 gennaio 1992).

2.1.3.2 Fattori di emissione allo scarico per gli inquinanti consideratiI risultati della seconda fase del progetto CORINAIR contengono una descrizioneaccurata dell’andamento delle emissioni con le condizioni di guida per i veicoli pas-seggeri. Per questi veicoli, in particolare, sono disponibili parametrizzazioni in fun-zione della velocità dei fattori di emissione dei principali inquinanti (CO, COV eN Ox) e del consumo specifico di carburante. Per quanto riguarda le altre classi diveicoli, i fattori di emissione sono definiti più semplicemente in base al tipo di per-corso del veicolo, distinto nelle tre configurazioni di marcia urbana, extraurbana eautostradale. La suddivisione in categorie di veicoli adottata dal modello EMI-SMOB2 è riportata in tabella 2.2.

Per un’analisi di dettaglio dei fattori di emissione CORINAIR relativi alle varie clas-si di veicoli e di regime di marcia che vengono utilizzati dal modello EMISMOB2 si ri-manda a Giugliano et al., 1996.

Le emissioni di inquinanti dovute al traffico veicolare, oltre che dalle tipologie dei vei-coli e dai regimi di marcia, dipendono anche dalla frazione dei veicoli funzionanti conmotore “freddo”, dallo stato di manutenzione dei veicoli e dalle emissioni evaporative.

1. emissioni in condizione di motore freddoIl motore viene per definizione considerato “caldo” o “freddo” a seconda che la tem-

peratura del liquido di raffreddamento superi o meno i 70°C. L’emissione a freddoviene calcolata, a partire dall’emissione a caldo, in base alla relazione:

EFi,j = βj • mj • ec • (ef/ec - 1) (2.2)

dove:

EFi,j [g/t]: emissione a freddo, nell’unità di tempo (t), dell’inquinante (i) per ilveicolo di categoria j;

βj [ - ]: frazione di percorrenza effettuata con motore freddo;mj [km/t]: percorrenza, nell’unità di tempo(t), del veicolo di categoria j;ec [g/km]: fattore di emissione a caldoef/ec [ - ]: rapporto emissione a freddo/emissione a caldo.


4 1

Il parametro βj dipende dalla temperatura ambientale ta [°C] e dalla lunghezza delviaggio medio ltrip [km] secondo la relazione:

βj = 0,647 - 0,025 • ltrip - (0,00974 - 0,000385 • ltrip) • ta (2.3)

2. Valutazione dell’effetto della cattiva manutenzione dei veicoliUn’accurata messa a punto del motore, mediante periodici interventi di manuten-

zione, può ridurre sensibilmente le emissioni allo scarico.

Veicoli passeggeri (< 2,5 ton) Veicoli leggeri (2,5-3,5 ton)

B e n z i n a 1 3 B e n z i n a

1 ECE 15/03 < 1400 cc 1 4 D i e s e l

2 ECE 15/03 1400 cc - 2000 cc

3 ECE 15/03 > 2000 cc

Veicoli pesanti (3,5-16 ton)

4 ECE 15/04 < 1400 cc 1 5 B e n z i n a

5 ECE 15/04 1400 cc - 2000 cc 1 6 D i e s e l

6 ECE 15/04 > 2000 cc

Veicoli pesantissimi (> 16 ton)

7 Catalizzate < 1400 cc

8 Catalizzate 1400 cc - 2000 cc

9 Catalizzate > 2000 cc 1 7 D i e s e l

D i e s e l M o t o c i c l i

1 0 < 2000 cc 1 8 Ciclomotori < 50 cc

1 1 > 2000 cc 1 9 Motocicli > 50 cc a 2 tempi

2 0 Motocicli > 50 cc a 4 tempi

1 2 G P L

Tabella 2.2 - Suddivisione in categorie di veicoli adottata dal modello EMISMOB2.

Attualmente i parametri richiesti per un’adeguata valutazione del fenomeno sonodifficilmente reperibili; il modello prevede comunque la possibilità di considerare unincremento delle emissioni dovuto a una frazione di automezzi circolanti in condizio-ni di cattiva manutenzione. Il valore dell’incremento viene calcolato per i veicoli pas-seggeri e leggeri (< 3,5 t) a partire dalla frazione di veicoli circolanti in stato di cattiva



4 2

manutenzione e dal rapporto tra le emissioni del veicolo prima e dopo l’intervento dimanutenzione definito per ogni inquinante e ogni categoria di veicoli.

3. Emissioni evaporativeLe emissioni evaporative riguardano solo i composti organici volatili e vengono ge-

nerate quasi esclusivamente dai veicoli a benzina, data la maggiore volatilità che necaratterizza il combustibile rispetto al gasolio dei veicoli diesel. Anche per queste lacarenza di dati non ha permesso di trattare tutte le categorie di veicoli, si hanno quin-di i valori solo per i veicoli a benzina passeggeri e leggeri (< 3,5 t) e per i motocicli.

Le emissioni evaporative possono essere suddivise in quattro categorie:• perdite in movimento: avvengono quando il veicolo è in uso; esse sono dovute al

riscaldamento del serbatoio provocato dai condotti di scarico dei gas, dall’aria ri-scaldata nel comparto motore che fluisce sotto il veicolo, dal combustibile caldo diritorno dal comparto motore e dal calore irradiato dal manto stradale;

• perdite diurne: sono causate dalle variazioni di temperatura del serbatoio dovuteall’escursione termica giornaliera dell’ambiente;

• emissioni hot soak: sono generate dal riscaldamento del sistema di alimentazionedel combustibile dovuto al calore disperso dal motore e dai condotti di scarico deigas quando il veicolo viene spento. Il calore proveniente dal motore può causarel’aumento della temperatura del combustibile nel carburatore a un valore di circa70°C, causando l’evaporazione della frazione più leggera della benzina;

• emissioni da rifornimento: sono dovute ai vapori di benzina espulsi dal serbatoiodal carburante immesso durante il rifornimento. Esse dipendono, oltre che dal-l’entità del rifornimento, dalla temperatura del liquido nel serbatoio.

Il modello EMISMOB2 consente la valutazione delle emissioni evaporative secondouna relazione che considera le perdite in movimento, le perdite diurne e le emissionihot soak.

2.1.4 Modalità di applicazione del modelloIl modello EMISMOB2 può essere applicato in due configurazioni di calcolo: la prima,tipica delle valutazioni a scala medio-grande, è relativa al traffico diffuso in un’areamentre la seconda si riferisce al traffico incanalato negli assi viari di una rete stradale,caratteristico di valutazioni a scala più ridotta.

L’opzione di valutazione delle emissioni diffuse trova la sua applicazione nel calco-lo delle emissioni complessive di un’area in un determinato intervallo di tempo e nel-la stima dell’effetto su queste di eventuali interventi di regolazione del traffico o delparco circolante considerati nel loro complesso (per esempio limitazioni alla circola-zione o introduzione di particolari dispositivi antinquinamento). A tale scopo è anchepossibile suddividere l’area di studio in sottosettori, caratterizzati da distinte condi-zioni di traffico (velocità media) e da diverse composizioni del parco circolante (peresempio per limitazioni alla circolazione di alcune categorie di veicoli, come i camiono i veicoli privi di marmitta catalitica, in alcune zone).

Lo schema di calcolo adottato dal modello in questa configurazione viene riportatoin figura 2.1. L’opzione di valutazione delle emissioni relative a singoli assi viari è mol-to simile, differenziandosi solo nei dati di input che, anziché riferirsi al complesso diun’estesa area, devono riferirsi a singoli tratti di strada.


4 3

I Numero totale di veicoli

% veicoli per classidi velocità media

% di veicoliin marcia a freddo

% di veicoli concattiva manutenzione

% di veicoli per tipologia(urbana, extraurbana,

autostradale)

I Categorie di veicoli

I Fattori di emissioneper classi di veicoli

I Percorrenza media peril veicolo di ogni classe

O Emissioni per ogni classe di veicoli

Veicolileggeri

Figura 2.1 - Schematizzazione della procedura di calcolo delle emissioni diffuse da un singolo trat -to stradale.

Veicoli passeggeri

Sì

Sì

No

No

Composizione del parcocircolante per categorie di veicoli

Distribuzione del parco circolantein classi distinte per categorie

di veicoli, tipo di marcia e stato di manutenzione

Percorrenza totale diogni classe di veicoli



4 4

2.2 Applicazione del modello EMISMOB2 alla stima dell’evoluzione delle emissioni da traffico nell’area urbana di Milano

La metodologia di calcolo sviluppata è stata applicata alla stima dell’evoluzione del-le emissioni da traffico nell’area di Milano nel periodo 1996-2001 allo scopo di verifi-care l’effetto del progressivo rinnovamento del parco circolante lungo un arco tempo-rale di cinque anni. La superficie considerata ricopre un quadrato di 18 km di lato ecomprende l’area urbana della città e il sistema di tangenziali che la circonda.

2.2.1 Evoluzione del parco circolanteIn tabella 2.3 viene riportata una stima dell’evoluzione delle percorrenze giornalie-re complessive nell’area urbana di Milano per categoria di veicoli ricavata dal Pia-no Urbano del Traffico formulato per la città (Comune di Milano, 1995). Come sipuò osservare, nel periodo considerato dallo studio, a eccezione di un leggero au-mento dei chilometri percorsi dalle autovetture il primo anno, si prevede una pro-gressiva riduzione delle percorrenze complessive, in quanto si ritiene che l’even-tuale incremento della domanda di spostamenti possa venire assorbito dal poten-ziamento della rete di trasporto pubblico elettrico e dalle relative infrastrutture(parcheggi di scambio).

1 9 9 6 1 9 9 7 1 9 9 8 1 9 9 9 2 0 0 0 2 0 0 1

A u t o 1 4 . 2 1 2 . 5 0 0 1 4 . 2 5 9 . 0 0 0 1 4 . 1 5 5 . 7 5 0 1 4 . 0 5 2 . 5 0 0 1 3 . 9 4 9 . 2 5 0 1 3 . 8 4 6 . 0 0 0

M o t o 4 7 0 . 0 0 0 4 6 9 . 0 0 0 4 6 3 . 7 5 0 4 5 8 . 5 0 0 4 5 3 . 2 5 0 4 4 8 . 0 0 0

M e r c i 1 . 9 9 5 . 0 0 0 1 . 9 9 5 . 0 0 0 1 . 9 9 5 . 0 0 0 1 . 9 9 5 . 0 0 0 1 . 9 9 5 . 0 0 0 1 . 9 9 5 . 0 0 0

B u s 1 7 1 . 5 0 0 1 7 0 . 0 0 0 1 6 8 . 2 5 0 1 6 6 . 5 0 0 1 6 4 . 7 5 0 1 6 3 . 0 0 0

Tabella 2.3 -Percorrenze complessive giornaliere nell’area urbana di Milano per tipo di veicolo inuna giornata tipo invernale feriale dalle ore 0 alle 24.

Per quanto riguarda il tipo di combustibile utilizzato nello studio in esame, la ripar-tizione tra mezzi alimentati a benzina, gasolio e gas è stata effettuata secondo le per-centuali relative a un campione significativo del parco automobilistico nazionale. Al-la stessa fonte è stato fatto riferimento per la suddivisione dei veicoli passeggeri in ba-se alla cilindrata.

L’evoluzione della composizione del parco dei veicoli passeggeri a benzina per clas-se di anzianità, legata alla progressiva introduzione di vetture dotate di convertitorecatalitico a seguito delle imposizioni normative entrate in vigore nel 1991, è stata sti-mata a partire dalla ripartizione per classi di anzianità, ricavata sulla base di rileva-menti statistici condotti sia in provincia di Milano che a livello medio nazionale e ap-plicata per ogni anno.

I risultati ottenuti, riportati in figura 2.2, prevedono un incremento del 70% circadi vetture catalizzate al 2001, a fronte del 40% che caratterizzava il parco circolantenel 1996.


4 5

Figura 2.2 - Evoluzione temporale della composizione per classi di anzianitàdel parco circolante dei veicoli passeggeri a benzina.

2.2.2 Suddivisione dell’area di studio per regimi di traffico e ripartizione del parco circolanteNel contesto dell’applicazione del modello EMISMOB2, l’area urbana milanese è sta-ta suddivisa in quattro settori, differenziati per modalità di circolazione e individuatida un’indagine sperimentale condotta per la valutazione dei cicli di guida rappresen-tativi dell’area stessa. La ripartizione del traffico per questi settori e le rispettive velo-cità medie rappresentative sono riportate in figura 2.3.

Figura 2.3 - Ripartizione dei veicoli circolanti nei quattro settori e velocità rap -presentative.

Per i veicoli pesantissimi (TIR) la valutazione è stata condotta separatamente, ipo-tizzando la loro presenza esclusivamente sulle tangenziali esterne caratterizzate da unregime di traffico autostradale.

< 1984 (convenzionali)

80%

60%

40%

20%

0%

1996 1997 1998 1999 2000 2001

> 1991 (catalizzatori)

1984/91 (convenzionali)



4 6


4 7

I fattori di emissione utilizzati per CO, NOx e COV, corrispondenti ai rispettivi regi-mi di marcia, sono riportati in tabella 2.4.

Le emissioni dei veicoli passeggeri circolanti con motore freddo sono state calcolateper una temperatura ambientale di 12°C (media annua per l’area di Milano), secondouno schema descritto in Giugliano et al., 1996. In base alla relazione (2.2), per una lun-ghezza media dello spostamento pari a 7,8 km, la percentuale di veicoli circolanti conmotore freddo è stata valutata del 37,1%.

2.2.3 Stima dell’evoluzione delle emissioniCon le assunzioni precedenti, nello studio in esame è stata calcolata l’evoluzione tem-porale delle emissioni degli inquinanti nell’area urbana milanese a partire dalla situa-zione del 1996. Le figure 2.4 , 2.5 e 2.6 evidenziano, a titolo di esempio le stime relativeal CO, ai COV e agli ossidi totali di azoto.

Dall’analisi delle simulazioni si può osservare come l’incremento dei veicoli do-tati di dispositivi antinquinamento (marmitta catalitica) porti, nell’arco temporaleconsiderato dallo studio, a una riduzione di più del 30% delle emissioni di CO; ri-duzioni inferiori (attorno al 20%) sono attese per gli NOx, sui quali il catalizzatoreha un effetto minore, e per i COV, per i quali è stata assunta invariata la quotaemessa per evaporazione. Per quanto riguarda gli altri inquinanti considerati dal-lo studio e i consumi di combustibile complessivi la riduzione attesa è meno signi-ficativa e corrisponde sostanzialmente alla variazione dei chilometri percorsi daiveicoli.

Per N2O e ammoniaca, presenti all’emissione delle vetture catalizzate come sot-toprodotti della riduzione degli NOx, è viceversa atteso un incremento progressivodelle emissioni stesse, in linea con l’aumento della frazione catalizzata del parcoc i r c o l a n t e .

Figura 2.4 - Evoluzione temporale delle emissioni annue di CO.

150.000

100.000

50.000

0

1996 1997 1998 1999 2000 2001

Anno

CO



4 8

Figura 2.6 - Evoluzione temporale delle emissioni annue di NOx .

25.000

20.000

15.000

10.000

5000

0

1996 1997 1998 1999 2000 2001

1996 1997 1998 1999 2000 2001

Anno

Anno

NOx

COV

10.000

8000

6000

4000

2000

0

Figura 2.5 - Evoluzione temporale delle emissioni annue di COV.

Capitolo 2 BIBLIOGRAFIA

4 9

Cilione, M., Pennisi, L. 1996. Valutazione degliinquinanti per la circolazione di autovetture inalcuni comuni. Un’applicazione. Convegno:“L’informazione statistica per il governo del-l’ambiente”; Roma 29-30 gennaio 1996.

Avella, F. 1989. Stato di manutenzione, trafficourbano ed emissioni inquinanti di vetture abenzina. La Rivista dei Combustibili, vol. XLII,283- 315.

Bocola, W., Cirillo, M. C., Gaudioso, D., Troz-zi, C., Vaccaro, R., Napolitano, C. 1989. Proget-to CORINAIR. Inventario delle emissioni di in-quinanti dell’aria in Italia nell’anno 1985.ENEA RTI/Studi - VASA (89) 8.8.

Cemin, A. 1995. Valutazione delle emissioni datraffico: metodologia e analisi modale. Tesi didottorato. Politecnico di Milano - DIIAR.

Comune di Milano 1995. Piano Urbano delTraffico.

Degobert, P. 1992. Automobile et Pollution.Éditions Tecnip.

Eggleston, H. S., Gaudioso, D., Gorissen, N.,Joumard, R., Rijkeboer, R. C., Samaras, Z., Zie-rock, K. H. 1991. CORINAIR Working Groupon Emission Factors for Calculating 1990 Emis-sions from road Traffic - Volume 1 Methodo-logy and Emission Factors. Commission of theEuropean Communities.

Giugliano, M., Cemin, A., Cernuschi, S. 1 9 9 2 .Evoluzione delle emissioni da traffico in unarea urbana europea. Il caso di Milano. Ingegne -ria Ambientale, vol. XXI, n° 11-12, 648-654.

Giugliano, M., Cernuschi, S., Cemin, A. 1 9 9 2 .Atmospheric emissions impact of electric vehi-cles: Milan case study. 9th World Clean AirCongress & Exhibition, Montreal, Canada, 30

agosto 1992 - 4 settembre 1992. 6, IU-14A.10.

Giugliano, M., Cernuschi, S., Cemin, A. 1 9 9 2 .The contribution of electric vehicles to air qua-lity mainteinance in large urban areas. The 11thInternational Electric Vehicle Symposium, Flo-rence, Italy, 27-30 settembre 1992. 1, 3.06.

Giugliano, M., Cernuschi, S., Maja, R., Gio-vannini, I., Andretta, M., Cere, A. 1993. Proget-to AMES - PARTE I: Il modulo per la valutazio-ne delle emissioni da traffico e della qualità del-l’aria. IA - Ingegneria Ambientale, vol. XXII, n°11-12, 598-608.

Giugliano, M., Cernuschi, S., Cemin, A. 1 9 9 3 .The potential impacts of electric vehicles to airquality in large urban areas. Milan case study. In-ternational Symposium on Air Pollution, Mon-terrey, Mexico, 23-25 febbraio 1993, 551-562.

Giugliano, M., Cernuschi, S., Cemin, A. 1 9 9 6 .Statistica dei dati di qualità dell’aria - area omo-genea di Milano. Relazione n° 494.69911100DIIAR, Politecnico di Milano.

Hickman, A. J. 1994. Vehicle maintenance andexhaust emissions. The Science of the Total Envi -ronment, 146/147, 235-243.

MVA - Systematica, 1994. TRIPS - Manuali d’u-so e documentazione allegata.

Podestà, C. 1993. Strategie di intervento sul traf-fico autoveicolare in aree metropolitane per ilcontenimento dell’inquinamento atmosferico.Politecnico di Milano, Dipartimento di Sistemidi Trasporto e Movimentazione - Rapporto In-terno.

Provincia di Milano, Assessorato all’Ambien-te, 1990. Studio modellistico sull’inquinamentoatmosferico da traffico autoveicolare nell’areaurbana di Milano.

Bibliografia

Capitolo 3

L’approccio a recettoreMichele Giugliano, Stefano Cernuschi e Andrea Cemin



5 2

Sommario

Lo sviluppo di varie reti di monitoraggio e la realizzazione di numerose campagne di misura hareso disponibile una grande quantità di dati sull’inquinamento atmosferico registrato nella Re -gione Lombardia.

Questa forte disponibilità di dati rappresenta una grande risorsa di conoscenze che non vie -ne sempre utilizzata al pieno delle potenzialità. Infatti spesso le elaborazioni condotte sui datisi limitano all’esigenza istituzionale di verifica dei limiti di legge, mentre è noto che, laddove lapopolazione e la qualità dei dati lo consentono, con approcci orientati “al recettore” si possonoricavare informazioni di grande utilità nella gestione della qualità dell’aria.

In questo contesto il capitolo si propone di evidenziare come una dettagliata conoscenza del -le distribuzioni dei dati e delle relazioni tra i vari parametri delle stesse permetta di esprimeregrandezze di difficile modellizzazione come, per esempio, il 98° percentile delle concentrazioniorarie di biossido di azoto in termini di grandezze molto più semplici da trattare.

3.1 Statistica descrittiva

3.1.1 Disponibilità e serie analizzate

Figura 3.1 - Collocazione delle stazioni della rete regionale di rilevamentonell’area omogenea.

Capitolo 3 L’APPROCCIOA RECETTORE

5 3

Si sono considerate nell’analisi le serie annuali dei dati di concentrazione registratedalle 27 stazioni della rete di rilevamento regionale operanti nell’area omogenea diMilano (AO) nel periodo 1989-1994 (figura 3.1).

Sono disponibili per il periodo considerato 627 serie annuali di dati per i seguenti in-quinanti: CO, NO, NO2, NOx, O3, polveri e SO 2. Per ciò che riguarda invece i dati diCOV (Carbonio Organico Volatile) essi non risultano registrati in modo organico econtinuativo. Si dispone comunque dei risultati di una serie di campagne di misuracondotte dal PMIP di Milano con l’Unità Chimica (stazioni fisse di Via Juvara e VialeMarche) e con l’Unità Fisica (Unità mobile e strumentazione DOAS). Alcuni rileva-menti dispongono inoltre della speciazione dei componenti dei COV, fra cui il benze-ne. Per la natura particolare della popolazione dei dati di COV disponibili, le elabora-zioni per questa classe di inquinanti sono state sviluppate a parte.

Le serie sono state sottoposte a una valutazione preliminare per identificarne lasignificatività ai fini della loro utilizzazione nelle elaborazioni successive. A talescopo, ogni serie, memorizzata in un singolo file di dati orari/biorari, è stata carat-terizzata con un codice alfanumerico costituito da un singolo carattere che ne iden-tifica il livello di affidabilità, valutato sulla base della disponibilità di dati validi nelperiodo di riferimento (pari a 1 anno, indipendentemente dall’effettivo periodo diattivazione della stazione); i risultati di tale classificazione sono riportati nella t a -bella 3.1 .

Si è convenuto di ritenere statisticamente rappresentative le serie annuali di dati chedispongono almeno del 75 % dei dati validi in base anche al criterio adottato dallanormativa per la valutazione del rispetto dei limiti di qualità dell’aria (DPR, 1988).Delle 627 serie disponibili nell’AO in esame, solo 385 presentano tale caratteristica; diqueste, 60 riguardano il monossido di carbonio, 67 gli ossidi di azoto, 25 l’ozono, 29 lepolveri e 67 l’anidride solforosa.

3.1.2 Analisi della statistica descrittivaPer ogni serie e per diversi tempi di integrazione che vanno da quello minimo del da-to rilevato (1-2 ore) all’anno, si sono calcolati, oltre alla percentuale di dati validi, iprincipali parametri della statistica descrittiva: minimo e massimo dei valori di con-centrazione, media e deviazione standard, media geometrica e deviazione geometricastandard, σ e λ di Weibull, percentili della distribuzione dei dati con particolare riso-luzione per i valori estremi.

Tutte le valutazioni di cui sopra sono state precedute da una elaborazione prelimi-nare per la correzione dei valori al di sotto della soglia di rilevabilità dell’apparec-chiatura (indicati con zero nelle serie temporali) e per l’integrazione dei dati per tem-pi diversi dal tempo di campionamento.

Secondo una prassi consolidata, si sono sostituiti gli “zeri” con i valori pari alla metàdella soglia di rilevabilità di ciascun parametro (0,1 µg m-3 per il monossido di carbo-nio, 0,1 µg m-3 per tutti gli altri inquinanti monitorati). Tale operazione, necessaria perla stima dei parametri geometrici, è preferibile a metodi più complessi quali quelli ba-sati su criteri distribuzionali o di massima verosimiglianza, che non appaiono mag-giormente affidabili ai fini delle successive stime parametriche.

L’integrazione temporale delle serie è stata effettuata operando una media mobilecon passo pari al tempo di integrazione, ottenendo così una nuova serie di numerosità



5 4


5 5

nt i = ntc • tc • ti-1

nella costruzione di tali serie si sono considerati validi i soli valori derivanti da aggre-gazioni che comprendessero almeno la metà dei possibili valori validi nel periodo diintegrazione.

L’elaborazione preliminare è stata condotta anche per le serie annuali contenentimeno del 75% di dati validi, mentre le successive fasi di analisi sono state limitate allesole serie caratterizzate dalla presenza di almeno il 75% di dati validi, e quindi con pa-rametri statistici rappresentativi.

La tabella 3.2riporta un esempio dei risultati delle elaborazioni effettuate per la serieannuale del monossido di carbonio della stazione di Milano-Verziere nel corso del1994. Nella tabella si indica con t (h) il tempo di integrazione in ore, con DV la percen-tuale di dati validi, con Min, Max, Ma, Sa, Ma ed Sa rispettivamente la concentrazioneminima e massima, la media aritmetica e la deviazione standard, la media geometrica(in mg m-3 per il CO e µg m-3 per gli altri inquinanti) e la deviazione geometrica stan-dard. I valori σ e λ sono i parametri della distribuzione di Weibull e P% sono i percen-tili della distribuzione. I risultati delle analoghe valutazioni per tutte le altre serie tem-porali disponibili sono contenuti nella BDA (Banca Dati Ambientale, in allegato susupporto magnetico) in files identificati dalla sigla ???STPRC.XLS, dove “???” indicala sequenza di 3 caratteri che identifica ciascun inquinante (“CO-”, “NO -”, “NO 2” ,“NOX”, “O3

-”, “PTS”, “SO2”).Il confronto tra i valori medi dei vari anni e delle diverse stazioni consente di valu-

tare su scala climatologica la variabilità spazio-temporale delle grandezze esaminate econtribuisce a fornire un primo livello di informazioni circa la possibilità di conside-rare tra loro omogenee le diverse serie di dati ai fini delle elaborazioni successive. Ilconfronto tra i valori della deviazione geometrica standard – parametro adimensio-nale in grado di eliminare il fattore di scala della distribuzione e di isolarne la sola di-spersione – è invece in grado di fornire indicazioni circa l’omogeneità dei fenomeni diemissione, trasformazione, trasporto e diffusione dei diversi inquinanti monitorati, trale diverse stazioni nel corso degli anni. Nella tabella 3.3 sono riportate, per ciascun in-quinante, le medie e le deviazioni standard dei parametri statistici.

Gli aspetti più interessanti di questa valutazione, che saranno poi sviluppati nelleanalisi successive, riguardano le stazioni di Milano-Marche, Senato e Statuto che fan-no registrare i massimi livelli di concentrazione dell’AO per tutti gli inquinanti moni-torati, mentre Agrate, Arese e Settimo risultano essere le stazioni caratterizzate dai li-velli più bassi. Per caratteristiche diametralmente opposte vanno poi segnalate le sta-zioni di Cinisello Balsamo e di Limito: la prima stazione fa registrare concentrazionitra le più elevate dell’AO per tutti i parametri monitorati eccettuato l’ozono, per il qua-le si colloca a livelli al di sotto della media areale, mentre nella stazione di Limito si re-gistrano i minimi livelli di concentrazione dell’intera area per tutti gli inquinanti tran-ne che per le polveri e l’ozono (per quest’ultimo in particolare, la cui concentrazionemedia sull’intero periodo supera di oltre il 65% quella media dell’AO).

Nonostante le differenze, anche ragguardevoli, riscontrate tra i livelli di concentra-zione dei diversi inquinanti e tra le diverse stazioni, l’analisi dei valori delle deviazio-ni geometriche standard permette di ritenere ragionevolmente omogenei tra loro i di-versi siti di campionamento per gli aspetti che regolano la dispersione dei dati, cioè il



5 6


5 7



5 8

regime delle fonti e la meteorologia. Fatta eccezione per i dati di anidride solforosa e,in misura minore, per il monossido di azoto, la deviazione geometrica standard risul-ta infatti sostanzialmente costante per tutte le serie annuali analizzate. Un tale com-portamento della deviazione geometrica standard conferisce alla popolazione di datiuna certa omogeneità che consente di allargare la base per la formulazione di modellistatistici sviluppati successivamente.

3.1.3 Le distribuzioni delle serie annualiPer tutte le serie disponibili si è valutata la possibilità di descrizione con semplici mo-delli di distribuzione definiti in termini di pochi parametri e con utili proprietà di sti-ma; in particolare si è valutata l’adattabilità delle distribuzioni lognormale a 2 para-metri, già utilizzate in analoghe applicazioni.

Per i dati orari di concentrazione di ciascuna serie annuale, le corrispondenti di-stribuzioni teoriche di frequenza cumulata sono state valutate dai parametri dellastatistica descrittiva e poste a confronto in apposite carte di probabilità con le di-stribuzioni osservate. Il confronto, oltre che della rappresentazione grafica, si av-vale del test non parametrico di Kolmogorov-Smirnov, che fornisce indicazioni cir-ca il livello di confidenza con cui si può accettare l’ipotesi di distribuzione formu-lata: la valutazione viene effettuata confrontando il massimo scarto tra le frequen-ze cumulate osservata e calcolata con l’analogo valore massimo stimato sulla basedel livello di affidabilità prescelto (99% nel caso della presente applicazione) e del-la numerosità del campione valutato.

Esaminando il massimo scostamento – in valore assoluto – tra le frequenze cu-mulate osservate e quelle stimate per le due distribuzioni valutate (Df m a x ; L e D f m a x ; W

per la distribuzione lognormale e di Weibull, rispettivamente) e dell’esito del testdi Kolmogorov-Smirnov effettuato per entrambe le distribuzioni con livello di con-fidenza richiesto pari all’1% (TK o l ; L ; 1 % e TK o l ; W ; 1 %), fatta eccezione per il biossido di azo-to e per gli ossidi di azoto totali, per cui si riscontra una discreta incidenza del nu-mero di serie adeguatamente descritte dalla distribuzione lognormale, gli esiti deltest non paiono fornire sufficienti indicazioni per ritenere ragionevolmente affida-bili né l’una né l’altra distribuzione teorica.

Tabella 3.3 - Media e deviazione standard dei parametri della statistica descrittiva per tutte le se -rie annuali dell’AO (mg m-3 per CO; µg m-3 per gli altri inquinanti).

Ma Sa Mg Sg

CO 3,7 ± 1,0 2,7 ± 0,7 2,9 ± 0,8 2,1 ± 0,5

NO 154,9 ± 48,3 182,1 ± 49,2 79,1 ± 36,2 4,7 ± 4,4

NO2 101,6 ± 18,6 51,2 ± 11,9 89,1 ± 17,5 1,8 ± 0,8

NOx 257,5 ± 63,4 217,0 ± 55,1 191,1 ± 51,2 2,3 ± 1,0

O3 23,3 ± 8,3 28,0 ± 8,3 11,8 ± 4,2 3,7 ± 1,5

PTS 80,3 ± 18,0 49,9 ± 12,3 65,2 ± 17,1 2,1 ± 0,8

SO2 29,3 ± 12,5 35,8 ± 16,8 12,8 ± 6,2 6,1 ± 3,7


5 9

Ulteriori indicazioni a favore della distribuzione lognormale derivano dall’analisidegli scarti tra le distribuzioni osservate e stimate: in particolare per il monossido dicarbonio e per le polveri il valore medio dello scarto assoluto nella stima delle fre-quenze cumulate risulta sensibilmente inferiore rispetto all’analogo valore ricavatocon la distribuzione di Weibull. Per gli altri inquinanti, anche l’analisi degli scarti nonfornisce indicazioni definitive circa la migliore possibilità di descrizione.

Figura 3.2 - Monossido di carbonio: confronto tra le distribuzioni calco -late dai parametri della statistica descrittiva e le distribuzioni osservate.Stazione di Milano-Verziere 1994, tempo di integrazione di 1 ora.

Distribuzione lognormale

Distribuzione di Weibull

CO (mg m-3)

99,99

99,9599,90

99,5099,0098,00

95,00

90,00

80,00

70,0060,00

50,0040,0030,00

20,00

10,00

1 10 100

1 10 100

99,99

99,9599,9099,5099,00

95,00

90,00

80,00

70,00

60,00

50,00

40,00

30,00

20,00

10,00

CO (mg m-3)



6 0

Come si è detto, sono state effettuate anche valutazioni di tipo grafico, confrontandole distribuzioni teoriche delle singole serie annuali e le corrispondenti frequenze cu-mulate dei dati osservati. In linea generale, tutte le serie mostrano una tendenza allasovrastima degli alti percentili con la distribuzione lognormale e a una corrisponden-te sottostima da parte della distribuzione di Weibull, come è bene evidenziato dall’e-sempio mostrato nella figura 3.2 per il monossido di carbonio. Tale tendenza conferi-sce alla prima quelle caratteristiche di cautelatività che la rendono maggiormente in-dicata nella formulazione di modelli statistici per la valutazione delle esigenze di ri-sanamento della qualità dell’aria.

3.1.4 Composti organici volatili3.1.4.1 Dati del PMIP - Unità Operativa Fisica - Laboratorio MobileLe campagne effettuate dall’Unità Operativa Fisica del PMIP mediante LaboratorioMobile sul territorio comunale di Milano sono complessivamente quattro:

• Via Valtellina: dal 9 al 23 aprile 1991;• ITIS Molinari (Via Crescenzago angolo Via Monfalcone): dal 3 al 22 gennaio 1992;• Via Rombon (zona Lambrate): dal 16 al 23 luglio 1992;• incrocio Via Gattamelata - Via Colleoni: dal 21 novembre al 12 dicembre 1994.

I dati disponibili riguardano inquinanti convenzionali, quali CO, NO/NO2/ N Ox, O3

ed SO2, e idrocarburi: CH4, NMHC (idrocarburi non metanici), HC (idrocarburi tota-li), espressi rispettivamente in mg m-3, µg m-3 e ppm.

Le elaborazioni effettuate riguardano la statistica (tabella 3.4) e la distribuzione del-le concentrazioni degli idrocarburi non metanici, degli idrocarburi totali e dei lororapporti con gli ossidi di azoto: la durata e la copertura delle campagne effettuate ren-dono infatti trascurabile il contributo dei dati di inquinanti convenzionali alla cono-scenza e alla formulazione di modelli nell’AO rispetto alle serie provenienti dalla reteregionale di rilevamento.

Tabella 3.4 - PMIP - Unità Operativa Fisica - Laboratorio Mobile: statistica descrittiva comples -siva delle serie registrate in Milano città.

Min Max Ma Sa Mg Sg

HC (µg m-3) 1410,000 5052,000 2101,444 545,444 2042,933 1,258

NMHC (µg m-3) 64,000 2752,000 483,751 302,457 412,468 1,748

N M H C / H C (µg m-3/ 0,068 0,567 0,213 0,077 0,200 1,430µg m-3)

HC/NOx (µg m-3/ 1,916 50,813 10,325 6,876 8,619 1,806(µg m-3)

( p p m / p p m ) 4 , 2 8 6 1 5 2 , 4 7 4 2 6 , 6 6 5 2 0 , 6 0 0 2 1 , 1 9 0 1 , 9 3 8

N M H C / N Ox (µg m-3/ 0,525 20,400 2,014 1,349 1,727 1,712(µg m-3)

( p p m / p p m ) 1,435 77,375 6,431 5,018 5,285 1,829


6 1

Le figure 3.3-3.4 riportano in scala di log-probabilità la distribuzione dei dati di con-centrazione degli idrocarburi totali e non metanici. La distribuzione lognormale risul-ta chiaramente ben descrivere le distribuzioni osservate; unica eccezione è costituitadagli idrocarburi totali le cui code di distribuzione risultano nettamente sottostimate.

Figura 3.3 - Idrocarburi totali: confronto tra la distribuzione lognor -male calcolata dai parametri della statistica descrittiva e la distribuzio -ne osservata. Tutte le campagne del Laboratorio Mobile a Milano città,tempo di integrazione di 1 ora.

Figura 3.4 - Idrocarburi non metanici: confronto tra la distribuzione lo -gnormale calcolata dai parametri della statistica descrittiva e la distribu -zione osservata. Tutte le campagne del Laboratorio mobile a Milano città,tempo di integrazione di 1 ora.

99,99

99,9599,90

99,5099,0098,0095,0090,0080,0070,0060,0050,0040,0030,0020,0010,005,002,001,000,50

0,100,050,01

1000

10 100 1000 10.000

10.000HC ( g m-3)

NMHC ( g m-3)

99,9999,9599,90

99,5099,0098,0095,0090,0080,0070,0060,0050,0040,0030,0020,0010,005,002,001,000,50

0,100,050,01



6 2

3.2 Rispetto degli standard e analisi delle tendenze

3.2.1 Rispetto dei limiti di qualità dell’aria3.2.1.1 Inquinanti convenzionali (CO, NO2, O3, polveri, SO2)L’analisi del rispetto degli standard di qualità dell’aria è stata condotta con riferimen-to sia ai valori limite che ai valori guida previsti dal DPCM 28 marzo 1983 e dal DPR 24maggio 1988, n. 203; com’è noto, il loro superamento comporta l’attivazione dei pianidi risanamento introdotti negli stessi decreti e definiti dal DM 20 maggio 1991. I valo-ri dei limiti e le caratteristiche che li definiscono (parametro statistico, periodo di rife-rimento e tempo di integrazione) sono riportati in tabella 3.5.

Un’ulteriore verifica, limitata alla sola analisi degli episodi di superamento con-giunto dei livelli di attenzione e di allarme per il monossido di carbonio e per il bios-sido di azoto, è stata sviluppata con riferimento ai corrispondenti limiti definiti daiDM 12 novembre 1992 e 25 novembre 1994 e riportati nella tabella 3.6.

La verifica degli standard ha interessato tutte le serie annuali disponibili. Per il monos-sido di carbonio l’analisi è disaggregata per mese e per periodo della giornata mentre peril biossido di azoto sono valutate anche le frequenze di superamento dei limiti, intese co-me percentuale di dati rilevati che risultano superiori ai valori limite stessi, e la data diraggiungimento del limite, intesa come momento dell’anno in cui risulta esaurito il tempodi superamento ammesso. Per quanto riguarda gli episodi di superamento congiunto deilivelli di attenzione e di allarme di CO ed NO2, l’analisi è disaggregata per stazione, mesee anno oltre che per numero di episodi registrati su più stazioni contemporaneamente.

Inquinante Periodo Tempo Valore limite Valore guidadi rilevamento di integrazione

CO - 8 h Max = 10 mg m-3 -- 1 h Max = 40 mg m-3 -

NO2 Anno (gen-dic) 1 h P98 = 200 µg m-3 P98 = 135 µg m-3

” ” - P50 = 50 µg m-3

O3 - 1 h Max = 200 µg m- 3 ( + ) -

PTS Anno (gen-dic) 24 h Ma = 150 µg m-3 (*) -

” ” P95 = 300 µg m-3 (*) -Anno (apr-mar) 24 h - M a = 40-60 µg m-3 (*)

Giorno 24 h - Ma = 100-150 µg m-3 ( * )

SO2 Anno (apr-mar) 24 h P50 = 80 µg m-3 P98 = 250 µg m-3

” ” Ma = 40-60 µg m-3 -Inverno (ott-mar) 24 h P50 = 250 µg m-3 -

Giorno 24 h - Ma=100-150 µg m- 3

Tabella 3.5 - Standard di qualità dell’aria (DPCM 1983, DPR 1988).Ma = media aritmetica; Max = massimo; Pi = i-esimo percentile

( * ) rilevati per analisi gravimetrica; ( * * ) rilevati con il metodo dei fumi neri; ( + ) da non superare più di una volta al mese


6 3

I risultati ottenuti indicano, a livello generale, superamenti dei limiti per CO (f i g u r a3 . 5) ed NO2 (figura 3.6), particolarmente rilevanti per il primo in riferimento al tempo diintegrazione di otto ore, ma con una tendenza temporale verso situazioni di maggior ri-spetto per entrambi gli inquinanti. Nell’ultimo biennio considerato, in particolare, l’NO2

dispone di diverse stazioni in cui il limite viene rispettato, con le residue situazioni di su-peramento che presentano valori assai prossimi a esso, mentre il limite relativo al COper il tempo di integrazione di 1 ora è rispettato in tutte le stazioni dell’area. La tenden-za osservata trova riscontro anche nell’analisi del rispetto congiunto dei livelli di atten-zione e di allarme, il cui numero mostra una decisa diminuzione a partire dal 1991.

(‡) ciclo di 24 ore, con ora di inizio tra le 08.00 e le 15.00, predeterminato dall’autorità competente per la zona urbana(*) rilevati per analisi gravimetricaMa = media aritmetica

Tabella 3.6 - Standard di qualità dell’aria (DM 1992, 1994).

Figura 3.5 - Monossido di carbonio: rispetto degli standard per tutte le serie annuali. Nu -mero di superamenti annui. Tempo di integrazione di 8 ore.

Inquinante Periodo Tempo Livello Livello di rilevamento di integrazione di attenzione di allarme

CO (‡) 1 h Ma = 15 mg m-3 Ma = 30 µg m-3

NO2(‡) 1 h Ma = 200 µg m-3 Ma = 400 µg m-3

O3(‡) 1 h Ma = 180 µg m-3 Ma = 360 µg m-3

PTS (‡) 24 h Ma = 150 µg m-3 (*) Ma = 300 µg m-3 (*)

SO2(‡) 24 h Ma = 125 µg m-3 Ma = 250 µg m-3

120

100

80

60

40

20

01 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59

1990 1991 1992 1993 1994 Standard



6 4

Figura 3.6 - Biossido di azoto: rispetto degli standard per tutte le serie annuali. Valore del 98°percentile. Tempo di integrazione di 1 ora.

Figura 3.7 - Polveri: rispetto degli standard per tutte le serie annuali. Media annuale sul pe -riodo gennaio-dicembre. Tempo di integrazione di 24 ore.

20

40

60

80

100

120

140

160

01 2 3 4 5 6 7 8 9 10 11 12 14 19 20 21 22 23 24 25 26 27 28 29 30

250

300

350

1989 1990 1991 1992 1993 1994 Standard

400

200

150

100

50

01 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59

19941993199219911990 Standard

13 15 16 17 18

Anche per quanto riguarda le polveri (figure 3.7-3.8) e l’SO2 (figure 3.9-3.10) la situa-zione, caratterizzata dal completo rispetto dei limiti, mostra una significativa ten-denza al miglioramento dei parametri regolati dagli standard corrispondenti.


6 5

Figura 3.9 - Anidride solforosa: rispetto degli standard per tutte le serie annuali. Me -diana sul periodo aprile-marzo. Tempo di integrazione di 24 ore.

50

100

150

200

250

300

350

0

20

40

60

80

100

0

30292827262524232221201918171615141312111098761 2 3 4 5

19941993199219911990 Standard

595755535149474543413937353331292725232119171513111 3 5 7 9

Figura 3.8 - Polveri: rispetto degli standard per tutte le serie annuali. Valore del 95° per -centile sul periodo gennaio-dicembre. Tempo di integrazione di 24 ore.

1994199319921991 Standard

Per l’ozono, viceversa, la situazione appare meno definita (figura 3.11) in relazioneanche alla complessità che ne caratterizza i processi di formazione a partire dalle emis-



6 6

Figura 3.11 - Ozono: rispetto degli standard per tutte le serie annuali. Numero di supera -menti annui. Tempo di integrazione di 1 ora.

Nota: non si registrano serie che, pur rispettando gli standard mensili, siano caratterizzate da un numero an-nuale di superamenti maggiore di 1.

50

100

150

200

250

300

0595755535149474543413937353331292725232119171513111 3 5 7 9

30 31 32 33 34 35 36292827262524232221201918171615141312111098761 2 3 4 5

Figura 3.10 - Anidride solforosa: rispetto degli standard per tutte le serie annuali. Va -lore del 98° percentile sul periodo aprile-marzo. Tempo di integrazione di 24 ore.

1994199319921991 Standard

10

20

30

40

50

60

1993 1994199219911989 1990 Standard

0


6 7

sioni primarie. Pur se lo standard appare rispettato per circa la metà delle serie dispo-nibili, non è possibile identificare con sufficiente chiarezza alcuna tendenza: i dati mo-strano infatti un miglioramento nel periodo 1989-1991 e un graduale peggioramentonel triennio successivo.

3.2.1.2 Idrocarburi non metaniciPer quanto riguarda gli idrocarburi non metanici (NMHC), la normativa vigente(DPCM, 1983) impone un valore limite di 200 µg m-3 come concentrazione massima suun tempo di integrazione di 3 ore, da adottarsi nelle zone e i periodi dell’anno nei qua-li si verifichino superamenti significativi dello standard relativo all’ozono.

L’analisi del rispetto di tale limite è stata effettuata utilizzando i dati rilevati duran-te le campagne di misura del PMIP - Unità Operativa Fisica che, pur non avendo regi-strato alcun superamento dello standard per l’ozono (anche perché condotte, in qual-che caso, in periodi invernali che ne limitano ulteriormente la produzione per via fo-tochimica), risultano le uniche disponibili.

Figura 3.12 - NMHC: numero di dati disponibili e numero di superamenti dello stan -dard per le 4 campagne con laboratorio mobile dal PMIP-Unità Operativa Fisica. Tem -po di integrazione di 3 ore.

I risultati ottenuti sono riportati in figura 3.12 in termini di numero complessivo deisuperamenti (indipendentemente dai corrispondenti valori di ozono, quando dispo-nibili), e di percentuale di dati sul totale delle misure effettuate che eccedono il valorelimite. Nelle quattro campagne effettuate lo standard è risultato sempre superato daoltre l’80% dei dati.

96,33%

83,33%

99,09%83,58%

0

20

40

60

80

100

120

140

Via Valtellina ITIS Molinari Via Rombon Via Gattamelata

Dati che non rispettano lo standard Dati disponibili



6 8

3.2.1.3 Analisi delle tendenzeCon questa elaborazione si è inteso evidenziare, a livello complessivo dell’area, l’an-damento della qualità dell’aria rispetto ai singoli inquinanti analizzati, allo scopo dicogliere anche gli effetti di almeno due importanti evoluzioni in atto: il rinnovo delparco circolante con autovetture catalizzate e il programma di ispezione e manuten-zione dei veicoli messo in atto dalla Regione Lombardia (bollino blu).

Al fine di poter trarre delle indicazioni estendibili all’area nel suo complesso si sono cal-colati i valori medi di concentrazione sull’intera AO pesando le concentrazioni mediedelle singole stazioni con la numerosità dei dati validi disponibili per ognuna di esse.

I valori medi areali su cui effettuare l’analisi sono stati calcolati sia su base annuale(gennaio-dicembre) che semestrale (settembre-febbraio e marzo-agosto) al fine di ve-rificare eventuali differenze stagionali dei livelli di riduzione.

La tabella 3.7e la figura 3.13 riassumono le concentrazioni medie annuali così valuta-te per l’intera AO e la loro corrispondente variazione rispetto al valore di riferimentodel 1990. È evidente la presenza di un andamento decrescente più o meno marcato perle concentrazioni di CO, NO2 ed SO2 e, con presenza di dati in controtendenza, perquelle di NO ed NOx; i dati delle polveri presentano oscillazioni tali da non ritenere si-gnificativo, al momento, l’andamento rilevato a partire dal 1993, mentre una tenden-za crescente, particolarmente accentuata è infine riscontrabile per i dati di ozono a par-tire dal 1992, in accordo con quanto già osservato, ma meno evidente nella preceden-te analisi del rispetto degli standard.

Gli andamenti sin qui analizzati non sono stati depurati dagli effetti della meteo-rologia che potrebbe svolgere un ruolo significativo modificando il reale andamen-to delle concentrazioni e determinando la tendenza generale alla diminuzione os-servata per i livelli medi di concentrazione. Al fine di valutarne il possibile effetto èstata sviluppata un’analisi dell’andamento delle concentrazioni medie invernali edestive di CO: tale inquinante, poco reattivo in atmosfera ed emesso principalmenteda un’unica tipologia di sorgente con un regime continuo durante l’anno, si confi-gura infatti come un tracciante della diversa capacità dispersiva dell’atmosfera peranalisi di lungo periodo. Per compiere questa elaborazione sono stati individuatidei periodi pienamente rappresentativi sia delle condizioni meteorologiche tipichestagionali che dell’attività delle fonti di emissione che caratterizza normalmente lastagione considerata. Si è così riscontrato come i bimestri gennaio-febbraio e giu-

CO NO NO2 NOX O3 PTS SO2

m gm- 3 %90 µg m- 3 %90 µg m- 3 %90 µg m- 3 %90 µg m- 3 %90 µg m- 3 %90 µg m- 3 %90

1 9 9 0 4 , 5 1 9 3 , 2 1 1 5 , 6 3 , 9 , 0 2 5 , 9 8 1 , 1 3 9 , 6

1 9 9 1 4 , 0 - 1 1 , 0 % 1 8 0 , 2 - 6 , 7 % 1 1 1 , 0 - 4 , 0 % 2 9 0 , 6 - 5 , 9 % 1 9 , 8 - 2 3 , 4 % 8 3 , 5 3 , 0 % 3 7 , 2 - 6 , 1 %

1 9 9 2 3 , 6 - 1 9 , 3 % 1 4 6 , 5 - 2 4 , 2 % 1 0 1 , 2 - 1 2 , 4 % 2 4 7 , 6 - 1 9 , 9 % 2 2 , 3 - 1 3 , 9 % 8 9 , 8 1 0 , 8 % 3 0 , 2 - 2 3 , 6 %

1 9 9 3 3 , 5 - 2 1 , 8 %1 5 0 , 0 %- 2 2 , 4 % 9 5 , 2 - 1 7 , 6 % 2 4 5 , 6 - 2 0 , 5 % 2 3 , 0 - 1 1 , 4 % 7 8 , 0 - 3 , 8 % 2 4 , 8 - 3 7 , 3 %

1 9 9 4 3 , 1 - 2 9 , 9 % 1 1 0 , 1 - 4 3 , 0 % 8 3 , 8 - 2 7 , 4 % 1 9 4 , 3 - 3 7 , 1 % 2 6 , 0 0 , 4 7 5 , 3 - 7 , 1 % 1 9 , 2 - 5 1 , 5 %

Tabella 3.7 - Concentrazioni medie annuali sull’intera AO. %90 = variazione rispetto al 1990 (%).


6 9

gno-luglio siano i periodi che meglio rappresentano, rispettivamente, le stagioniinvernale ed estiva.

Per ciascuna stazione sono stati pertanto individuati gli andamenti giornalieri delleconcentrazioni orarie di CO (giorno tipo) rappresentativi di entrambe le stagioni, cal-colando la media ora per ora dei valori di concentrazione registrati nei bimestri di ri-ferimento negli anni 1990-1994. Considerando la finestra temporale compresa tra leore 6:00 e le ore 22:00, periodo durante il quale l’attività delle fonti di emissione è piùintensa, si è valutato il valore medio della concentrazione di CO del giorno tipo inver-nale ed estivo: la media invernale ed estiva riferite a tutta l’AO per ogni anno del quin-quennio 1990-1994 sono state infine calcolate come media aritmetica delle concentra-zioni medie stagionali del giorno tipo delle singole stazioni di monitoraggio.

L’andamento temporale dei valori così ottenuti è riportato nella tabella 3.8, in cui so-no indicati anche i valori del rapporto K tra la media invernale ed estiva. Sia la con-centrazione media rappresentativa della stagione invernale sia quella della stagioneestiva presentano andamenti decrescenti analoghi a quello della media annuale, purse contraddistinti da una minore regolarità. Si può notare una riduzione più marcatadelle concentrazioni medie invernali, che si attesta sul 36,2% al 1994, mentre la ridu-zione delle concentrazioni medie estive risulta più prossima a quella registrata per lemedie annuali e pari al 27,6%.

Elaborazioni analoghe alla precedente sono state effettuate anche con riferimento alsolo valore massimo giornaliero delle concentrazioni orarie del giorno tipo stagiona-le, osservando andamenti complessivi per l’AO del tutto analoghi a quelli relativi alla

Figura 3.13 - Variazione percentuale delle concentrazioni medie annuali dell’AO con riferi -mento alla figura 3.14.

Anno

1990

CO NO

C3 PTS SO2

NO2

NOX

1992-60%

-50%

-40%

-30%

-20%

-10%

+0%

+10%

+20%

1991 1993 1994



7 0

Tabella 3.8 - Monossido di carbonio: andamento delle concentrazioni medieannue, invernale ed estiva relative a tutta l’AO e valori del rapporto K tra lamedia invernale ed estiva nel periodo 1990-1994.

Figura 3.14 - Monossido di carbonio: andamento dei valori massi -mi di concentrazione come media dell’intera AO nel periodo 1990-1 9 9 4 .

media annua e alle medie stagionali (figura 3.14). L’entità delle riduzioni riferite al-l’intera AO tra il 1990 e il 1994 per le stagioni invernale ed estiva risultano pressochéidentiche, pari rispettivamente al 32,9% e al 31,6%, e prossime al valore riscontrato perla media annuale. Dal momento che le concentrazioni massime giornaliere risultanomaggiormente rappresentative del regime emissivo, in quanto solitamente corrispon-denti al momento di più intensa attività delle fonti, tale risultato permette di ipotizza-re che l’osservata riduzione dei livelli di concentrazione sia principalmente dovuta aun’effettiva riduzione delle emissioni di CO, con un ruolo sostanzialmente trascura-bile dell’elemento meteorologico. Tale ipotesi è altresì ben supportata dall’andamen-to annuale delle emissioni di CO da sorgenti mobili stimato sulla base di rinnovo delparco circolante con vetture dotate di marmitta catalitica.

Media Media Mediaannuale invernale estiva K(mg m-3) (mg m-3) (mg m-3)

1990 4,48 6,04 2,72 2,23

1991 3,99 5,43 2,62 2,07

1992 3,61 5,24 2,48 2,12

1993 3,50 4,81 2,11 2,28

1994 3,14 3,95 1,89 2,09

19900

1

2

3

4

5

6

7

8Max (mg m-3)

1991 1992 1993 1994

Inverno

Estate

Anno


7 1

Ulteriore conferma a questa prima indicazione risulta fornita dall’analisi dell’an-damento temporale dei valori del rapporto K tra le concentrazioni medie invernaleed estiva, che risulta praticamente costante tra il 1990 e il 1994. L’ampiezza tempo-rale dell’intervallo considerato costituisce una base di dati sufficientemente ampia,in grado di attenuare eventuali anomalie di breve periodo. La sostanziale costanzanel tempo del valore del rapporto K mostra che nell’intervallo di tempo esaminatonon si sono verificate stagioni meteorologicamente anomale e caratterizzate da ca-pacità dispersive dell’atmosfera significativamente discoste dai valori medi areali.

Le analisi effettuate consentono così di ritenere sostanzialmente trascurabile il ruo-lo dell’elemento meteorologico sull’andamento delle concentrazioni medie annualidegli inquinanti nel periodo di rilevamento considerato. Pur tuttavia è evidente checasi di inquinamento acuto, con l’accumulo di inquinanti in atmosfera, possono co-munque essere favoriti da particolari situazioni meteorologiche.

Su questa base le tendenze osservate per i livelli medi di concentrazione nell’area,riportate in figura 3.13, possono considerarsi depurate dall’effetto meteorologico e im-putabili ai soli andamenti delle emissioni.

3.3 Modelli statistici

Come già osservato nella parte dedicata alla statistica descrittiva, la distribuzione deidati di inquinamento atmosferico può essere vantaggiosamente descritta con modelliteorici, soprattutto se questi ultimi hanno utili proprietà e consentono rappresenta-zioni grafiche e parametriche semplici e flessibili. Largamente documentato per i datidi inquinamento atmosferico è, a tale proposito, l’impiego dei modelli di descrizionelognormale a 2 e a 3 parametri, del modello di Weibull e del modello gamma. L’adat-tabilità della distribuzione lognormale a 2 parametri e del modello di Weibull ai dati inesame è già stata valutata nelle sezioni precedenti.

L’elevata variabilità intrinseca dei valori estremi, alimentata anche dal malfun-zionamento dei sistemi di misura, difficilmente però ne consente la descrizione consemplici modelli, senza invocare complesse teorie sull’asintoticità degli stessi valo-ri estremi; d’altra parte, questo particolare settore della distribuzione risulta di in-teresse predominante perché correlato di norma agli standard di qualità dell’aria ecomunque alle situazioni di effetto acuto dell’inquinamento atmosferico.

Per descrizioni più raffinate delle distribuzioni, soprattutto per quanto riguar-da il settore delle concentrazioni più elevate, possono così risultare utili modellistatistici empirici che, se da una parte non dispongono di teoria e hanno una va-lidità limitata al sistema emissione-qualità dell’aria che ha generato la popolazio-ne di dati analizzata, dall’altra possono consentire descrizioni anche molto preci-se dei valori estremi, e risultano quindi di particolare utilità per l’area del rileva-m e n t o .

Per l’area di Milano, in particolare, approcci per la formulazione di modelli stati-stici empirici delle serie temporali di concentrazioni di SO2 hanno messo in eviden-za il ruolo assolutamente dominante della media aritmetica su lungo termine, va-lore semplice e di facile acquisizione, eventualmente anche con modelli di traspor-to e diffusione, per la descrizione dei valori estremi della distribuzione e di para-



7 2

metri anche molto raffinati quali la durata delle alte concentrazioni. La possibilitàdi descrivere in modo piuttosto preciso i valori estremi, oggetto dello standard, infunzione della sola media aritmetica a lungo termine (tipicamente annuale) ha cosìconsentito l’impiego nei modelli r o l l - b a c k di un parametro stabile e affidabile comequest’ultimo, in luogo di dati aleatori come i valori estremi, per la stima della ridu-zione delle emissioni occorrente per il rispetto dello standard della SO2. È propriocon lo scopo di stimare le riduzioni delle emissioni occorrenti per il rispetto dellostandard di CO e NO2, largamente disattesi nell’area di Milano, che si sono formu-lati, con approcci simili a quelli già utilizzati per la SO 2, modelli statistici empirici ingrado di descrivere le cospicue popolazioni di dati disponibili.

3.3.1 Modelli statistici per la distribuzione di COLe elaborazioni hanno utilizzato le serie storiche delle concentrazioni di CO registra-te nelle stazioni di monitoraggio dell’AO nel periodo 1989-1994 e che dispongono dialmeno il 75% dei dati validi.

3.3.1.1 Modello empiricoL’analisi di 60 serie annuali di dati di CO, registrate in 19 stazioni di rilevamento si-tuate nell’area omogenea di Milano nel periodo 1990-1994, ha consentito di eviden-ziare il ruolo dominante svolto dalla media annuale sulle statistiche di maggior inte-resse per la descrizione della qualità dell’aria. Dalle elaborazioni sono stati esclusi i da-ti relativi alle serie storica Brera Quota 1992, in quanto il posizionamento in quota del-la stazione di monitoraggio rende poco confrontabili con quelli delle altre stazioni ivalori delle medie annuali, che fanno infatti registrare valori sensibilmente inferiori aquelli risultanti nell’area nel suo complesso. Si è quindi proceduto ad analizzare la di-pendenza dei percentili di concentrazione CF (mg m–3) dalla frequenza cumulata F (%)che li definisce, dalla media aritmetica annuale Ma (mg m–3) e dal tempo di integrazio-ne t (h). Sono stati presi in considerazione i percentili corrispondenti a 12 valori di fre-quenza cumulata tra l’80 e il 99,9% per 5 tempi di integrazione (1, 4, 8, 12 e 24 ore) re-lativi alle 59 serie annuali, caratterizzate ciascuna da una concentrazione media Ma.Come si può osservare, l’analisi riguarda soprattutto i percentili estremi della distri-buzione.

La dipendenza dei percentili considerati, sempre piuttosto regolare rispetto alla fre-quenza cumulata e al tempo di integrazione, ha consentito di sviluppare un modelloanalitico con la seguente formulazione:

CF = k • Fb • Ma • td (3.1)

dove k, b e d sono costanti numeriche. La struttura del modello risulta molto simile alla formulazione messa a punto per la

descrizione delle alte concentrazioni di SO2 nell’area urbana milanese. Con la tecnica della regressione lineare si è messa in evidenza la sostanziale indi-

pendenza del parametro d dalle variabili in esame, con un valore medio pari a -0,08 eun errore medio di 0,003; al contrario i valori dei parametri k e b hanno mostrato unasignificativa dipendenza dalla frequenza cumulata, soprattutto per i valori estremi su-periori al 99º percentile.


7 3

Per acquisire tale dipendenza del modello, senza complicarne ulteriormente la for-mulazione, il campo di applicazione è stato suddiviso in due parti con valori diversidelle costanti numeriche k e b, salvaguardando sia l’accuratezza che la semplicità del-la descrizione. Sono stati così ricavati i valori delle costanti numeriche k e b e le formu-lazioni del modello da utilizzare nei due seguenti intervalli di frequenza cumulata:

CF = 3,037 •( F 2,908

Ma • t -0,08 per F ≤ 98,6% (3.2)100)CF = 4,840 •( F 35,451

Ma • t -0,08 per F > 98,6% (3.3)100)La rappresentazione grafica del modello messo a punto è esemplificata nella figura

3.15, che riporta i valori dell’80°, 90°, 95° e 98° percentile in funzione della media an-nuale per il tempo di integrazione di 8 ore; la linearità del legame, particolarmentemarcata per i percentili più bassi, presenta una maggiore dispersione attorno alla ret-ta del modello empirico per il 98º percentile, che si accentua ulteriormente per i per-centili più elevati.

3.3.2 Modelli semiempiriciCon l’obiettivo invariato di descrivere le distribuzioni dei dati osservati nell’area infunzione della media annuale, è stata valutata l’adattabilità di alcune distribuzioniteoriche comunemente utilizzate per la descrizione di serie di concentrazioni di in-quinanti atmosferici. Le distribuzioni prese in considerazione sono la distribuzio-

Media annuale (mg m-3)

0

2

4

6

8

10

12

14

16

0 1 2 3 4 5 6

P80 P90 P95 P98 Modello empirico

Figura 3.15 - Monossido di carbonio: dipendenza dei percentili dalla media annuale Ma e confrontocon i modelli empirici descritti nelle equazioni (3.2) e (3.3) per il tempo di integrazione di 8 ore.



7 4

ne lognormale a 2 parametri, la distribuzione di Weibull e la distribuzione espo-nenziale. Le elaborazioni sono state sviluppate con riferimento ai dati relativi altempo di integrazione di 8 ore, di particolare interesse in quanto lo standard di qua-lità dell’aria stabilito per tale tempo di integrazione risulta frequentemente disatte-so nell’AO. Per quanto riguarda le distribuzioni lognormale e di Weibull, sono sta-ti preventivamente calcolati i rispettivi parametri statistici che descrivono comple-tamente la popolazione dei dati di ciascuna serie storica, analizzando quindi la lo-ro relazione con la media annuale corrispondente. La stima dei parametri della di-stribuzione esponenziale è stata effettuata con riferimento ai percentili della distri-buzione osservata delle concentrazioni, calcolati per ciascuna serie storica. Con tec-niche di regressione lineare applicate ai logaritmi della frequenza di superamentodei rispettivi percentili sono stati determinati i valori dei parametri per ciascuna se-rie storica, analizzando quindi anche in questo caso la relazione tra i valori così ot-tenuti e la corrispondente media annuale.

La verifica dell’adattamento dei dati osservati alle distribuzioni è stata infine effet-tuata, per ciascuna serie di dati, con riferimento ai percentili della distribuzione osser-vata delle concentrazioni mediate sulle 8 ore.

3.3.2.1 Modello semiempirico lognormaleNelle figure 3.16 e 3 . 1 7 sono rappresentati i diagrammi a dispersione dei valori dei pa-rametri della distribuzione lognormale in funzione della media annuale. Mentre i va-lori della media geometrica sono descritti con buona approssimazione da una funzionelineare della media annuale, quelli della deviazione geometrica standard Sg a p p a i o n o


0

1

2

3

4

5

0 1 2 3 4 5 6

Mg

= 0,858Ma- 0,062

R2

= 0,955

Figura 3.16 - Monossido di carbonio: dipendenza della media geometrica dalla media annuale(aritmetica) e retta di regressione.

6


7 5

del tutto indipendenti da quest’ultima. Nelle applicazioni della distribuzione lognor-male si può pertanto assumere costante il valore di Sg e pari alla media geometrica deivalori ottenuti per le singole serie costituenti la popolazione di dati: la media geometri-ca ha dato infatti risultati migliori della media aritmetica nella stima dei percentili.

3.3.2.2 Modello semiempirico di WeibullNelle figure 3.18 e 3.19 sono rappresentati i diagrammi a dispersione dei valori dei pa-rametri della distribuzione di Weibull in funzione della media annuale. I valori del pa-rametro di locazione σ sono ben descritti da una dipendenza di tipo lineare, mentre sipuò escludere ogni possibile correlazione tra i valori del parametro di dispersione λ ela media annuale stessa. Con considerazioni analoghe a quelle già illustrate per la di-stribuzione lognormale il valore di tale parametro è stato assunto costante e pari allamedia geometrica dei valori delle singole serie storiche.

3.3.2.3 Modello semiempirico esponenzialeSi è valutata la possibilità di descrivere i dati relativi ai soli alti percentili con una di-stribuzione di tipo esponenziale:

F = 1 - exp (α • C + β) (3.4)

dove F è la frequenza cumulata, C (mg m- 3) è la concentrazione non superata, e αe β sono costanti numeriche stimate per ciascuna serie storica con la regressione li-neare applicata ai logaritmi della frequenza di superamento dei rispettivi percenti-li considerati (80°-99°). Dall’analisi della dipendenza dei parametri α e β dalla con-centrazione media annuale si ricava che i valori del parametro α presentano un an-


0

1

2

3

0 1 2 3 4 5 6

Figura 3.17 - Monossido di carbonio: dipendenza della deviazione geometrica standard dalla me -dia annuale (aritmetica).



7 6

Figura 3.19 - Monossido di carbonio: dipendenza del parametro di Weibull dalla media annua -le (aritmetica).



0

1

0

1

2

3

2

3

4

5

6

7

0 1 2 3 4 5 6

0 1 2 3 4 5 6

Figura 3.18 - Monossido di carbonio: dipendenza del parametro di Weibull dalla media annuale(aritmetica) e retta di regressione.

σ = 1,133Ma- 0,059

R2

= 0,997


7 7


α = 0,093Ma - 0,884

0

-0,2

-0,4

-0,6

-0,8

-1

-1,2

6543210

Figura 3.20 - Monossido di carbonio: dipendenza del parametro della distribuzione esponen -ziale dalla media annuale (aritmetica) e retta di regressione.


4

3

2

1

0

-1

-26543210

Figura 3.21 - Monossido di carbonio: dipendenza del parametro della distribuzione esponen -ziale dalla media annuale (aritmetica).



7 8

damento lineare crescente con la media annuale, caratterizzato però da una sensi-bile dispersione intorno alla retta interpolante (figura 3.20 ). Tuttavia, poiché l’inter-polazione dei valori di α con curve di ordine superiore o trascendenti comportauna maggiore complessità del modello e non determina stime dei percentili ap-prezzabilmente migliori, per l’espressione del parametro α in funzione della mediaannuale è stata utilizzata la forma lineare, nonostante il basso valore del coefficien-te di correlazione (0,536).

I valori del parametro β non presentano alcuna correlazione con la media annua-le (figura 3.21): nelle applicazioni del modello semiempirico esponenziale se ne èpertanto assunto costante il valore, pari alla media aritmetica dei valori delle sin-gole serie storiche. In questo caso infatti la media aritmetica dei valori di β ha datorisultati migliori della media geometrica nella stima dei percentili.

3.3.2.4 Stima delle prestazioni dei modelli semiempiriciLe elaborazioni svolte hanno consentito di formulare una serie di espressioni per ledistribuzioni dei dati, tutte completamente definite da due parametri, correlati inmaniera più o meno robusta alla media annuale, che sono riportati nella tabella 3.9.

La curva delle frequenze cumulate F(C), che fornisce il valore del percentile deidati che non superano la concentrazione C, assume pertanto le seguenti formula-z i o n i :

F(C) = 1 ∫

z

exp (- t 2) dt (3.5)√2π - ∞ 2

in cui z = ln C - ln (0,858 Ma - 0,062)

ln (1,830)

Dal momento che non esiste soluzione analitica all’equazione (3.5), si rende neces-sario il ricorso a tabelle di probabilità o a formulazioni approssimate che permettonodi ricavare la frequenza cumulata corrispondente a un valore C di concentrazione o,viceversa, il valore di C cui corrisponde una prefissata frequenza cumulata.

modello lognormale

Tabella 3.9 - Monossido di carbonio: parametri dei modelli semiempirici per la descrizione delle di -stribuzioni per il tempo di integrazione di 8 ore.

M o d e l l o P a r a m e t r i

L o g n o r m a l e Mg = 0,858 · Ma - 0,062 Sg = 1,830

W e i b u l l σ = 1,133 · M a - 0,059 λ = 1,715

E s p o n e n z i a l e α = 0,093 · Ma - 0,884 β = 1,020


7 9

Figura 3.22 - Monossido di carbonio: distribuzione degli alti percentili per il tempodi integrazione di 8 ore e confronto con il modello semiempirico esponenziale.

Tabella 3.10 - Monossido di carbonio: prestazioni dei modelli empirico e semiempirici sviluppatiper la descrizione degli alti percentili per il tempo di integrazione di 8 ore.

F(C) = 1 - exp [-( C )]1,715

(3.6)1,133 Ma - 0,059

modello esponenziale F(C) = 1 - exp [(0,093 Ma - 0,884) C + 1,020] (3.7)

Poiché il modello esponenziale è stato espressamente approntato per la sola descrizio-ne degli alti percentili, mentre i modelli lognormale e di Weibull sono in grado di descri-vere l’intera distribuzione, la verifica comparativa della capacità dei modelli semiempi-rici di descrivere la distribuzione dei dati osservati è stata effettuata valutando per cia-scuna serie storica il coefficiente di correlazione (r) tra i valori osservati e quelli calcolati,nonché l’errore medio Em e l’errore quadratico medio Eqm corrispondenti, limitatamen-te ai percentili superiori all’80°. I valori medi di tali parametri (tabella 3.10) evidenziano

modello di Weibull

Modello Empirico Semiempirico Semiempirico Semiempirico lognormale Weibull esponenziale

r 0,975 0,981 0,980 0,983

Em (mg m-3) 0,176 -1,654 1,078 0,410

Eqm (mg m-3) 1,542 2,758 1,834 1,524

CO (mg m-3)

80.00

90.00

95.00

98.00

99.00

99.50

99.90

1

Romolo 1993 (3,79 mg m-3)

Cinisello Balsamo 1993 (4,91 mg m-3)

Villasanta 1993 (2,77 mg m-3)

10 100



8 0

prestazioni superiori per il modello esponenziale, seguito dal modello di Weibull, daquello lognormale e da quello empirico, nonostante una leggera tendenza alla sottostimadei valori associati alle alte frequenze. La descrizione degli alti percentili con il modellosemiempirico esponenziale è riportata in figura 3.22 per tre stazioni caratterizzate da va-lori rappresentativi di tutto il campo di variazione della media annuale (1,2-5,6 mg m– 3) .

3.3.3 Valori estremi della distribuzioneLa normativa vigente sulla qualità dell’aria stabilisce dei valori massimi di concentra-zione per il CO, pari a 40 (mg m–3) e a 10 (mg m–3) rispettivamente per il tempo di inte-grazione di 1 e di 8 ore, che non devono essere mai superati.

Mentre lo standard relativo a 1 ora è generalmente rispettato, lo standard relativo altempo di integrazione di 8 ore risulta largamente disatteso, sia in termini di numeroche di entità dei superamenti, nella quasi totalità delle serie storiche disponibili. Sol-tanto in 3 casi su 60 (“Brera 1992”, “Pero 1994”, “Settimo 1994”), infatti, non si sono re-gistrati superamenti del limite, mentre nelle rimanenti 57 serie storiche si è rilevato al-meno 1 superamento, con un valore medio di 30,86 superamenti annui e un massimodi 107 per la serie “Senato 1991”, pari al 9,94% dei dati annuali per il tempo di integra-zione di 8 ore.

3.3.3.1 Stima del valore massimo della distribuzioneDal momento che i modelli sviluppati per la descrizione della distribuzione delle con-centrazioni non si dimostrano adatti per la stima del valore massimo, anche perché essoè spesso determinato da situazioni anomale rispetto a quelle che generano la popolazio-ne complessiva dei dati, lo studio della sua dipendenza dalla concentrazione media an-nuale è stato condotto separatamente. L’osservazione qualitativa preliminare dei dati di-


40

35

30

25

20

15

10

5

00 1 2 3 4 5 6

Figura 3.23 - Monossido di carbonio: valori massimi di concentrazione per il tempo di integrazio -ne di 8 ore in funzione della media annuale.


8 1

sponibili per le 60 serie, pur evidenziando un certo grado di correlazione tra di essi, mo-stra tuttavia dispersioni particolarmente ampie in tutto l’intervallo dei dati, tali da ren-dere poco praticabile l’utilizzo di qualunque dipendenza funzionale eventualmente mes-sa a punto. Escludendo la possibilità di correlare il valore massimo con la media annualeè stata così valutata la possibilità di descrivere in funzione di quest’ultima il secondo va-lore estremo della distribuzione delle concentrazioni di 8 ore (figura 3.23). Anche il se-condo valore massimo risulta infatti significativo ai fini dello standard di qualità dell’aria,in quanto soltanto il 6,7% delle serie storiche rispetta il limite di legge con tale valore: al-le tre serie storiche già citate, per le quali non si osservano superamenti del limite, si ag-giunge la sola serie “Villasanta 1991” che presenta un secondo massimo pari a 9,7 mg m– 3.

Modello r Em (mg m-3) Eqm (mg m-3)

empirico 0,809 0,488 2,418

semiempirico 0,778 -4,582 5,793lognormale

semiempirico 0,801 2,445 3,331di Weibull

semiempirico 0,748 0,151 2,446esponenziale

Tabella 3.11 - Monossido di carbonio: prestazioni dei diversi modelli sviluppati per la stima del 2°massimo di concentrazione per il tempo di integrazione di 8 ore.

25

20

15

10

5

00 5 10 15 20 25

Figura 3.24 - Monossido di carbonio: valori osservati e calcolati con il modello empirico descrittonell’equazione (3.3) del 2° massimo di concentrazione.

2° Max (mg m-3) - valori osservati



8 2

3.3.3.2 Stima del secondo massimo di concentrazioneDopo aver determinato il valore della frequenza cumulata corrispondente al secondovalore massimo, sulla base del numero di dati disponibile per ciascuna serie, il model-lo empirico descritto nell’equazione (3.3) e i modelli semiempirici già sviluppati sonostati utilizzati per stimare il secondo valore estremo delle distribuzioni. Dal confrontodelle stime così ottenute con i dati osservati si rileva che il modello empirico presenta ilmassimo coefficiente di correlazione e il minimo errore quadratico medio, che i model-li esponenziale e di Weibull hanno prestazioni simili, mentre il modello lognormale haprestazioni meno buone, sovrastimando sistematicamente i dati osservati (tabella 3.11) .Il modello empirico risulta comunque il più idoneo per minore tendenza alla sottosti-ma dei valori osservati e per l’errore quadratico medio più ridotto (figura 3.24) .

3.3.3.3 Stima del secondo massimo di concentrazione con modelli empirici dedicatiSempre con lo scopo di descrivere i soli valori estremi della distribuzione, senza ri-correre a modelli generali più adatti per l’intera popolazione di dati, è stata analiz-zata la possibilità di adottare modelli puramente empirici che interpretano il lega-me tra il secondo massimo e la media annuale correlando statisticamente in mododiretto tali grandezze.

L’osservazione qualitativa dei dati (figura 3.25), ha limitato la scelta delle possibilidipendenze funzionali alle due espressioni seguenti:

modello lineare 2° Max = α • Ma + β (3.8)

modello di potenza 2° Max = α • (Ma)β (3.9)


0

5

10

15

20

25

0 2 3 4 5 61

Figura 3.25 - Monossido di carbonio: 2° massimo di concentrazione in funzione della media an -nuale e confronto con il modello empirico di potenza.


8 3

Per la stima dei parametri del modello di potenza, pur essendo possibile ricorrere allalinearizzazione, si è preferito operare direttamente sulle grandezze al fine di ottenereuna valutazione più precisa e affidabile. Le prestazioni dei due modelli, riportate nellatabella 3.12, indicano per il modello di potenza una capacità di descrizione lievementesuperiore rispetto a quella del modello lineare, evidenziata dal maggior coefficiente dicorrelazione lineare tra i valori osservati e calcolati e dai valori più contenuti dell’errorequadratico medio e dell’errore medio. Entrambi i modelli risultano migliori dei model-li semiempirici per la stima dei valori del secondo massimo di concentrazione, ma le lo-ro prestazioni sono assolutamente confrontabili a quelle del modello empirico generaledescritto nell’equazione (3.3), che dimostra così la sua estrema affidabilità.

3.3.4 Modelli empirici per il numero di superamenti dello standard di qualità dell’ariaDal momento che i modelli generali fin qui sviluppati risultano poco affidabili nelladescrizione dei valori massimi della distribuzione delle concentrazioni, peraltro pococorrelati alla media annuale, è stata condotta una analisi diretta della relazione tra ilnumero annuo di eventi di superamento dello standard di qualità dell’aria per il tem-po di integrazione di 8 ore (10 mg m–3) e la concentrazione media annuale corrispon-dente. Per descrivere le dipendenze osservate i legami funzionali più idonei sono ri-sultati di tipo trascendente, rappresentati dalle seguenti equazioni:

modello esponenziale Ns = α • exp (β • Ma) (3.10)

modello di potenza Ns = α • (Ma)β (3.11)

In entrambi i casi la stima dei parametri è stata condotta direttamente sui dati con il me-todo dei minimi quadrati, senza ricorrere alla linearizzazione, considerando soltanto le57 serie storiche in cui lo standard non è stato rispettato. Poiché i due modelli risultanodel tutto equivalenti quando se ne esaminano le prestazioni, riassunte nella tabella 3.13, la

M o d e l l o P a r a m e t r i r Em (mg m - 3) Eqm (mg m - 3)

e s p o n e n z i a l e 0 , 7 2 1 0 , 8 9 5 0 , 9 0 8 - 0 , 4 2 2 1 2 , 4 4 2

di potenza 0 , 1 1 2 3 , 9 5 7 0 , 9 0 8 0 , 0 2 1 1 2 , 4 5 2

Tabella 3.13 - Monossido di carbonio: parametri dei modelli per la descrizione del legame tra il numero disuperamenti dello standard e la media annuale per il tempo di integrazione di 8 ore e relative prestazioni.

Tabella 3.12 - Monossido di carbonio: parametri dei modelli lineare e di potenza per la descrizione del2° valore massimo di concentrazione per il tempo di integrazione di 8 ore e relative prestazioni.

M o d e l l o P a r a m e t r i r Em (mg m - 3) Eqm (mg m - 3)

l i n e a r e 3 3 , 9 0 , 8 1 7 - 0 , 0 2 0 2 , 1 1 9

di potenza 5 , 8 6 3 0 , 7 2 5 0 , 8 2 1 0 , 0 0 3 2 , 0 9 9



8 4

1000

100

10

11 10

Figura 3.27 - Monossido di carbonio: numero di superamenti dello standard osservati e sti -mati con il modello empirico descritto nell’equazione (3.11) per il tempo di integrazione di8 ore.

Figura 3.26 - Monossido di carbonio: legame tra il numero di superamenti dello standarde la media annuale per il tempo di integrazione di 8 ore e confronto con il modello empiricodescritto nell’equazione (3.11).

0

20

40

60

80

100

120

0 20 40 60 80 100 120N° superamenti - valori osservati

più semplice formulazione del modello di potenza lo rende preferibile a quello esponen-ziale, sebbene il suo errore quadratico medio risulti leggermente più elevato.



8 5

Si segnala comunque che a fronte di un elevato coefficiente di correlazione lineare tra ilnumero di superamenti osservati e quelli calcolati con il modello, pari a 0,908, e di un er-rore medio prossimo a 0, la dispersione dei dati comporta un errore quadratico medio(12,4 superamenti) pari al 41,6% del numero medio dei superamenti osservati (29,62). Lecapacità descrittive del modello empirico descritto nell’equazione (3.11) sono rappresen-tate nella figura 3.26, mentre nel diagramma di dispersione di figura 3.27 si confrontano ilnumero di superamenti osservato e quello calcolato con il modello stesso.

3.4 Modelli statistici per la distribuzione di NO2

Le elaborazioni hanno utilizzato le serie storiche delle concentrazioni di NO2 registra-te nel periodo 1989-1994 che dispongono di almeno il 75% dei dati validi.

3.4.1 Modello empiricoL’analisi di 69 serie annuali di dati di NO2 registrate in 19 stazioni di rilevamento si-tuate nell’area omogenea di Milano nel periodo 1989-1994, ha consentito di conferma-re anche per questo inquinante il ruolo dominante svolto dalla media annua sulle sta-tistiche di maggior interesse per la descrizione della qualità dell’aria. Si è quindi pro-ceduto ad analizzare la dipendenza dei percentili di concentrazione CF (µg m–3) dallafrequenze cumulata F (%) che li definisce, dalla media aritmetica annuale Ma (µg m–3)e dal tempo di integrazione t (h). Sono stati presi in considerazione i percentili corri-spondenti a 8 valori di frequenza cumulata (50, 60, 70, 80, 90, 95, 98 e 99%) per 5 diver-si tempi di integrazione (1, 3, 6, 12 e 24 ore) relativi alle 69 serie annuali caratterizzateciascuna da una concentrazione media Ma. Come si può osservare, l’analisi compren-de i percentili di particolare interesse corrispondenti alla frequenza cumulata del 50%e del 98%, oggetto dello standard di qualità dell’aria.

La dipendenza dei percentili considerati, sensibilmente più lineare rispetto alla me-dia annua di quanto osservato per il CO e sempre piuttosto regolare rispetto alla fre-quenza cumulata e al tempo di integrazione, ha consentito di sviluppare un modelloanalitico di formulazione analogo a quello messo a punto per la descrizione delle alteconcentrazioni di CO ed SO2:

CF = k • F b • Ma • td (3.12)

in cui k, b e d sono costanti numeriche.Con la tecnica della regressione lineare si è messa in evidenza la sostanziale indi-

pendenza del parametro (d) dalle variabili in esame, con un valore medio pari a -0,025e un errore medio di 0,002, al contrario dei valori dei parametri (k) e (b) che hanno mo-strato una significativa dipendenza dalla frequenza cumulata, soprattutto per i valoriestremi di quest’ultima.

Tale dipendenza, osservata anche per il CO, rende il modello di fatto poco adatto adescrivere con una espressione unica l’intero campo di variabilità di F, se non a scapi-to dell’accuratezza. Per non complicare ulteriormente la struttura della (3.12), si è pre-ferito dividere il campo di applicazione in due parti con valori diversi delle costantinumeriche (k) e (b), salvaguardando sia l’accuratezza che la semplicità della descri-



8 6

zione. Sono stati così ricavati i valori delle costanti numeriche (k) e (b) da utilizzare neidue seguenti intervalli di frequenza cumulata:

CF= 1,705 •( F )0,894

per F ≤ 87,5% (3.13)Ma • t -0,025 100

CF= 2,420 •( F )3,786

per F > 87,5% (3.14)Ma • t -0,025 100

La rappresentazione grafica della dipendenza del termine a primo membro dallafrequenza cumulata è riportata nella figura 3.28 ove sono indicati i percentili relativi atre valori rappresentativi della popolazione delle medie annuali, rispettivamente il va-lore minimo, il valore massimo e il valore prossimo alla media delle 69 concentrazio-ni annue per il tempo di integrazione di 1 ora. Si può osservare la precisione nella de-scrizione dei percentili più bassi considerati e una maggiore dispersione dei dati rela-tivi ai percentili estremi.

La rappresentazione grafica del modello approntato per i distinti tempi di integra-zione considerati è riportata nella successiva figura 3.29, che riporta i valori del 50°,70°, 90° e 98° percentile in funzione della media annua per il tempo di integrazione di1 ora; si può osservare l’evidente linearità del legame, particolarmente marcata per ipercentili più bassi, mentre i valori del 98° percentile presentano una maggiore di-spersione attorno alla retta rappresentativa del modello empirico.

Dal momento che la normativa in vigore sulla qualità dell’aria prende in considera-zione, per quanto riguarda il biossido di azoto, il 50° e il 98° percentile delle concen-

Frequenza cumulata (%)

3

2,5

2

1,5

1

0,5

040 50 60 70 80 90 100

Figura 3.28 - Biossido di azoto: legame tra concentrazione non superata e frequenza cumu -lata per il tempo di integrazione di 1 ora (le serie selezionate permettono di coprire l’interorange dei valori delle medie annuali osservate).

Senato 1992

Juvara 1993

Villasanta 1994


8 7

Media annuale ( g m-3)0 20 40 60 80 100 120 140 160

Figura 3.29 - Biossido di azoto: dipendenza dei percentili dalla media annuale Ma e con -fronto con il modello empirico descritto nelle equazioni (3.13) e (3.14) per il tempo di in -tegrazione di 1 ora.

P50 P70 P90 P98 Modello empirico

400

350

300

250

200

150

100

50

0

P50 ( g m-3) - valori osservati40 60 80 100 120 140

Figura 3.30 - Biossido di azoto: valori del 50° percentile delle concentrazioni orarie osser -vati e stimati mediante il modello empirico descritto nell’equazione (3.13).

400

350

200

150

50

0

trazioni orarie, nelle figure 3.30 e 3.31 viene riportato il confronto tra percentili osser-vati e calcolati per il tempo di integrazione di 1 ora, mentre per i medesimi percentilie per il campione completo costituito da 50°, 70°, 90° e 98° percentile, nella tabella 3.14



8 8

sono riassunte le prestazioni complessive del modello, espresse in termini di errorequadratico medio (Eqm), errore medio (Em) e coefficiente di correlazione (r) tra i va-lori osservati e calcolati. Risulta evidente la sensibile differenza delle prestazioni delmodello quando si prendono in considerazione i soli valori del 98° percentile, con unerrore quadratico medio che passa dal 3,99% del valore medio dei 50° percentiliall’11,9% del valore medio dei 98° percentili.

3.4.2 Modelli semiempiriciCon lo scopo di descrivere le distribuzioni di dati dell’area in funzione di un parame-tro unificante di facile acquisizione quale la media aritmetica si è valutata l’adattabilitàdi modelli teorici i cui parametri si potessero esprimere in funzione della media arit-metica. Sono state prese in considerazione le distribuzioni teoriche comunemente

P e r c e n t i l e Intero P5 0 P98

c a m p i o n e

r 0 , 9 6 7 0 , 9 7 8 0 , 8 5 7

Em (µg m - 3) - 1 , 7 9 1 0 , 8 6 0 - 1 1 , 2 6 4

Eqm (µg m - 3) 1 5 , 4 8 5 3 , 6 8 0 2 8 , 1 8 2

Tabella 3.14 - Biossido di azoto: modello empirico (3.12) perla stima dei percentili delle concentrazioni orarie, tempo diintegrazione di 1 ora.

P98 ( g m-3) - valori osservati100 150 200 250 300 350 400

Figura 3.31 - Biossido di azoto: valori del 98° percentile delle concentrazioni orarie osservatie stimati mediante il modello empirico descritto nell’equazione (3.13).

350

300

250

200

150

100


8 9

adattabili alle serie di concentrazioni di inquinanti atmosferici: la distribuzione lo-gnormale, la distribuzione di Weibull e la distribuzione esponenziale.

La stima dei parametri delle distribuzioni e la successiva verifica dell’adattamento deidati osservati a ciascuna di esse è stata effettuata con riferimento ai parametri della stati-stica descrittiva e ai percentili della distribuzione osservata delle concentrazioni orarie,preventivamente calcolati per ciascuna serie storica. Per quanto riguarda le distribuzionilognormale e di Weibull, si è analizzato il legame tra i parametri statistici che descrivonocompletamente la popolazione dei dati di ciascuna serie storica e la media annuale corri-spondente. Per la distribuzione esponenziale sono stati dapprima stimati i parametri perciascuna serie storica con tecniche di regressione lineare applicate ai logaritmi della fre-quenza di superamento dei rispettivi percentili considerati; successivamente è stata ana-lizzata la relazione tra i valori così stimati e la corrispondente media annua.

3.4.2.1 Modello semiempirico lognormaleNelle figure 3.32 e 3 . 3 3 sono rappresentati i diagrammi a dispersione dei valori deiparametri della distribuzione lognormale in funzione della media annuale. Dalleelaborazioni sono stati esclusi i dati relativi alle serie storiche “Arese 1992” e “Pero1992”, caratterizzati da valori della media geometrica e della deviazione geometri-ca standard sensibilmente discosti da quelli calcolati per le altre serie storiche, acausa della presenza di diversi dati nulli nelle serie stesse. Mentre i valori della me-dia geometrica sono descritti con buona approssimazione da una funzione linearedella media annuale, quelli della deviazione geometrica standard Sg appaiono deltutto indipendenti da quest’ultima. Nelle applicazioni della distribuzione lognor-male si può pertanto assumere costante il valore di Sg e pari alla media geometricadei valori della deviazione geometrica standard delle singole serie storiche costi-tuenti la popolazione di dati: la media geometrica ha dato infatti risultati miglioridella media aritmetica nella stima dei percentili.

Sfruttando le proprietà della distribuzione lognormale, la relazione tra la media arit-metica e la media geometrica può essere valutata in funzione della deviazione geo-metrica standard Sg con la seguente formula:

Mg = Ma exp (-ln2 Sg) (3.15)

2

che per Sg = 1,679 fornisce la relazione:

Mg = 0,874 Ma (3.16)

Risultando più compatta della relazione empirica e non introducendo sensibili dif-ferenze nella stima della media geometrica, quest’ultima relazione è stata utilizzataper le successive applicazioni del modello semiempirico lognormale.

3.4.2.2 Modello semiempirico di WeibullNelle figure 3.34 e 3 . 3 5 sono rappresentati i diagrammi a dispersione dei valori dei pa-rametri della distribuzione di Weibull in funzione della media annuale. Anche in que-sto caso, i valori del parametro di locazione sono ben interpolati da una funzione li-



9 0

Media annuale ( g m-3)

50 60 70 80 90 100 110 120 130 140 150

Figura 3.32 - Biossido di azoto: legame tra media geometrica e annuale (aritmetica) per la sti -ma dei parametri del modello semiempirico lognormale e retta interpolante.

150

140

130

120

110

100

90

80

70

60

50

Mg

= 0,864Mg

+ 1,937

R2= 0,960


Figura 3.33 - Biossido di azoto: legame tra deviazione geometrica standard e media annuale (arit -metica) per la stima dei parametri del modello semiempirico lognormalee retta interpolante.

2,5

2

1,5

150 60 70 80 90 100 110 120 130 140 150


9 1


Figura 3.34 - Biossido di azoto: dipendenza del parametro di Weibull dalla media annuale(aritmetica) e retta di regressione.

200

175

150

125

100

75

50

α = 1,122Ma+ 0,382

R2= 1,000


Figura 3.35 - Biossido di azoto: dipendenza del parametro di Weibull dalla media an -nuale (aritmetica).

3

2,5

2

1,5

1

50 60 70 80 90 100 110 120 130 140 150

50 60 70 80 90 100 110 120 130 140 150



9 2

neare della media annuale, mentre quelli del parametro di dispersione presentano unadispersione tale da escludere ogni possibile correlazione. Con considerazioni analoghea quelle effettuate per la distribuzione lognormale, il valore di tale parametro può es-sere assunto costante e pari alla media geometrica dei valori delle singole serie storiche.

3.4.2.3 Modello semiempirico esponenzialeSi è valutata anche la possibilità di descrivere i dati relativi agli alti percentili con unadistribuzione di tipo esponenziale:

F = 1 - exp (α • (C + β)) (3.17)

dove F è la frequenza cumulata, C (µg m–3) è la concentrazione non superata e α e βsono delle costanti numeriche, stimate per ciascuna serie storica con tecniche di re-gressione lineare applicate ai logaritmi della frequenza di superamento dei rispettivipercentili considerati (50°, 60°, 70°, 80°, 90°, 95°, 98° e 99° percentile). Dall’analisi del-la dipendenza dei parametri α e β dalla concentrazione media annuale si ricava che ivalori del parametro α presentano un andamento lineare crescente con la media an-nuale, con un coefficiente di correlazione pari a 0,738 (figura 3.36).

Analoghe considerazioni valgono per il parametro β, per il quale si apprezza unvalore leggermente superiore del coefficiente di correlazione, che risulta pari a0,775 ( figura 3.37). Si osserva che il termine costante presente nell’espressione delparametro β risulta molto piccolo rispetto al termine dipendente dalla media an-nuale ed è quindi possibile, senza gravi imprecisioni, semplificare l’espressione del

Figura 3.36 - Biossido di azoto: dipendenza del parametro della distribuzione esponen -ziale dalla media annuale (aritmetica) e retta di regressione.

-0,04

-0,03

-0,02

-0,01

α = (0,20Ma- 42)/1000

R2= 0,544


50 60 70 80 90 100 110 120 130 140 1500


9 3

parametro trascurando la costante additiva: le stime dei percentili così ottenute nonsi scostano infatti in maniera apprezzabile da quelle fornite dall’espressione nons e m p l i f i c a t a .

3.4.2.4 Stima delle prestazioni dei modelli semiempiriciLe elaborazioni svolte hanno consentito di formulare una serie di espressioni per ledistribuzioni dei dati, tutte completamente definite da due parametri, correlati inmaniera più o meno robusta alla media annua, che sono riportati nella tabella 3.15.

La curva delle frequenze cumulate F(C), che fornisce il valore del percentile dei da-ti che non superano la concentrazione C, assume pertanto le seguenti formulazioni:

F(C) = 1 ∫

z

exp (-t 2) dt (3.18)

√2π - ∞ 2modello lognormale

M o d e l l o P a r a m e t r i

l o g n o r m a l e Mg = 0,874 · Ma Sg = 1,679

W e i b u l l σ = 1,123 · Ma + 0,382 λ = 2,103

e s p o n e n z i a l e α = (0,02 · Ma - 4)/100 β = - 0,5 · M a

Tabella 3.15 - Biossido di azoto: parametri dei modelli se -miempirici per la descrizione delle distribuzioni delle con -centrazioni orarie in funzione della media annuale.


Figura 3.37 - Biossido di azoto: dipendenza del parametro della distribuzione esponenzia -le dalla media annuale (aritmetica) e retta di regressione.

-90

-80

-70

-60

-50

-40

-30

β = -0,5Ma+ 1

R2= 0,601

50 60 70 80 90 100 110 120 130 140 150-20



9 4

in cui z = ln C - ln (0,874 Ma)

ln (1,679)

Poiché non esiste soluzione analitica della equazione (3.18), si rende necessario il ri-corso a tabelle di probabilità o a formulazioni approssimate che permettono di ricava-re la frequenza cumulata corrispondente a un valore C di concentrazione o, viceversa,il valore di C cui corrisponde una prefissata frequenza cumulata.

F(C) = 1 - exp [- ( C )]2,103

(3.19)1,123 Ma - 0,382

modello esponenziale F(C) = 1 - exp [(0,02 Ma - 4) • (C - 0,5 Ma)] (3.20)100

Diversamente dai modelli lognormale e di Weibull, in grado di descrivere l’interadistribuzione, il modello esponenziale, approntato per la descrizione degli alti per-centili, ha un campo di applicazione limitato a valori di concentrazione superiori allametà della media annuale, che per le serie storiche considerate corrispondono ai per-centili superiori al 20°. Pertanto, la verifica comparativa della capacità dei modelli se-miempirici di descrivere la distribuzione dei dati osservati è stata effettuata valutandoper ciascuna serie storica il coefficiente di correlazione (r) tra i valori osservati e quel-li calcolati, nonché l’errore medio Em e l’errore quadratico medio Eqm corrisponden-ti, solamente per i percentili superiori al 20°. I rispettivi valori medi (tabella 3.16) evi-denziano prestazioni simili per i modelli messi a punto. Va tuttavia sottolineato che,mentre il modello semiempirico di Weibull tende a sottostimare i valori degli alti per-centili, i modelli esponenziale e lognormale ne effettuano una sovrastima, che risulta

modello di Weibull

più contenuta nel caso del modello lognormale: quest’ultimo deve pertanto conside-rarsi più idoneo a descrivere la distribuzione complessiva dei dati. La descrizione deipercentili attendibile con il modello semiempirico lognormale è illustrata in figura 3.38per tre stazioni caratterizzate da valori rappresentativi di tutto il campo di variazionedella media annuale (64,5-145,6 µg m–3).

Modello lognormale Weibull esponenziale

r 0,998 0,989 0,997

Em (µg m-3) -5,483 4,321 -5,519

Eqm (µg m-3) 16,428 16,793 17,018

Tabella 3.16 - Biossido di azoto: prestazioni dei modelli se -miempirici sviluppati per la descrizione delle distribuzionidelle concentrazioni orarie.


9 5

3.4.2.5 Confronto tra le prestazioni del modello empirico e dei modelli semiempirici per lastima del valore mediano e dei percentili estremi delle distribuzioni delle concentrazioniorarie di NO 2

I modelli messi a punto sono stati utilizzati per la stima dei valori del 50° e del 98° per-centile delle concentrazioni orarie di NO2, di particolare interesse per il controllo del-la qualità dell’aria. Le formulazioni assunte dal modello empirico (3.9) e dai modellisemiempirici per la stima di tali percentili sono riportate rispettivamente nelle tabelle3.17 e 3 . 1 8, mentre le relative prestazioni sono poste a confronto nelle tabelle 3.19 e 3 . 2 0

M o d e l l o F o r m u l a z i o n e

e m p i r i c o P50; NO2= 0,917 Ma; NO2

semiempirico lognormale P50; NO2 = 0,874 Ma; NO2

semiempirico di Weibull P50; NO2 = 0,943 Ma; NO2

+ 0,321

semiempirico esponenzialeP50; NO2

= 0,5 Ma; NO2+ 69,315

4 - 0,02 Ma; NO

Tabella 3.17 - Biossido di azoto: formulazione dei modelli empirici e semiem -pirici per la descrizione del 50° percentile delle distribuzioni orarie.

10 1000100

Figura 3.38 - Biossido di azoto: distribuzione degli alti percentili per il tempo di integrazio -ne di 1 ora e confronto con il modello semiempirico lognormale.

99,00

98,00

95,00

90,00

80,00

70,00

60,00

50,00

40,00

NO2 ( g m-3)

MI-Senato 1991 (139,69 µg m-3)

Limito 1993 (74,16 µg m-3)

S.S. Giovanni 1993 (98,77 µg m-3)

Juvara 1993

Villasanta 1994



9 6

in termini di coefficiente di correlazione, errore medio ed errore quadratico medio travalori osservati e calcolati.

In entrambi i casi la stima più accurata è fornita dal modello empirico, mentre il mo-dello semiempirico esponenziale, nonostante le buone prestazioni nel descrivere le di-stribuzioni nel loro complesso illustrate al precedente paragrafo, fa registrare le stimemeno accurate. Per quanto riguarda i modelli semiempirici lognormale e di Weibull, ilprimo fornisce una stima più precisa per il 50° percentile, mentre il secondo risulta mi-gliore per il 98° percentile. L’errore quadratico medio registrato dal modello empirico neidue casi è, sia in valore assoluto che percentuale, minore per la stima del 50° percentile:esso è infatti pari al 3,99% della media dei 50° percentili (pari a 92,2 µg m– 3), e all’11,79% diquella dei 98° percentili (pari a 238,9 µg m– 3) .

Modello Formulazione

empirico P98; NO2= 2,242 Ma; NO2

semiempirico lognormale P98; NO2= 2,534 Ma; NO2

semiempirico di Weibull P98; NO2 = 2,147 Ma; NO2

+ 0,731

semiempirico esponenzialeP98; NO2

= 0,5 Ma; NO2+ 391,202

4 - 0,02 Ma; NO

Tabella 3.18 - Biossido di azoto: formulazione dei modelli empirici e semiem -pirici per la descrizione del 98° percentile delle distribuzioni orarie.

Tabella 3.19 - Biossido di azoto: prestazioni dei modelli empirici e semiempirici per la descrizionedel 50° percentile delle distribuzioni orarie.

Modello Empirico Semiempirico Semiempirico Semiempirico lognormale di Weibull esponenziale

r 0,978 0,978 0,978 0,970

Em (µg m-3) -0,860 3,514 -3,820 4,896

Eqm (µg m-3) 3,680 5,005 5,298 6,419

Modello Empirico Semiempirico Semiempirico Semiempirico lognormale di Weibull esponenziale

r 0 , 8 5 7 0 , 8 5 7 0 , 8 5 7 0 , 8 5 1

Em (µg m -3) 1 1 , 2 6 4 - 1 8 , 4 8 9 2 0 , 0 2 3 - 1 8 , 6 4 8

Eqm (µg m -3) 2 8 , 1 8 2 3 1 , 9 8 5 3 2 , 8 0 6 3 3 , 9 4 9

Tabella 3.20 - Biossido di azoto: prestazioni dei modelli empirici e semiempirici per la descrizionedel 98° percentile delle distribuzioni orarie.


9 7

3.5 Relazioni a lungo termine tra NO2 ed NOx

3.5.1 Relazione tra le medie annuali di NO2 ed NOx

È noto che la relazione che lega le concentrazioni di NO2 ed NOx è descrivibile, nellabassa troposfera e in condizioni di equilibrio, dal ciclo fotostazionario che coinvolgela radiazione solare come fonte di energia e la presenza di O3 come ulteriore prodottosecondario. Il ciclo fotostazionario è a sua volta inserito in un sistema più complesso direazioni che coinvolgono i composti organici reattivi (COV) e una serie di prodotti tracui principalmente ossidanti organici, acido nitroso e nitrati. I modelli proposti per ladescrizione del sistema hanno generalmente lo scopo prevalente di stimare la possibi-lità di controllo dei livelli di O3, che eccedono lo standard in molte importanti aree, mariferiti in generale alla fotochimica della qualità dell’aria, risultando per questo stru-menti complessi e di non facile impiego.

In tutte le versioni concettuali proposte (a scatola, a traiettoria, a griglia, anche conpossibilità di aggregazione tra le celle mediante tecniche di regressione multipla) i mo-delli richiedono infatti dettagliati dati di input relativi alla meteorologia, alle condi-zioni iniziali e al contorno di qualità dell’aria e, soprattutto, alle emissioni di inqui-nanti primari da sorgenti fisse puntuali, areali e da sorgenti mobili. Gli inventari e lamappatura di queste ultime, come è noto, non sono quasi mai di facile acquisizione, inparticolare per quanto riguarda i COV, emessi prevalentemente da sorgenti diffuse siadi origine antropica sia, in misura tutt’altro che trascurabile, di origine naturale. Pur-troppo le analisi di sensitività condotte con modelli di ampio impiego evidenziano co-me proprio i COV reattivi, e in particolare la loro speciazione, risultino essere i princi-pali parametri in grado di influenzare sensibilmente i risultati delle valutazioni.

Le considerazioni svolte implicano, soprattutto in aree complesse come quelle metro-politane, l’impossibilità di conseguire previsioni accurate in mancanza di precisi inventa-ri di emissioni e senza una valutazione attendibile delle condizioni iniziali e al contorno.

La situazione di Milano risulta emblematica di molte aree urbane complesse, sia perla scarsa disponibilità di inventari completi delle emissioni, e in particolare di dati suiCOV globali e sulla loro speciazione, sia per la improcrastinabile necessità di avviarei piani di risanamento, e quindi di operare scelte strategiche e tattiche senza poter di-sporre di tutte le informazioni necessarie a permettere l’applicazione pratica di mo-delli fotochimici di qualità dell’aria. Stante pertanto l’impossibilità di ricorrere in tem-pi brevi a modelli deterministici, estremamente esigenti in fatto di dati di input, e lanecessità di operare scelte rapide e affidabili per il recupero e il mantenimento dellaqualità dell’aria in zone di mancato rispetto degli standard, importanti indicazionipossono essere ricavate dall’impiego di modelli statistici in grado di descrivere empi-ricamente le relazioni tra i parametri di primario interesse, con l’obiettivo prioritariodi stimare il livello degli interventi occorrenti per il rispetto degli standard.

Questo tipo di approccio, che impegna risorse di input relativamente modeste, può for-nire indicazioni molto utili per il progetto e la pianificazione iniziale degli interventi, sen-za che peraltro risulti preclusa alcuna possibilità di adeguamento o affinamento deglistessi qualora ciò sia consentito da una maggiore e più completa disponibilità di dati. Leapplicazioni statistiche sviluppate sinora hanno riguardato inquinanti stabili e hannoprodotto in prevalenza parametri di input per modelli r o l l - b a c k. Approcci empirici sonostati impiegati anche per la descrizione del rapporto tra NO2 ed NOx a breve termine.



9 8

Tabella 3.21 - Biossido di azoto: parametri e prestazioni dei modelliper la descrizione del legame tra le medie annuali di NOx ed NO2.

M o d e l l o di potenza i p e r b o l i c o

α 2 , 7 5 2 2 9 2

β 0 , 6 5 1 4 7 2

r 0 , 8 8 0 0 , 8 8 2

Em (µg m - 3) 0 , 0 1 6 - 0 , 0 4 0

Eqm (µg m - 3) 8 , 8 6 7 8 , 7 9 6

Sulla base di indicazioni di letteratura, di una analisi qualitativa del diagramma adispersione di figura 3.39e dei risultati di precedenti elaborazioni applicate a un cam-pione costituito da 67 serie storiche di concentrazioni medie annue di NOx ed NO2 re-gistrate nelle stazioni dell’AO nel periodo 1989-1994, il legame tra la media annuale diNOx ed NO2 può essere ragionevolmente descritto con le due formulazioni seguenti:

Ma; NO2= α Ma

β; NOx

(3.21)

Ma; NO2=

α Ma; NOx(3.22)

Ma; NOx+ β

dove Ma;NO2ed Ma;NOx

sono rispettivamente le medie annuali di NO2 ed NOx.

Ma;NOx( g m-3)

100 150 200 250 300 350 400

Figura 3.39 - Biossido di azoto: legame della media annuale con la corrispondente gran -dezza di NOx e confronto con il modello empirico descritto nell’equazione (3.23).

150

140

130

120

110

100

90

80

70

60

50


9 9

La struttura dei modelli proponibili consente di tenere debitamente conto della ten-denza alla saturazione che si osserva per le concentrazioni di NO2 all’aumentare delleconcentrazioni di NOx, fenomeno fisicamente dovuto alla disponibilità limitante di os-sidanti già evidenziato sia nel caso di altre realtà urbane sia in ambiti extraurbani.

La stima dei parametri dei due modelli, nel seguito denominati rispettivamente co-me “modello di potenza” e “modello iperbolico”, è stata effettuata con il metodo deiminimi quadrati operando direttamente sui modelli stessi, senza ricorrere alla linea-rizzazione che, pur determinando una notevole semplificazione nella stima dei para-metri e una conseguente maggiore rapidità di calcolo, potrebbe introdurre errori diapprossimazione difficilmente stimabili e talora anche rilevanti.

La verifica della capacità descrittiva della relazione tra le medie annue di NOx e dNO2 dei due modelli considerati, riportata in tabella 3.21 con i valori dei parametri α eβ, evidenzia prestazioni molto simili per tutti i parametri statistici con valori soddi-sfacenti sia per quanto riguarda il coefficiente di correlazione lineare che per l’errorequadratico medio. Il coefficiente di correlazione lineare tra i valori osservati e calcola-ti è superiore a 0,88, mentre l’errore quadratico medio risulta inferiore all’8,7% del va-lore medio delle concentrazioni medie annue di NO2 per le 67 serie storiche conside-rate (101,6 µg m–3), variabili nell’intervallo 64,5-145,6 µg m–3. Il modello iperbolico pre-senta prestazioni lievemente migliori di quelle del modello di potenza a eccezione del-l’errore medio, parametro comunque meno significativo degli altri in quanto può ri-sultare contenuto anche a fronte di sensibili errori sulle singole valutazioni.

La maggiore semplicità applicativa, la migliore affinità con la realtà dei fenomeni disaturazione e le prestazioni leggermente migliori, fanno ritenere più adeguato per ladescrizione del legame esaminato il modello iperbolico (3.22) che assume la seguenteformulazione:

Ma; NO2= 292

Ma; NOx (3.23)Ma; NOx

+ 472

che sarà pertanto utilizzata per tutte le successive elaborazioni.La figura 3.39 riporta il grafico a dispersione dei valori osservati delle concentrazio-

ni medie annuali di NOx ed NO2 e il modello empirico descritto nell’equazione (3.23)che descrive il legame esistente, mentre la figura 3.40riporta il grafico a dispersione deivalori osservati e calcolati della media annuale di NO2 attorno alla retta di perfetta cor-rispondenza. L’affidabilità del modello è confermata dalla omogenea distribuzionedegli errori di stima lungo tutto il campo di applicazione del modello stesso. Il valoremedio dell’errore percentuale di stima è pari allo 0,74% con un errore di stima massi-mo inferiore a ± 20% del valore effettivamente misurato; soltanto 5 serie presentanoerrori superiori al 15%.

3.5.1.1 Relazione tra la media annuale di NOx e i parametri controllati dallo standardLa combinazione del modello iperbolico empirico descritto nell’equazione (3.23) chedescrive la relazione tra le medie annuali di NO2 ed NOx con i modelli che descrivonola distribuzione, e in particolare i percentili controllati dallo standard di qualità del-l’aria, in funzione della media annuale di NO2, ha portato alla formulazione di model-li che esplicitano il legame tra i parametri di interesse e la media annuale di NOx.



1 0 0

La struttura generale dei modelli risultanti, che riflette sia il legame iperbolico tra lemedie annuali di NO 2 ed NOx, sia la linearità del legame che intercorre nel modelloempirico e in quelli semiempirici tra i valori dei percentili di interesse e la media an-nuale di NO2, assume la seguente formulazione generale:

P x (%); NO2= αx

Ma; NOx + γx (3.24)Ma; NOx + β

in cui β è la costante numerica del modello (3.23), mentre αx e γx sono costanti numeri-che caratteristiche per ciascun modello e legate al valore x del percentile considerato. Lacombinazione del modello iperbolico empirico descritto nell’equazione (3.23) con il mo-dello semiempirico esponenziale porta a dei modelli di struttura più complessa:

Px (%); NO2= αx

Ma; NOx - γx

Ma; NOx + β(3.25)

Ma; NOx + β Ma; NOx - δ

con l’introduzione di una ulteriore costante numerica δ.I valori dei parametri e le prestazioni dei modelli così approntati per la stima del 50°

e del 98° percentile delle concentrazioni orarie di NO2 sono riportati rispettivamentenelle tabelle 3.22 e 3.23.

Si può osservare che la combinazione del modello empirico descritto nell’equazione(3.13) con il modello empirico descritto nell’equazione (3.23) fornisce delle stime con-traddistinte dai valori più bassi dell’errore quadratico medio e dell’errore medio,

Ma;NO2( g m-3) - valori osservati

50

Figura 3.40 - Biossido di azoto: valori delle concentrazioni medie annuali osservate e stima -te con il modello empirico descritto nell’equazione (3.23).

60 70 80 90 100 110 120 130 140 150

150

140

130

120

110

100

90

80

70

60

50


1 0 1

mentre i modelli semiempirici mostrano delle prestazioni tra loro simili. La strutturadei modelli ottenuti comporta eguale valore del coefficiente di correlazione lineare trai valori osservati e calcolati, con l’eccezione del modello esponenziale per il quale si re-gistrano valori più contenuti.

Nella figura 3.41 è riportato il grafico a dispersione dei valori del 50° percentile diNO2 in funzione della media annuale di NOx e il modello empirico che meglio descri-ve il legame tra tali grandezze e che assume la seguente formulazione:

P50; NO2= 268

Ma; NOxx (3.26)Ma; NOx+ 472

mentre nella figura 3.42è rappresentato il grafico a dispersione dei valori osservati ecalcolati attorno alla retta di perfetta corrispondenza. L’affidabilità del modello è te-stimoniata dall’omogenea distribuzione dei valori lungo tutto l’intervallo di applica-

Modello empirico semiempirico semiempirico semiempirico lognormale di Weibull esponenziale

α 6 5 4 7 4 0 6 2 7 1 4 6

β 4 7 2 4 7 2 4 7 2 4 7 2

γ - - 1 , 4 0 2 1 3

δ - - - 1 0 2 7

r 0 , 7 4 1 0 , 7 4 1 0 , 7 4 1 0 , 7 3 1

Em (µg m - 3) 1 0 , 3 8 6 - 1 9 , 3 9 7 1 8 , 5 2 3 - 1 7 , 1 4 5

Eqm (µg m - 3) 3 5 , 3 1 1 3 9 , 1 5 9 3 8 , 5 4 9 3 8 , 8 6 3

Tabella 3.23 - Biossido di azoto: parametri e prestazioni dei modelli per la stima del 98° percentiledelle concentrazioni orarie a partire dalle concentrazioni medie annuali di NOx.

Modello empirico semiempirico semiempirico semiempirico lognormale di Weibull esponenziale

α 268 255 275 146

β 472 472 472 472

γ - - 0,3 -37,7

δ - - - 1027

r 0,867 0,867 0,867 0,862

Em (µg m-3) -0,708 3,663 -3,721 5,427

Eqm (µg m-3) 8,521 9,255 9,290 10,203

Tabella 3.22 - Biossido di azoto: parametri e prestazioni dei modelli per la stima del 50° percentiledelle concentrazioni orarie a partire dalle concentrazioni medie annuali di NOx.



1 0 2

100 150 200 250 300 350 400

Figura 3.41 - Biossido di azoto: valori del 50° percentile delle concentrazioni orarie in fun -zione della corrispondente media annuale di NOx e confronto con il modello empirico descrit -to nell’equazione (3.26).

P50;NO2( g m-3) - valori osservati

Figura 3.42 - Biossido di azoto: valori del 50° percentile delle concentrazioni orarie osservatie stimati con il modello empirico descritto nell’equazione (3.26).

zione del modello e dal valore dell’errore quadratico medio percentuale, pari al 9,2%del valore medio dei percentili considerati (92,5 µg m–3). L’errore percentuale di stimarisulta sempre inferiore a ± 22,8%, con 60 serie su 67 per cui risulta inferiore al 15%.

Le prestazioni del modello empirico per la stima del 98° percentile di NO2 a partiredalla media annuale di NOx risultano inferiori a quelle fornite per la stima del valoremediano della distribuzione delle concentrazioni orarie di NO2. La maggiore disper-

1501401301201101009080706050

150

140

130

120

110

100

90

80

70

60

5050 60 70 80 90 100 110 120 130 140 150

Ma;NOx( g m-3)


1 0 3

Ma;NOx( g m-3)

Figura 3.43 - Biossido di azoto: valori del 98° percentile delle concentrazioni orarie in funzione del -la corrispondente media annuale di NOx e confronto con il modello empirico descritto nell’equazio -ne (3.27).

100

150

200

250

300

350

400

P98;NO2- valori osservati

Figura 3.44 - Biossido di azoto: valori del 98° percentile delle concentrazioni orarie osservatie stimati con il modello empirico descritto nell’equazione (3.27).

100 150 200 250 300 350 400

100

150

200

250

300

350

400

100 150 200 250 300 350 400



1 0 4

sione dei valori del 98° percentile determina infatti un minor valore del coefficiente dicorrelazione lineare tra i valori osservati e calcolati e un errore quadratico medio per-centuale riferito alla media dei valori del 98° percentile più elevato e pari al 14,8%. Glierrori percentuali medio e massimo delle stime risultano rispettivamente del 2,8% edel 30,8%, mentre 19 delle 67 serie presentano errori di stima superiori al 15%.

Nella figura 3.43 è riportato il grafico a dispersione dei valori del 98° percentile diNO2 in funzione della media annuale di NOx con il modello risultante che meglio de-scrive il legame tra tali grandezze:

P 50;NO2= 268

Ma; NOx (3.27)Ma; NOx +472

mentre nella figura 3.44 è rappresentato il grafico a dispersione dei valori osservati ecalcolati con tale modello attorno alla retta di perfetta corrispondenza. Anche in que-sto caso si può osservare l’omogenea distribuzione dei punti attorno a tale retta, maanche la sottostima dei valori più elevati del 98° percentile, compresa nell’intervallo17,1-30,8 % per valori di concentrazione maggiori di 330 µg m–3.

3.5.2 Relazione tra le medie mensili di NO2 ed NOx

Un approccio che affina la descrizione della relazione NO2-NOx recuperando l’effettociclico della meteorologia sul processo di ossidazione dell’NO2 può basarsi sullo svi-

NOx ( g m-3)

8007006005004003002001000

Figura 3.45 - Biossido di azoto: andamento dei valori osservati e stimati dal modello perla descrizione delle concentrazioni medie mensili in funzione della media mensile di NOx.

0

20

40

60

80

100

120

140

160

180

200Marzo Giugno Settembre Dicembre


1 0 5

luppo della equazione (3.22) su base mensile. Analisi effettuate hanno evidenziato co-me sia sufficiente modulare la sola costante (a) per descrivere con ragionevole preci-sione gli effetti, caratteristici di ogni mese, con cui la temperatura, l’irraggiamento el’attività delle emissioni governano il processo di ossidazione.

In base all’analisi per tutta l’AO delle serie temporali delle concentrazioni medie men-sili (che ha considerato le sole serie che presentano una disponibilità di almeno il 75% deivalori teoricamente disponibili sul mese), risulta proponibile una modifica della (3.22)che sviluppi il parametro (a) in una semplice espressione sinusoidale funzione del mese:

[NO2] = α1 + α2 sen2 (mn π)•[NOx]

(3.28)12 β + [NOx]

in cui mn è il mese espresso in numeri (1-12); la figura 3.45visualizza l’andamento d e l

Milano città Comuni limitrofi Area omogenea

r 0 , 8 9 0 , 8 6 0 , 8 6

Em (µg m - 3) - 5 , 6 7 1 , 8 3 - 0 , 7 3

Eqm (µg m - 3) 1 3 , 5 3 1 5 , 8 0 1 5 , 0 6

Tabella 3.24 - Biossido di azoto: struttura e prestazioni del modello per la descrizione delle con -centrazioni medie mensili relative alle singole serie.

NO2 ( g m-3) - valori osservati

0 25 50 75 100 125 150 175 200 225 250

Figura 3.46 - Biossido di azoto: confronto tra i valori osservati e stimati dal modello per la de -scrizione delle concentrazioni medie mensili relative alle singole serie.

0

25

50

75

100

125

150

175

200

Città

Comuni limitrofi



1 0 6

modello per alcuni mesi rappresentativi ponendo a confronto le curve di stima con i va-lori osservati. La tabella 3.24 e la figura 3.46 evidenziano le prestazioni del modello.

[NO2] = {300 + 219 sen2 (mn π)}•[NOx]

12 650 + [NOx]

3.6 Modelli statistici per la distribuzione di O3

Sono analizzate le serie storiche delle concentrazioni di O3 registrate nel periodo 1989-1994 che dispongono di almeno il 75% dei dati validi.

Le analisi illustrate nella parte iniziale di questo capitolo non avevano consentito dioperare alcuna selezione sul tipo di distribuzione teorica più adatta per la descrizionedelle concentrazioni orarie. Valutazioni di tipo grafico effettuate su un campione piùampio di dati hanno tuttavia permesso di individuare la possibilità di una descrizionesemiempirica mediante una distribuzione di Weibull, distinta per valori di frequenzacumulata superiori al 95% e compresi tra il 40 e il 95%.

3.6.1 Modello semiempirico di WeibullLa stima della dipendenza dei parametri della distribuzione di Weibull per le due classi difrequenza cumulata si è innanzitutto incentrata sulla possibilità di correlarne il valore aquello della sola media annuale mediante un legame di potenza. I risultati di tale stima, ef-fettuata con il criterio dei minimi quadrati applicato ai percentili delle distribuzioni, sonoriportati in tabella 3.25, insieme alle grandezze che caratterizzano la precisione ottenuta.

Le figure 3.47 e 3 . 4 8 riportano rispettivamente un esempio di applicazione del mo-dello sviluppato per 3 diversi livelli di concentrazione media annuale rappresentatividell’intero campione e il diagramma di dispersione dei valori stimati dal modello pertutte le serie e delle corrispondenti grandezze osservate. La semplicità e la precisioneevidenziate dal modello sviluppato, tenuto conto delle caratteristiche fortemente reat-tive dell’inquinante che ne rendono difficoltosa la descrizione, permettono di non ri-tenere necessari ulteriori affinamenti dello stesso.

F = 1- exp [(-x)] x = σ [ ln ( 1 )]σ 1 − F

40% ≤ F ≤ 95% F > 95%

σ = 0,39 (M a) 5/4 σ = 1,59 Ma

λ = 0,34 (M a) 1/4 λ = 0,44 (Ma) 1 / 3

r 0 , 9 9 0 , 8 9

Em (µg m - 3) 0 , 3 1 0 , 5 5

Eqm (µg m - 3) 3 , 6 0 2 5 , 1 6

Tabella 3.25 - Ozono: struttura e prestazioni del modello semiem -pirico di Weibull differenziato per classi di frequenza cumulata.


1 0 7

O3 ( g m-3)

1 10 100 1000

Figura 3.47 - Ozono: distribuzione degli alti percentili per il tempo di integrazione di 1ora e confronto con il modello semiempirico della distribuzione di Weibull.

40,0

50,0

60,0

70,0

80,0

90,0

95,0

99,0

99,9

99,5

O3 ( g m-3) - valori osservati

0 50 100 150 200 250 300

Figura 3.48 - Ozono: confronto tra i valori dei percentili delle distribuzioni orarie osserva -ti e calcolati con il modello semiempirico di Weibull.

0

50

100

150

200

250

300

F > 95%

40 < F < 95%

Monza 1991 (14,4 µg m-3)

Juvara 1991 (21,9 µg m-3)

Limito 1990 (42,6 µg m-3)

Capitolo 4

Stima delle riduzioni delle emissioni

Michele Giugliano, Stefano Cernuschi e Andrea Cemin



1 1 0

Sommario

Nel capitolo viene evidenziato come la conoscenza del comportamento delle distribuzioni deidati degli inquinanti atmosferici discusse nel capitolo precedente permetta di utilizzare model -li estremamente semplici come i modelli roll-back per la risoluzione di problematiche connes -se con l’individuazione degli obiettivi di riduzione delle emissioni richiesti dalla stesura di pia -ni di risanamento. In particolare mediante questi modelli viene stimata la riduzione delle emis -sioni necessaria per il rispetto degli standard di qualità dell’aria per il monossido di carbonio eper il biossido di azoto nell’area metropolitana milanese.

4.1 Introduzione

L’elemento unificante delle analisi sviluppate per i modelli statistici è la ricerca dicorrelazioni affidabili tra i parametri controllati dallo standard e un dato statistica-mente robusto e di facile acquisizione, anche tramite modelli, quale la media arit-metica a lungo termine (Capitolo 3). In questo ambito è stato possibile descrivere intermini statistici e con buoni risultati anche la relazione tra i percentili di NO2, pa-rametri oggetto dello standard, e la concentrazione media annuale di NOx. Il com-plesso degli ossidi di azoto NOx si può ritenere, così come il CO, sostanzialmentestabile per le scale di tempo coinvolte nel percorso sorgente-recettore e correlato inmodo abbastanza lineare con la forza delle sorgenti, quando se ne considera la me-dia a lungo termine.

Le medie annuali di CO ed NOx, dati stabili, nel senso che poco soggetti a situazionimeteorologiche particolari e ai guasti dei sistemi di misura, possono quindi essere uti-lizzate a pieno titolo come parametri di qualità dell’aria in modelli proporzionali (r o l l -back) di seguito descritti, per stimare l’effetto della riduzione delle emissioni. Natural-mente in base ai modelli statistici descritti nel Capitolo 3 le medie vengono a essere di-rettamente rappresentative dei percentili, dei superamenti e di ogni altro parametrocoinvolto nello standard, senza però avere il carattere aleatorio dei parametri osser-vati, che potrebbe compromettere la precisione della stima.

Figura 4.1 - Schema della procedura utilizzata per la valutazione delle riduzioni delleemissioni per il rispetto degli standard.

Dati di qualità dell’aria

Parametri dello standard

OK

Modelli statistici

Confronto con lo standard

C O8 o r e P98; NO2

Medie annuali ridotte

Modello roll-back

Ipotesi di riduzionedelle emissioni

Sì No

Capitolo 4 STIMA DELLEEMISSIONI

1 1 1

Nello schema della procedura di valutazione, riportato in figura 4.1, si parte dall’ac-quisizione dei dati di qualità dell’aria: se lo standard è superato si fanno delle ipotesidi riduzione delle emissioni e la media risultante, calcolata con il modello r o l l - b a c k s u l-la base di tali ipotesi, viene interpretata dai modelli statistici in termini dei parametriregolati dallo standard che, confrontati con il valore dello standard stesso, indicano sel’ipotesi di riduzione ha avuto successo.

4.1.1 Modelli r o l l - b a c kI modelli r o l l - b a c k sono probabilmente i modelli più semplici che consentono di faredelle valutazioni quantitative sull’effetto di riduzioni nelle emissioni di inquinanti at-mosferici a partire dai livelli di concentrazione osservati. Successivamente alla inizia-le formulazione la tecnica roll-back è stata sviluppata per superare parte delle primiti-ve limitazioni di applicazione e una completa formulazione statistica della teoria deimodelli roll-back è stata recentemente presentata.

Assunzione fondamentale dei modelli r o l l - b a c k per la stima delle riduzioni da ap-portare alle emissioni per il conseguimento di prefissati obiettivi di qualità dell’aria èla linearità della relazione tra le quantità di inquinanti emessi e la qualità dell’aria ri-levata nella zona di influenza delle emissioni stesse. Questa ipotesi si dimostra ragio-nevolmente corretta quando sono rispettate le seguenti condizioni:

• che gli inquinanti siano conservativi o scarsamente soggetti a fenomeni di rimo-zione o trasformazione e quindi le loro concentrazioni in atmosfera siano regolatedai soli fenomeni di trasporto e di diffusione, a parità di emissione;

• che il dato di qualità dell’aria sia un valore medio a lungo termine, tipicamente lamedia annuale, per soddisfare la condizione di base di conservazione della massaper inquinanti non reattivi e per eliminare l’influenza che la possibile presenza dierrori strumentali comporterebbe sull’affidabilità del dato stesso e sulle conse-guenti valutazioni.

Nella sua formulazione più semplice, il modello r o l l - b a c k assume che la concentra-zione di un inquinante persistente in uno specifico sito di campionamento è data dal-la somma della concentrazione di fondo e di una funzione lineare delle emissioni totalidell’area che influenzano la qualità dell’aria del punto in esame, secondo la seguenteespressione:

C = F + Σ Ki Ei (4.1)i

dove:C è l’indice di qualità dell’aria (generalmente una concentrazione media a lungo

termine quale la media annuale);F la concentrazione di fondo;Ki il fattore di proporzionalità tra la concentrazione nel sito di campionamento e l’e-

missione delle diverse sorgenti che influenzano la qualità dell’aria nel sito stesso,dipendentemente dalla meteorologia locale, dalla posizione reciproca di sorgen-ti e recettore e da tutti gli altri fattori che possono influenzare il rapporto sorgen-te-recettore;

Ei l’emissione totale delle diverse sorgenti attive nell’area in esame.



1 1 2

Esprimendo l’equazione (4.1) in termini di emissioni globali si ottiene:

C = F + KE (4.2)

avendo posto E = Σ Ei e K = Σ Ki Ei

i

i

E

Indicate con i pedici A ed R rispettivamente le grandezze relative alla situazione at-tuale di riferimento e a una situazione in cui le emissioni di tutte le fonti attive nell’a-rea vengono uniformemente ridotte di un fattore r, l’equazione (4.2) assume le se-guenti formulazioni:

CA = F + KEA (4.3)

CR = F + KER = F + KrEA (4.4)

Risolvendo rispetto a K le equazioni (4.3) e (4.4) e uguagliando si ottiene:

r = CR - F

(4.5)CA - F

da cui, essendo R(%) = 100 x (1- r) la riduzione in percentuale delle emissioni dellesorgenti, si ha:

R (%) = 100 CA - CR

(4.6)CA - F

L’equazione (4.6), note la concentrazione relativa alla situazione attuale e la concen-trazione di fondo, consente di ricavare il valore in percentuale della riduzione omo-genea che deve essere applicata a tutte le fonti di emissione attive nell’area per conse-guire un prefissato obiettivo di qualità dell’aria CR. Nelle valutazioni di seguito svi-luppate, la relazione (4.6) è stata utilizzata per stimare il valore di qualità dell’aria CR,espresso i termini di concentrazione media annuale, che corrisponde a diversi scenaridi riduzione R, uniformemente estesa a tutte le sorgenti:

CR = CA (1-R ) +

RF(4.7)

100 100

Il valore di C R così stimato può quindi essere correlato ai parametri regolati dallostandard di qualità dell’aria tramite i modelli empirici descritti nel Capitolo 3, in mo-do tale da valutare gli effetti delle diverse ipotesi di riduzione delle emissioni sullo


1 1 3

standard e identificare la riduzione necessaria per il rispetto dello standard stesso intutti i punti di campionamento dell’area in esame. Tali valutazioni relative al CO e alcomplesso degli NOx sono di seguito riportate.

Prima di procedere all’applicazione dei modelli roll-back per la stima delle riduzionidelle emissioni, si è reso necessario valutare i livelli di fondo per i singoli inquinantida applicarsi nell’equazione (4.7). La concentrazione di fondo dell’AO è stata assuntapari alla minima concentrazione media mensile registrata per tutte le fasce orarie, imesi dell’anno e le stazioni relativamente al tempo di integrazione di 1 ora. Al fine didisporre di una valutazione quanto più possibile affidabile, per ogni fascia oraria e sta-zione si sono considerate le sole serie mensili aventi almeno il 50% di dati validi e i so-li valori medi derivanti da una disponibilità di almeno 4 serie mensili sull’intero pe-riodo analizzato (1989-1994).

4.1.2 Stima della riduzione per il rispetto dello standard per il CODal momento che lo standard relativo al tempo di integrazione di 1 ora risulta sostan-zialmente rispettato nelle stazioni di rilevamento dell’AO, la stima della riduzione conil modello r o l l - b a c k è stata effettuata soltanto in riferimento allo standard relativo altempo di integrazione di 8 ore, largamente non rispettato (Capitolo 3).

Si è assunta quale situazione attuale di riferimento la concentrazione media annua-le CA relativa al 1994 delle 13 stazioni che in quell’anno hanno registrato più del 75%dei dati validi. Applicando la relazione (4.7) si è calcolato il valore della media annua-le per diversi scenari di riduzione delle emissioni di CO uniformemente estese a tuttele sorgenti nell’intervallo 0-100%, dove lo scenario di riduzione 0% rappresenta la si-tuazione attuale del 1994 e lo scenario 100% rappresenta la totale eliminazione delleemissioni. Tramite la relazione (3.11), si è quindi stimato il corrispondente numero disuperamenti dello standard di 8 ore atteso per ciascuna stazione.

Vista la sostanziale omogeneità delle stazioni esaminate, la percentuale di stazioni in cui,per i diversi livelli di riduzione, si registra il mancato rispetto dello standard è stata quin-di assunta come indice della probabilità di non rispetto del limite di legge nell’intera AO.

Tabella 4.1 - Stima degli effetti di diversi livelli di riduzione delle emissioni di CO uniformementeapplicati all’AO. Valore massimo del numero di superamenti del limite di 10 mg m–3 per il tempodi integrazione di 8 ore, numero e percentuale di stazioni che non rispettano lo standard in funzio -ne del livello di riduzione.

R 0% 5% 10% 15% 20% 25% 30%

NS Max 24 16 14 11 9 7 6

Mancato Nº 11 11 11 11 11 10 9

rispetto % 84,6% 84,6% 84,6% 84,6% 84,6% 76,9% 69,2%

R 35% 40% 45% 50% 55% 60% 65%

NS Max 5 3 3 2 1 1 0

Mancato Nº 8 7 7 5 5 3 0

rispetto % 61,5% 53,8% 53,8% 38,5% 38,5% 23,1% 0,0%



1 1 4

I risultati ottenuti sono riportati nella tabella 4.1 nei termini della frequenza di man-cato rispetto dello standard. Come si può osservare, nel 1994, assunto quale anno diriferimento, l’84,6% delle stazioni non rispettava lo standard relativo alle 8 ore per ilCO. Riduzioni omogenee delle emissioni inferiori al 20% non hanno alcun effetto sul-la probabilità di rispetto dello standard e soltanto con una riduzione dell’ordine del45% si apprezza una probabilità di mancato rispetto dello standard prossima al 50%.Una riduzione delle emissioni del 65% consente di raggiungere il rispetto dello stan-dard in tutta l’AO.

4.1.3 Stima della riduzione per il rispetto dello standard per NO2

Per quanto riguarda l’NO2, è stata effettuata la stima con il modello r o l l - b a c k della ri-duzione delle emissioni di NOx per il raggiungimento tanto dello standard relativo altempo di integrazione di 1 ora, 200 µg m–3 come valore del 98° percentile delle concen-trazioni, che dei valori guida di qualità dell’aria pari a 50 e a 135 µg m– 3 per il 50° e il98° percentile rispettivamente.

Si è assunta quale situazione attuale di riferimento la concentrazione media annua-le CA relativa al 1994 delle 14 stazioni che in quell’anno hanno registrato più del 75%dei dati validi. Applicando la relazione (4.7) si è calcolato il valore della media annua-le per diversi scenari di riduzione uniforme delle emissioni di NOx compresi nell’in-tervallo 0-100%. Tramite le relazioni (3.26) e (3.27), si sono quindi stimati i corrispon-denti valori del 50° e del 98° percentile delle concentrazioni orarie di NO2 attesi per cia-scuna stazione. Analogamente al caso del CO, la percentuale di stazioni in cui, per i di-versi livelli di riduzione, si registra il superamento del valore di concentrazione fissa-to dallo standard è stata infine assunta come indice della probabilità di non rispettodello standard stesso nell’intera AO.

Tabella 4.2 - Stima degli effetti di diversi livelli di riduzione delle emissioni di NOx uniformemen -te applicati all’AO. Valore massimo del 98° percentile delle concentrazioni orarie di NO2, numeroe percentuale di stazioni che non rispettano lo standard in funzione del livello di riduzione.

R 0% 1% 2% 3% 4% 5% 6%

P98 Max 221,8 221,0 217,8 218,7 217,6 216,4 215,3

Mancato Nº 4 3 3 3 3 3 3

rispetto % 28,6% 21,4% 21,4% 21,4% 21,4% 21,4% 21,4%

R 7% 8% 9% 10% 11% 12% 13%

P98 Max 214,1 212,9 211,8 210,6 209,4 208,2 207,0

Mancato Nº 3 3 3 3 3 3 3

rispetto % 21,4% 21,4% 21,4% 21,4% 21,4% 21,4% 21,4%

R 14% 15% 16% 17% 18% 19%

P98 Max 205,8 204,6 203,4 201,2 201,0 199,7

Mancato Nº 3 3 3 3 3 0

rispetto % 21,4% 21,4% 21,4% 21,4% 21,4% 0,0%


1 1 5

R 0% 5% 10% 15% 20% 25% 30%

P98 Max 221,8 216,4 210,6 204,6 198,5 192,2 185,7

Mancato Nº 14 14 14 14 13 13 13

rispetto % 100,0% 100,0% 100,0% 100,0% 92,9% 92,9% 92,9%

R 35% 40% 45% 50% 55% 60% 65%

P98 Max 179,0 172,1 165,0 157,8 150,3 142,5 134,6

Mancato Nº 12 10 8 7 6 4 0

rispetto % 85,7% 71,4% 57,1% 50,0% 42,9% 28,6% 0,0%

Tabella 4.3 - Stima degli effetti di diversi livelli di riduzione delle emissioni di NOx uniformemen -te applicati all’AO. Valore massimo del 98° percentile delle concentrazioni orarie di NO2, numeroe percentuale di stazioni che non rispettano il valore guida in funzione del livello di riduzione.

R 0% 5% 10% 15% 20% 25% 30% 35%

P50 Max 90,2 88,7 86,3 83,9 81,3 78,7 76,1 73,3

Mancato Nº 14 14 14 14 14 14 14 14

rispetto % 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%

R 40% 45% 50% 55% 60% 65% 70% 75%

P50 Max 70,5 67,6 64,7 61,6 58,4 55,1 51,8 48,3

Mancato Nº 13 13 12 9 7 6 3 0

rispetto % 92,9% 92,9% 85,7% 64,3% 50,0% 42,9% 21,4% 0,0%

Tabella 4.4 - Stima degli effetti di diversi livelli di riduzione delle emissioni di NOx uniformemen -te applicati all’AO. Valore massimo del 50° percentile delle concentrazioni orarie di NO2, numeroe percentuale di stazioni che non rispettano il valore guida in funzione del livello di riduzione.

I risultati ottenuti sono riportati nella tabella 4.2 sempre nei termini della frequenzadi mancato rispetto dello standard dell’NO2 nei diversi scenari di riduzione delleemissioni di NOx. Come si può osservare, diversamente dal caso del CO, nel 1994 sol-tanto il 28,6% delle stazioni non rispettava lo standard relativo all’NO2; contenute ri-duzioni omogenee delle emissioni di NOx non mostrano effetti significativi nel dimi-nuire la probabilità di superamento dello standard, ma una riduzione delle emissionidel 20% è già sufficiente per consentirne il rispetto in tutta l’AO.

I risultati delle stime di riduzione delle emissioni di NOx necessarie al raggiungi-mento dei valori guida di qualità dell’aria sono riportati nelle tabelle 4.3-4.5. Perquanto riguarda il rispetto del valore guida fissato per il 98° percentile (135 µg m- 3

di NO2) si osserva che, nella situazione di riferimento relativa al 1994, esso risulta-va superato nella totalità delle stazioni. Gli effetti sulla probabilità di rispetto delvalore guida iniziano a manifestarsi per riduzioni delle emissioni di NOx d e l l ’ o r d i-ne del 20%, mentre a una riduzione del 50% corrisponde ancora una frequenza di



1 1 6

mancato rispetto del 50%; per il raggiungimento del valore guida in tutta l’AO sistima necessaria una riduzione delle emissioni di NOx del 65%.

Le analoghe elaborazioni sviluppate per il valore guida relativo al 50° percentiledelle concentrazioni orarie di NO2 (50 µg m - 3) evidenziano come nel 1994 esso nonsia stato rispettato in tutte le 14 stazioni. Riduzioni delle emissioni di NOx i n f e r i o r ial 40% non mostrano effetti apprezzabili su tale situazione, mentre solo riduzionidel 75% sono in grado di ricondurre l’area nel suo complesso al rispetto del limite.Il valore guida per il 50° percentile appare così più conservativo di quello relativo al98° percentile della distribuzione.

4.1.4 Le osservazioni di fine settimana per la stima degli effetti della riduzionedi NOx

Si può ragionevolmente ritenere che nei giorni festivi si verifichino riduzioni più omeno consistenti nelle emissioni di NOx in seguito alla corrispondente diminuzio-ne del traffico motorizzato. Questa particolare situazione, soprattutto se documen-tata con una larga base di dati disponibili, può fornire utili indicazioni circa l’effet-to a breve termine della variazione di emissioni di NOx sulla presenza di NO2 e cir-ca la tipologia delle stazioni rispetto all’influenza delle sorgenti mobili. È possibilenaturalmente che festività con traffico per qualche motivo sostenuto e che situazio-ni meteorologiche molto differenti tra il giorno festivo e quello lavorativo seguen-te, tipicamente domenica e lunedì, possano stravolgere le indicazioni attese, ma ac-quisizioni statistiche basate su ampie popolazioni di dati dovrebbero mettere al ri-paro da tali anomalie.

L’analisi della relazione tra la variazione della concentrazione di NOx ed NO 2 i ntali situazioni è stata effettuata per 20 stazioni dell’AO valutando separatamente lestagioni invernale ed estiva, rappresentate rispettivamente dai bimestri gennaio-febbraio e giugno-luglio, per il periodo 1990-1994. Per ciascuna stazione sono stateprese in considerazione le coppie formate dai giorni domenica-lunedì successivi esono state valutate le variazioni percentuali DNOx e DNO2 delle concentrazioni deidue inquinanti:

∆NOi =(NOi)lunedì - (NOi)domenica

(4.8)(NOi)lunedì

in cui ∆ rappresenta la media delle concentrazioni di NOx ed NO2 osservate tra leore 6:00 e le 22:00. I valori così determinati sono stati rappresentati graficamente inun piano cartesiano avente in ascissa e in ordinata rispettivamente le riduzioni per-centuali -DNOx e -DNO2 delle concentrazioni medie di NOx ed NO2. Nella figura 4.2è riportata la rappresentazione grafica risultante per una delle stazioni analizzate.Come si può osservare la maggior parte dei punti è confinata nel primo quadrante,a significare una larga e ricorrente concomitanza della riduzione delle concentra-zioni di NOx ed NO2 tra il giorno festivo e quello feriale successivo. Si osservano co-munque, per i motivi di disturbo già segnalati, situazioni in cui a una riduzione del-la concentrazione di NOx corrisponde un aumento della concentrazione di NO2, si-


1 1 7

tuazioni in cui le concentrazioni domenicali sono più alte di quelle del lunedì suc-cessivo e, molto più raramente, situazioni di aumento della concentrazione di NOx

e riduzione di quelle di NO2, tutte comunque di frequenza largamente inferiore aquella della riduzione concomitante.

Nei grafici riportati nelle figure 4.3-4.4 sono rappresentati gli episodi di riduzioneconcomitante delle concentrazioni di NOx ed NO2 osservati in tutte le stazioni dell’AOnelle stagioni estiva e invernale e la retta interpolante determinata con la tecnica di re-gressione ai minimi quadrati. Nonostante la dispersione dei dati, si possono ricono-scere chiaramente distinti due tipi di relazioni tra le riduzioni di NOx ed NO2 per ledue stagioni considerate. In entrambi i casi il coefficiente angolare della retta interpo-lante risulta inferiore a 1, a indicare che una riduzione della concentrazione di NOx, di-rettamente correlabile alle emissioni, si traduce in una riduzione delle concentrazionidi NO2 pari al 50% nel regime invernale e al 70% circa in quello estivo. Questa diffe-renza è spiegata dalla maggiore capacità ossidativa dell’atmosfera durante la stagioneestiva, per cui a parità di concentrazione di NOx è presente una maggiore quantità diNO2. La diversità stagionale così evidenziata relativa ai dati medi delle concentrazio-ni giornaliere è in accordo con la relazione non lineare che intercorre tra le medie an-nuali di NOx ed NO2 (Capitolo 3).

Figura 4.2 - Riduzione percentuale delle concentrazioni medie di NOx ed NO2 osservate illunedì e la domenica precedente nel periodo 1990-1994; stazione Milano-Marche, dati in -vernali ed estivi.

Riduzione NO2 (%)

80%

60%

40%

20%

0%

-20%

-40%

-60%

-80%

-100%-120% -100% -80% -60% -40% -20% 0% 20% 40% 60% 80% 100%

100%



1 1 8

Figura 4.3 - Riduzione percentuale delle concentrazioni medie di NOx ed NO2 osservate il lu -nedì e la domenica precedente nel periodo 1990-1994 in tutte le stazioni dell’AO; episodi inver -nali di concomitante riduzione di NOx ed NO2.

Figura 4.4 - Riduzione percentuale delle concentrazioni medie di NOx ed NO2 osservate il lu -nedì e la domenica precedente nel periodo 1990-1994 in tutte le stazioni dell’AO; episodi estividi concomitante riduzione di NOx ed NO2.

∆ NO2 = 0,495∆ NOx + 0,039

0%

20%

40%

60%

80%

0% 20% 40% 60% 80% 100%

∆ NO2 = 0,735∆ NOx + 0,050

0%

20%

40%

60%

80%

100%

0% 20% 40% 60% 80% 100%

Riduzione NOx (%)

Riduzione NOx (%)


1 1 9

I risultati delle interpolazioni dei dati relativi alle singole stazioni per la stagioneestiva e invernale sono riportati nella tabella 4.5 , dove sono indicati il numero di da-ti disponibili e i valori dei parametri delle rette interpolanti gli episodi di riduzioneconcomitante delle concentrazioni di NOx ed NO2. Per la stagione invernale si os-servano sensibili differenze nei valori del coefficiente angolare, compreso tra 0,20 e0,73, mentre i valori dell’intercetta sono tutti prossimi a 0 con la sola eccezione del-le stazioni Milano-Senato e Arese, per la quale il limitato numero di dati deter-mina però un sensibile errore nella stima dei parametri. Nelle figure 4.5-4.6 sono ri-

Inverno Estate

N° dati pendenza intercetta N° dati pendenza intercetta

Milano città

MI-Aquileia 19 0,436 0,081 12 0,864 -0,002

MI-Cenisio 23 0,487 0,051 11 0,689 0,082

MI-Juvara 25 0,521 0,023 33 0,907 -0,012

MI-Marche 26 0,392 0,077 35 1,018 -0,128

MI-Romolo 13 0,424 0,061 19 0,737 0,018

MI-Senato 21 0,430 0,101 22 0,871 -0,027

MI-Statuto 15 0,540 0,032 12 0,890 -0,087

MI-Verziere 24 0,532 0,005 31 0,500 0,178

M I - Z a v a t t a r i 25 0,272 0,098 32 0,760 0,001

Comuni limitrofi

Agrate B. 21 0,593 -0,008 34 0,665 0,141

Arese 8 0,207 0,184 8 0,818 -0,043

Cinisello B. 31 0,547 0,030 23 0,942 -0,069

Corsico 24 0,345 0,071 24 0,690 0,007

Limito 10 0,643 0,016 23 0,722 0,083

Monza 29 0,596 -0,005 32 0,672 0,030

Pero 18 0,375 0,051 20 0,653 0,106

Rho 11 0,420 0,031 14 0,893 0,049

S. S. Giovanni 30 0,683 -0,048 29 0,821 0,030

Settimo M. 13 0,553 0,025 20 0,782 0,030

Villasanta 20 0,730 -0,010 37 0,73 0,090

Tabella 4.5 - Numero di dati e parametri delle rette interpolanti le riduzione percentuale delle con -centrazioni medie di NOx ed NO2 osservate il lunedì e la domenica precedente nel periodo 1990-1994in tutte le stazioni dell’AO; episodi invernali ed estivi di concomitante riduzione di NOx ed NO2.



1 2 0

Figura 4.5 - Riduzione percentuale delle concentrazioni medie di NOx ed NO2 osservate il lunedìe la domenica precedente nel periodo 1990-1994 nella stazione Limito; episodi invernali di con -comitante riduzione di NOx ed NO2.

Figura 4.6 - Riduzione percentuale delle concentrazioni medie di NOx ed NO2 osservate il lunedìe la domenica precedente nel periodo 1990-1994 nella stazione di Sesto San Giovanni; episodi in -vernali di concomitante riduzione di NOx ed NO2.

Riduzione NOx (%)

0%

20%

40%

60%

80%

0% 20% 40% 60% 80% 100%

Riduzione NOx (%)

0%

20%

40%

60%

80%

0% 20% 40% 60% 80% 100%


1 2 1

portati i grafici relativi alle stazioni Limito e Sesto San Giovanni per la stagione in-vernale, rappresentative dell’intero campo di variazione delle riduzioni osservate,dai quali emerge come una medesima diminuzione della concentrazione media diN Ox determini diversi effetti di riduzione di NO2.

L’esame dei valori dei parametri delle rette interpolanti relativi alla stagione esti-va mostra valori del coefficiente angolare maggiori di quelli invernali con valori su-periori a 0,8 per 9 delle 20 stazioni considerate, a dimostrazione dello sviluppo piùcompleto dei fenomeni ossidativi atmosferici. Il valore di poco superiore a 1 delcoefficiente angolare calcolato per la stazione di Milano-Marche e i valori dell’in-tercetta sensibilmente discosti da 0 osservati in alcune stazioni sono dovuti alla di-spersione dei dati. Le sensibili differenze tra i valori estivi e invernali che si riscon-trano in particolare per le stazioni situate nella città di Milano trovano spiegazionenei diversi livelli medi di concentrazione osservati nelle due stagioni, conferman-do così la non linearità della relazione tra NOx ed NO 2 già evidenziata e acquisitacon i modelli statistici sviluppati nel precedente capitolo per descriverne le dipen-denze osservate. Nelle figure 4.7-4.8 sono riportati i grafici relativi alle stazioni Li-mito e Sesto San Giovanni per la stagione estiva, dai quali si può apprezzare la di-versità degli effetti a livello locale di una medesima riduzione di NOx che intervie-ne in estate e in inverno.

I risultati delle interpolazioni sono stati utilizzati per valutare le riduzioni per-centuali delle concentrazione medie di NO2 attese nelle singole stazioni per diversiscenari di riduzione delle concentrazioni di NOx. Le stime così ottenute per le sta-

Figura 4.7 - Riduzione percentuale delle concentrazioni medie di NOx ed NO2 osservate il lunedìe la domenica precedente nel periodo 1990-1994 nella stazione di Limito; episodi estivi di conco -mitante riduzione di NOx ed NO2.

Riduzione NOx (%)

0%

20%

60%

40%

80%

100%

0% 20% 40% 60% 80% 100%



1 2 2

gioni invernale ed estiva sono riportate nella tabella 4.6 e, pur mostrando un so-stanziale accordo con i risultati delle analoghe valutazioni sviluppate tramite i mo-delli statistici formulati per le correlazioni NOx- N O2, vanno comunque interpreta-te con dovuta cautela a causa dell’elevata dispersione dei dati.

In inverno riduzioni di NO x del 10% determinano riduzioni di NO2 comprese nel-l’intervallo 2,3-7,4% (media 4,9%), mentre a riduzioni del 25% corrispondono va-lori compresi tra il 5,4 e il 18,4%, con una media per l’intera AO del 12,2%. In esta-te si osservano riduzioni maggiori rispetto ai medesimi scenari invernali di conte-nimento delle concentrazioni di NOx, con valori rispettivamente compresi nell’in-tervallo 5,2-10,1% (media 7,8%) e nell’intervallo 12,7-25,3% (media 19,6%).

A conclusione di queste elaborazioni si può pertanto osservare che riduzioni par-ziali delle emissioni di NOx, tipicamente determinate dalla circolazione a targhe al-terne o da altre restrizioni del traffico, producono effetti diversi sulla presenza diN O2 nei due regimi stagionali, con apprezzabili differenze tra le diverse stazioni inragione della loro esposizione alle fonti di emissione primarie. Le indicazioni cosìottenute sull’effetto di una riduzione delle emissioni di NOx, valutate sulla basedell’incremento delle concentrazioni osservate tra la domenica e il lunedì successi-vo, potrebbero comunque non rispecchiare le reali conseguenze di una effettiva ri-duzione delle emissioni che intervenga in occasione di episodi di elevati livelli diconcentrazione, in quanto non si esclude che l’inerzia del sistema atmosferico pos-sa impedire di apprezzare appieno gli effetti di riduzioni delle emissioni su scalatemporale ridotta. I risultati dell’analisi della relazione tra la variazione delle con-

Figura 4.8 - Riduzione percentuale delle concentrazioni medie di NOx ed NO2 osservate il lunedìe la domenica precedente nel periodo 1990-1994 nella stazione di Sesto San Giovanni; episodi esti -vi di concomitante riduzione di NOx ed NO2.

Riduzione NOx (%)

0%

20%

60%

40%

80%

100%

0% 20% 40% 60% 80% 100%


1 2 3

Tabella 4.6 - Riduzioni delle concentrazioni medie giornaliere di NO2 in funzione di prefissa -te riduzioni delle concentrazioni di NOx nelle stazioni dell’AO per le stagioni invernale ede s t i v a .

Inverno Estate

Riduzione percentuale NOx Riduzione percentuale NOx

10 25 50 75 10 25 50 75

Milano città

MI-Aquileia 4,4 11,0 21,9 32,8 8,6 21,6 43,2 64,8

MI-Cenisio 4,9 12,2 24,4 36,6 7,0 17 3 34 5 51,7

MI-Juvara 5,2 13,0 26,1 39,1 9,1 22 7 45 4 68,0

MI-Marche 4,0 9,9 19,7 29,5 10,1 25,3 50,8 76,2

MI-Romolo 4,3 10,7 21,2 31,8 7,4 18,4 36,9 55,3

MI-Senato 4,4 10,9 21,6 32,3 8,7 21,7 43,5 65,3

MI-Statuto 5,4 13,5 27,1 40,6 8,8 22,2 44,4 66,6

MI-Verziere 5,3 13,3 26.6 39,9 5,2 12,7 25,2 37,7

MI-Zavattari 2,8 6,9 13,7 20,5 7,6 19,0 38,0 57,0

Comuni limitrofi

Agrate B. 5,9 14,8 29,6 44,5 6,8 16,8 33,4 50,0

Arese 2,3 5,4 10,5 15,7 8,1 20,4 40,8 61,3

Cinisello B. 5,5 13,7 27,4 41,1 9,4 23,5 47,0 70,6

Corsico 3,5 8,7 17,3 25,9 6,9 17,3 34,5 51,8

Limito 6,5 16,1 32,2 48,3 7,3 18,1 36,2 54,2

Monza 6,0 14,9 29,8 44,7 6,7 16,8 33,6 50,4

Pero 3,8 9,4 18,8 28,2 6,6 16 4 32,7 49,1

Rho 4,2 10 ,5 21,0 31,5 9,0 22,4 44,7 67,0

S. S. Giovanni 6,8 17,0 34,1 51,2 8,2 20,5 41,1 61,6

Settimo M. 5,6 13,9 27,7 41,5 7,9 19,6 39,1 58,7

Villasanta 7,4 18,4 36,8 55,2 7,4 18 3 36,6 54,9

Media AO 4,9 12,2 24,4 36,5 7,8 19,6 39,1 58,6

centrazioni di NOx ed NO 2 sono stati utilizzati anche nel tentativo di caratterizza-re le singole stazioni di monitoraggio con riferimento al ruolo delle fonti di emis-sione sulla qualità dell’aria registrata, senza però ottenere indicazioni particolar-mente significative.



1 2 4

4.2 Il contributo delle sorgenti di NOx ai dati di qualità dell’aria

Nelle strategie di intervento per la riduzione strutturale delle emissioni e nelle tat-tiche di gestione della qualità dell’aria per il controllo di episodi acuti, l’identifica-zione del contributo delle sorgenti è di primaria importanza. Le incertezze che difrequente caratterizzano gli inventari delle emissioni e la complessità del sistemasorgente-recettore, rendono spesso di particolare utilità le acquisizioni che su que-sti aspetti si possono ricavare dall’elaborazione dei dati di qualità dell’aria con tec-niche di modelli al recettore. Classici problemi di aree complesse dal punto di vistadelle emissioni, che si affrontano di norma con analisi statistiche multivariate deidati di concentrazione, sono le identificazioni del contributo delle sorgenti al mate-riale particolato, ai COV e agli NOx.

Per l’AO l’identificazione del contributo delle fonti di NOx alle concentrazioni rile-vate dagli analizzatori è di particolare importanza, dal momento che lo standard perl ’ N O2 è largamente disatteso (Capitolo 3). Tenendo conto, poi, che il rilevamento è uti-lizzato anche per il controllo di episodi acuti segnalati dal superamento dei livelli diattenzione e di allarme, la conoscenza del contributo delle sorgenti rende conto deglieffetti attesi dagli interventi e tipicamente dalle restrizioni del traffico. Nelle valuta-zioni di seguito riportate la caratterizzazione dei punti di rilevamento rispetto all’e-sposizione alle due sorgenti di NOx si basa sull’analisi del rapporto stagionaleNO2/NOx, in termini qualitativi, e su un modello concettuale, che utilizza il CO cometracciante del peso relativo con cui l’elemento meteorologico interviene in regime esti-vo e invernale, in termini quantitativi. Tutte le elaborazioni del presente capitolo sonostate sviluppate in termini di concentrazioni espresse in ppb in quanto tale unità dimisura consente di eliminare l’influenza dei diversi pesi molecolari delle specie checostituiscono gli ossidi di azoto (NO+NO2).

Per la valutazione qualitativa della tipologia delle stazioni è stata anche impiegatala tecnica dell’analisi cluster.

4.2.1 Valutazione qualitativa basata sull’analisi del rapporto NO2/ N Ox

Un importante tracciante della tipologia del punto di rilevamento rispetto all’attivitàdelle fonti di NOx è il rapporto R tra la quota ossidata NO2 e il complesso degli NOx. Ingenerale, bassi valori di tale rapporto sono caratteristici delle ore in cui l’attività dellesorgenti è particolarmente intensa, quando soprattutto in prossimità di queste ultimeprevale largamente la componente primaria NO. Valori contenuti del rapporto R si os-servano inoltre nei periodi di limitata capacità dispersiva e di rimescolamento dell’at-mosfera, che determinano l’accumulo delle emissioni sovraccaricando la capacità os-sidativa dell’atmosfera stessa, con la conseguente predominanza degli inquinanti pri-mari su quelli secondari. La concomitanza delle condizioni sopra citate durante le oredi punta nel periodo invernale tende a determinare i bassi valori di R caratteristici ditali periodi. Infine, quando le misure vengono effettuate in prossimità delle sorgenti,non consentendo alla cinetica relativamente lenta dei processi ossidativi di sviluppar-si completamente, si osservano bassi valori del rapporto R che tendono al valore ca-ratteristico con cui gli NOx sono emessi dalle sorgenti stesse. Quest’ultima situazionerisulta particolarmente evidente nel regime estivo, allorché si registrano i valori piùalti in assoluto del rapporto in esame. Infatti, le maggiori velocità di ossidazione esti-


1 2 5

ve hanno comunque minore effetto sul rapporto R in quelle stazioni di monitoraggiosituate nelle immediate vicinanze delle fonti di emissione primarie, quali per esempiole stazioni poste in prossimità di assi viari a elevato volume di traffico. In queste si-tuazioni, valori contenuti del rapporto R sono osservabili sia nella stagione invernaleche in quella estiva e le differenze tra le due stagioni risultano molto meno marcate, asignificare il ruolo preponderante delle emissioni locali di NOx. Al contrario, l’effettodei processi di ossidazione, che determina l’incremento di R, risulta molto più evi-dente nelle stazioni poste lontano dalle sorgenti primarie, dove si osservano semprevalori abbastanza uniformi di R che tendono all’unità. Anche nel periodo invernalevalori di R, decisamente maggiori di quelli osservati in stazioni urbane, caratterizzanoquesti siti, per i quali si può ipotizzare l’esistenza di uno stato di equilibrio fotostazio-nario o quasi fotostazionario fra NO, NOx e O3 per gran parte dell’anno.

Sulla base delle considerazioni sin qui esposte è possibile effettuare una prima clas-sificazione qualitativa delle stazioni di monitoraggio dell’AO per mettere in luce leeventuali differenze con riferimento al posizionamento delle stazioni rispetto al con-tributo delle due sorgenti di NOx. Per ciascuna stazione sono stati rappresentati in unpiano cartesiano NO2-NOx i punti corrispondenti alle concentrazioni orarie registratetra le ore 6:00 e le 22:00 negli anni compresi tra il 1990 e il 1994. Per la stagione inver-nale sono stati presi in considerazione i mesi rappresentativi di gennaio e febbraio,mentre per quella estiva il bimestre giugno-luglio. Il piano NO2- N Ox è stato quindisuddiviso con 5 rette passanti per l’origine, di coefficiente angolare pari a 1, 2, 10/3, 10e 20 che delimitano, rispettivamente, 6 settori individuati in senso orario dai seguentiintervalli di valori del rapporto R:

R<0,05 ; 0,05<R<0,1 ; 0,1<R<0,3 ; 0,3 <R<0,5 ; 0,5<R<1 ; R>1

Vista la differenza nel numero di dati disponibili per le singole stazioni, al fine di po-ter effettuare un confronto omogeneo e non limitato a una semplice analisi qualitativadei diagrammi ottenuti, è stata successivamente calcolata la ripartizione percentualedei punti sperimentali nei vari settori del piano così definiti per entrambe le stagioniconsiderate. I risultati di tali elaborazioni sono analizzati di seguito, distinguendo trastagione invernale ed estiva.

4.2.1.1 Regime invernaleL’esame dei risultati relativi alla stagione invernale, riportati in tabella 4.7, evidenziaper tutte le stazioni di monitoraggio una frequenza massima di osservazioni nel set-tore del piano individuato da valori di R compresi tra 0,1 e 0,3, seguita dal settore de-finito dall’intervallo 0,3<R<0,5 e quindi, salvo alcune eccezioni, da quello in cui0,5<R<1. La percentuale delle osservazioni comprese nel settore R<0,05 è sempre in-feriore allo 0,5%, mentre percentuali maggiori si collocano nella fascia 0,05<R<0,1, inparticolare per le stazioni Milano-Marche, Corsico e Milano-Aquileia. Tornando allefrequenze massime, si nota che in ben 14 stazioni su 20 esse risultano superiori al 50%,mentre in altre 5 sono comprese tra il 43,3 e il 49,5%; soltanto nella stazione Rho si re-gistra una percentuale nettamente inferiore, pari al 35,4%. In queste ultime 6 stazioni,come peraltro nelle stazioni Arese e Milano-Cenisio, si osserva una maggiore unifor-mità nella distribuzione delle osservazioni, che si collocano con percentuali significa-



1 2 6

tive anche nelle zone del piano definite da valori di R superiori a 0,3. Per la stazioneRho, la percentuale relativa alla zona 0,5<R<1 risulta addirittura superiore a quelladella zona 0,3<R<0,5 e prossima al valore massimo.

Tabella 4.7 - Ripartizione percentuale delle concentrazioni orarie di NO2 ed NOx nei settori del pia -no NO2-NOx definiti dai valori del rapporto R= NO2/NOx - periodo invernale.

Stazione Nº dati < 0,05 0,05-0,1 0,1-0,3 0,3-0,5 0,5-1

Milano città

MI-Aquileia 5066 0,10 3,26 51,40 33,89 11,35

MI-Cenisio 6268 0,00 0,03 56,19 31,30 12,48

MI-Juvara 6584 0,24 2,17 53,19 28,36 16,04

MI-Marche 6542 0,20 5,11 70,47 19,43 4,80

MI-Romolo 4197 0,00 2,38 61,00 27,69 8,93

MI-Senato 5737 0,00 0,49 71,69 22,66 5,16

MI-Statuto 3882 0,00 0,13 67,70 25,24 6,93

MI-Verziere 6472 0,02 0,12 50,23 37,81 11,82

MI-Zavattari 6365 0,41 1,90 67,65 24,01 6,03

Comuni limitrofi

Agrate B. 5507 0,02 1,34 44,43 30,69 23,52

Arese 2758 0,04 2,25 51,70 24,29 21,72

Cinisello B. 6890 0,04 1,94 70,35 23,77 3,89

Corsico 6464 0,09 4,97 57,77 25,85 11,32

Limito 4898 0,12 2,20 43,32 31,69 22,66

Monza 6305 0,00 0,98 65,95 26,88 6,19

Pero 4804 0,02 0,42 47,79 26,31 25,46

Rho 2850 0,00 0,35 35,37 29,19 35,09

S. S. Giovanni 6832 0,03 0,60 49,39 32,60 17,39

Settimo M. 2689 0,00 0,86 49,50 31,35 18,30

Villasanta 5405 0,07 1,26 62,11 30,03 6,53

Le stazioni con larga prevalenza di osservazioni nel settore 0,1<R<0,3, cioè convalori di R prossimi al rapporto NO2/ N Ox delle sorgenti di emissione primaria,possono ritenersi sostanzialmente omogenee rispetto agli ambiti territoriali checontrollano e rappresentative di punti di campionamento nelle vicinanze delleemissioni primarie. All’interno di tale omogeneità è possibile identificare alcuni


1 2 7

sottogruppi di stazioni che presentano caratteristiche simili. Un primo gruppo, for-mato dalle stazioni Cinisello Balsamo, Milano-Marche, Senato, Statuto e Zavattari,nelle quali si registrano frequenze massime dell’ordine del 70%, può ritenersi for-temente influenzato dalle sorgenti primarie; in particolare, si può notare come le ul-time 4 stazioni siano tutte situate nella città di Milano in corrispondenza di percor-si a traffico intenso, talora in contesti di tipo c a n y o n. Un secondo gruppo, contrad-distinto da valori delle frequenze massime inferiori al 50% e costituito dalle stazio-ni Agrate Brianza, Limito, Pero, Rho, Sesto San Giovanni e Settimo Milanese, appa-re poco influenzato dalle emissioni primarie e con le concentrazioni orarie di NO2

che si mantengono comunque generalmente al di sotto della soglia di 200 µg m- 3;tutte queste stazioni si trovano al di fuori della città di Milano. Tutte le rimanentistazioni, infine, costituiscono un gruppo caratterizzato da una situazione interme-dia, in cui, accanto all’influenza delle emissioni primarie appare anche una ap-prezzabile esposizione all’NO2. Nelle figure 4.9-4.10 sono riportati i grafici relativialle stazioni Milano-Senato e Limito, rappresentative, rispettivamente, delle sta-zioni prossime e distanti dalle fonti di emissione primarie, per la stagione inverna-le. I diagrammi evidenziano le sensibili differenze che caratterizzano le due stazio-ni sia in termini dei livelli di concentrazione osservati che delle ripartizioni del rap-porto tra NO 2 ed NOx.

Figura 4.9 - Grafico a dispersione delle concentrazioni invernali orarie di NO2 ed NOx e ri -partizione del rapporto R= NO2/ N Ox - Stazione Milano-Senato: 5737 osservazioni.

NO2 (ppb)

500

250

0

750

1250

1000

1500

1750

0 50 100 150 200 250 300 350 400

R = 0,1R = 0,05

R = 0,3

R = 0,5

R = 1



1 2 8

4.2.1.2 Regime estivoI risultati relativi alla stagione estiva, riportati nella tabella 4.8, mostrano in generaleuno spostamento dell’insieme delle osservazioni verso settori individuati da valoridel rapporto R superiori a 0,3, confermando così la più intensa attività ossidativa del-l’atmosfera in questo periodo dell’anno.

In tutte le stazioni, infatti, più dell’80% delle osservazioni si colloca nel settore dipiano contraddistinto da valori di R superiori a 0,3 con le frequenze massime che siregistrano per valori di R compresi tra 0,5 e 1, a eccezione della sola stazione Mila-no-Senato, ove la frequenza massima si verifica per 0,3<R<0,5 (figura 4.11 ). Inoltre,in ben 18 delle 20 stazioni la frequenza massima supera il 50%. Nei restanti settorisi osservano valori percentuali molto contenuti: per valori di R<0,3 si registranopercentuali inferiori al 4% nella maggior parte delle stazioni, mentre frequenze piùsignificative, dell’ordine del 6-15%, si apprezzano soltanto in quelle stazioni chenella stagione invernale presentano le frequenze in assoluto più elevate nella fascia0,1<R<0,3. Quest’ultima osservazione conferma quanto emerso dall’analisi dellastagione invernale: infatti, nelle stazioni Cinisello Balsamo, Milano-Marche, Sena-to, Statuto e Zavattari le percentuali superiori al 30% registrate in estate nel campo0,3<R<0,5 e quelle abbastanza significative riscontrate nel campo 0,1<R<0,3 evi-denziano ulteriormente il predominante contributo delle sorgenti primarie, e inparticolare del traffico automobilistico.

Figura 4.10 - Grafico a dispersione delle concentrazioni invernali orarie di NO2 ed NOx e ri -partizione del rapporto R= NO2/NOx - Stazione Limito: 4898 osservazioni.

R = 0,05 R = 0,1

R = 0,3

R = 0,5

R = 1

NO2 (ppb)

500

250

0

750

1250

1000

1500

1750

0 50 100 150 200 250 300 350 400


1 2 9

In particolare, poi, la stazione Milano-Senato risulta essere quella soggetta in mi-sura più rilevante alle emissioni delle sorgenti mobili. Come si deduce dalla t a b e l l a4 . 9 e dalle figure 4.11-4.12, le osservazioni in regime estivo confermano anche pergli altri siti, seppur con minore evidenza, le acquisizioni derivanti dalla valutazio-ne del regime invernale. Infatti le stazioni che durante l’inverno sono meno in-fluenzate dalle emissioni primarie mostrano, come tali, valori estivi di R tra i piùelevati in assoluto, dell’ordine del 90% nel settore 0,5<R<1 (figura 4.12), confer-mando così la minore esposizione diretta alle fonti di emissione. Le stazioni che inregime invernale erano state classificate come intermedie (cioè con una esposizionea emissioni primarie e ossidate sostanzialmente equivalente) presentano valori si-

Tabella 4.8 - Ripartizione percentuale delle concentrazioni orarie di NO2 ed NOx nei settori del pia -no NO2-NOx definiti dai valori del rapporto R= NO2/NOx - periodo estivo.

Stazione N° dati < 0,05 0,05-0,1 0,1-0,3 0,3-0,5 0,5-1

Milano città

MI-Aquileia 2.947 0,00 0,03 2,54 17,75 79,67

MI-Cenisio 2.269 0,00 0,00 0,53 7,84 91,63

MI-Juvara 6.140 0,00 0,00 1,89 11,21 86,91

MI-Marche 6.607 0,03 0,11 9,02 31,10 59,74

MI-Romolo 4.095 0,00 0,00 6,13 28,16 65,71

MI-Senato 4.601 0,04 0,00 8,63 55,36 35,97

MI-Statuto 2.174 0,00 0,00 9,71 32,98 57,31

MI-Verziere 5.196 0,10 0,54 1,79 16,78 80,79

M I - Z a v a t t a r i 6.045 0,08 0,07 11,65 39,29 48,92

Comuni limitrofi

Agrate B. 6.113 0,08 0,23 2,54 18,85 78,31

Arese 3.322 0,00 0,00 0,87 7,89 91,24

Cinisello B. 4.373 0,27 0,66 14,75 29,02 55,29

Corsico 5.945 0,03 0,27 8,06 23,73 67,91

Limito 4.964 0,00 0,02 1,33 7,03 91,62

Monza 6.062 0,02 0,03 3,93 25,11 70,92

Pero 4.995 0,00 0,26 1,84 9,17 88,73

Rho 2.911 0,00 0,21 1,00 9,76 89,04

S. S. Giovanni 4.839 0,00 0,00 0,50 8,89 90,62

Settimo M. 3.434 0,06 0,03 1,54 11,18 87,19

Villasanta 6.814 0,18 0,19 5,50 35,65 58,48



1 3 0

Figura 4.11 - Grafico a dispersione delle concentrazioni estive orarie di NO2 ed NOx e riparti -zione del rapporto R= NO2/NOx - Stazione Milano-Senato: 4601 osservazioni.

Figura 4.12 -Grafico a dispersione delle concentrazioni estive orarie di NO2 ed NOx e riparti -zione del rapporto R= NO2/NOx - Stazione Limito: 4964 osservazioni.

NO2 (ppb)

200

100

0

300

500

400

600

700

800

900

0 50

R = 0,05 R = 0,1 R = 0,3

R = 0,5

R = 1

100 150 200 250 300

NO2 (ppb)

200

100

0

300

500

400

600

700

800

900

0 50

R = 0,05 R = 0,1 R = 0,3

R = 0,5

R = 1

100 150 200 250 300


1 3 1

gnificativi delle frequenze delle osservazioni nel settore 0,5<R<1. La suddivisionedelle stazioni nei gruppi definiti secondo le considerazioni sin qui sviluppate è rap-presentata in tabella 4.9, dove nella parte sinistra le stazioni sono ordinate secondovalori decrescenti della percentuale di osservazioni registrate in inverno nel setto-re 0,1<R<0,3, mentre in quella destra secondo valori crescenti della percentuale diosservazioni estive nel settore 0,5<R<1.

Inverno Estate

0,1 < R < 0,3 0,5 < R < 1

MI-Senato 71,69 MI-Senato 35,97

MI-Marche 70,47 MI-Zavattari 48,92

Cinisello B. 70,35 Cinisello B. 55,29

MI-Statuto 67,70 MI-Statuto 57,31

MI-Zavattari 67,65 Villasanta 58,48

Monza 65,95 MI-Marche 59,74

Villasanta 62,11 MI-Romolo 65,71

MI-Romolo 61,00 Corsico 67,91

Corsico 57,77 Monza 70,92

MI-Cenisio 56,19 Agrate B. 78,31

MI-Juvara 53,19 MI-Aquileia 79,67

Arese 51,70 MI-Verziere 80,79

MI-Aquileia 51,40 MI-Juvara 86,91

MI-Verziere 50,23 Settimo M. 87,19

Settimo M. 49,50 Pero 88,73

S. S. Giovanni 49,39 Rho 89,04

Pero 47,79 S. S. Giovanni 90,62

Agrate B. 44,43 Arese 91,24

Limito 43,32 Limito 91,62

Rho 35,37 MI-Cenisio 91,63

Tabella 4.9 - Classificazione delle stazioni sulla base dei valori del rapporto R delle concentrazioniorarie di NO2 ed NOx invernali ed estive.

Stazioni direttamente interessate dalle emissioni primarie

Stazioni lontane dalle sorgenti primarie

Stazioni in posizione intermedia



1 3 2

Si può osservare come i gruppi siano abbastanza chiaramente delineati dalla loroposizione nella tabella, con le stazioni direttamente interessate dalle sorgenti prima-rie collocate nella parte alta, le stazioni di caratteristiche intermedie nella parte cen-trale e quelle situate più lontano dalle sorgenti nella parte più bassa.

4.2.2 Applicazione dell’analisi c l u s t e rSempre con l’obiettivo di classificare le stazioni di monitoraggio dell’AO con riferi-mento alla loro esposizione alle sorgenti di emissione primarie, le percentuali di ri-partizione delle osservazioni nei settori del piano definiti dai valori del rapporto R so-no state sottoposte ad analisi cluster, sviluppata sia per le singole stagioni che su baseannuale. Le indicazioni più chiare emergono dall’analisi della stagione invernale, conuna sostanziale conferma delle acquisizioni già conseguite (figura 4.13). Le stazioniprecedentemente classificate come prossime e distanti rispetto alle fonti di NOx risul-tano accorpate anche con questo approccio in due gruppi chiaramente distinti, mentrele rimanenti stazioni (a eccezione di Rho) si aggregano a partire da essi in c l u s t e r m e n ocorrelati. L’intrinseca incertezza dell’analisi non consente, tuttavia, di ritenere parti-colarmente significative tali aggregazioni in mancanza di ulteriori riscontri di naturaquantitativa.

Figura 4.13 - Dendrogramma risultante dall’analisi cluster delle percentuali di ripartizionedelle osservazioni invernali nei settori del piano NO2-NOx interrotta per r < 0,96.

Coefficiente di correlazione

Pero

Arese

Limito

Agrate B.

MI-Juvara

MI-Cenisio

Settimo M.

Sesto S. G.

MI-Verziere

MI-Aquileia

Villasanta

MI-Romolo

Corsico

MI-Statuto

Monza

MI-Zavattari

Cinisello B.

MI-Senato

MI-Marche

Rho

1,00 0,99 0,98 0,97 0,96


1 3 3

4.2.3 Valutazione quantitativa basata su un modello concettualeIl modello concettuale predisposto per la stima del contributo delle sorgenti a partiredai dati di qualità dell’aria registrati si fonda sull’ipotesi di linearità della relazione trala quantità di inquinanti emessi e la qualità dell’aria rilevata nell’area di influenza del-le sorgenti di emissione in termini di medie a lungo termine, tipicamente la media an-nuale. Questa ipotesi è ragionevolmente corretta per inquinanti poco reattivi quali ilCO e il complesso degli NOx, le cui concentrazioni sono regolate in prevalenza dai so-li fenomeni di trasporto e diffusione in atmosfera, oltre naturalmente che dal regimedelle emissioni.

Sulla base di questa assunzione il legame tra concentrazione ed emissione è datod a :

(C)i = k’ [(E)i + (Ef)i] (4.9)

in cui (C) i ed (E) i sono rispettivamente la concentrazione e l’emissione dell’inqui-nante i, (Ef)i rappresenta l’emissione di fondo del medesimo inquinante, mentre k’ èuna costante di proporzionalità che tiene conto della modalità di emissione e della ca-pacità dispersiva dell’atmosfera.

Il valore non conosciuto della emissione di fondo può essere agevolmente ingloba-to nella costante di proporzionalità k:

k = k’ [ 1 +(Ef)i] (4.10)(E)i

che risulta così tener conto sia degli effetti della meteorologia che delle emissionidi fondo; l’equazione (4.9) si riduce pertanto alla semplice relazione di proporzio-n a l i t à :

(Ci) = k(E)i (4.11)

Come si è detto l’ipotesi di linearità tra concentrazione ed emissioni risulta ragione-vole per medie a lungo termine; nel caso in esame l’equazione (4.11) è stata applicataper gli NOx su base stagionale, considerando separatamente il periodo estivo e quelloinvernale, durante i quali agiscono due diverse capacità dispersive dell’atmosfera,identificate dalle due costanti kE e kI, e due tipologie di fonti di emissione (sorgenti fis-se e sorgenti mobili). Per il periodo estivo, in cui si ritiene attiva la sola fonte mobile, eper il periodo invernale, in cui agiscono entrambe le sorgenti, si ottengono rispettiva-mente le due relazioni:

(CE)NOx= kE (EM)NOx

(4.12)

(CI)NOx= kI (EM + EF)NOx

(4.13)

in cui (EM)N Ox e (EF)N Ox

indicano rispettivamente le emissioni di NOx delle sorgentimobili e fisse, e i pedici E, I contraddistinguono l’estate e l’inverno.



1 3 4

Dividendo membro a membro le espressioni (4.12) e (4.13) si ha:

(CI ) =kI(EM + EF) =

kI(Er ) (4.14)CE NOx

kE EM NOxkE EM NOx

e quindi:

( EM ) =kI( CE ) (4.15)

ET NOxkE CI NOx

L’espressione (4.15), dove (ET)N Oxindica l’emissione complessiva di NOx dalle due

sorgenti, correla la quota delle emissioni di sorgenti mobili rispetto al totale con ilrapporto delle concentrazioni medie di NOx misurate in estate e in inverno attra-verso il rapporto kI/ kE. Il rapporto fra le costanti di proporzionalità del regime in-vernale ed estivo kI/ kE può convenientemente ricavarsi dalle serie di concentrazio-ni di CO. Come già indicato al Capitolo 3 l’andamento delle concentrazioni di que-sto inquinante, scarsamente reattivo in atmosfera, emesso quasi esclusivamente daltraffico e con un regime sostanzialmente costante in un’analisi di lungo periodo,può essere considerato come un tracciante delle differenti condizioni esistenti neidue regimi meteorologici. Dalla relazione (4.11) applicata al CO per il periodo esti-vo e invernale si ricava:

(CE)CO = kE (EE)CO (4.16)

(CI)CO = kI (EI)CO (4.17)

da cui, dividendo membro a membro le espressioni (4.16) e (4.17) e potendo assu-mere costante il regime delle emissioni:

(EI)CO = (EE)CO (4.18)

si ottiene:

( CI ) =kI

(4.19)CE CO kE

Sostituendo la (4.19) nella (4.15) si ottiene:

( EM ) = ( CI )( CE ) (4.20)ET NOx

CE CO CI NOx

che consente di stimare il contributo delle sorgenti mobili alla concentrazione diNOx solamente sulla base delle concentrazioni osservate di CO ed NOx.


1 3 5

4.2.4 Applicazione del modello concettuale per la stima del contributo delle s o r g e n t iLa stima con l’equazione (4.20) del contributo percentuale delle sorgenti mobili allivello totale delle concentrazioni di NOx, per i punti dell’AO che dispongono con-temporaneamente dei dati di CO ed NOx, ha riguardato 17 stazioni. Sempre consi-derando quali periodi rappresentativi delle stagioni invernale ed estiva i bimestrigennaio-febbraio e giugno-luglio, per ciascuna stazione sono stati individuati gliandamenti del giorno tipo per le concentrazioni di CO ed NOx, assumendo per cia-scuna ora di tale giornata il valore medio dei dati registrati nel periodo 1990-1994(figure 4.14-4.15). Per il calcolo con l’espressione (4.20) della quota delle emissionida sorgenti mobili nell’arco dell’intera giornata, si è considerata la finestra tempo-rale compresa tra le ore 8:00 e le 20:00 in cui le fonti di emissione sono effettiva-mente attive. I risultati ottenuti sono riportati nella tabella 4.10, in cui sono indicatiil valore medio della quota in percentuale, la deviazione standard e il coefficientedi variazione.

Figura 4.14 - Monossido di carbonio: giornate tipo estiva e invernale per la stazione diMilano-Cenisio.

Si osserva che solo le stazioni Arese e Sesto San Giovanni, con un contributo in per-centuale dell’emissione da traffico inferiore al 50%, si identificano come stazioni pocoesposte a questo tipo di emissione, mentre le stazioni Corsico e Milano-Senato, con uncontributo prossimo al 90%, risultano essere le stazioni più largamente dominate dal-le emissioni mobili. Nelle rimanenti stazioni si registrano valori compresi nell’inter-vallo 54-78%, con una media riferita a tutta l’AO del 66%. I valori della deviazionestandard risultano generalmente inferiori al 20%.

100

6000

5000

4000

3000

2000

1000

01 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Inverno

Estate

24

Ora



1 3 6

Stazione M DS CV Stazione M DS CV

Milano città Comuni limitrofi

MI-Aquileia 75,4 13,8 0,183 Arese 45,1 7,6 0,169

MI-Cenisio 52,7 5,5 0,105 Cinisello B. 70,2 5,6 0,080

MI-Marche 55,6 2,4 0,044 Corsico 89,7 10,8 0,121

MI-Romolo 61,1 3,6 0,059 Monza 65,7 4,0 0,062

MI-Senato 80,9 10,4 0,129 Pero 64,1 7,6 0,118

MI-Statuto 68,9 11,6 0,168 Rho 52,8 9,1 0,172

MI-Verziere 72,5 7,9 0,109 S. S. Giovanni 44,7 4,6 0,103

MI-Zavattari 58,6 18,0 0,308 Settimo M. 55,5 8,7 0,157

Villasanta 77,7 5,6 0,072

Media AO 64,2 12,3 0,191

Figura 4.15 - Ossidi di azoto: giornate tipo estiva e invernale per la stazione di Milano-C e n i s i o .

100

400

350

250

300

200

150

100

50

0

Inverno

Estate

Ora

Tabella 4.10 - Stima del contributo in percentuale delle sorgenti mobili alle concentrazioni globalidi NOx nelle stazioni dell’AO.

M = contributo medio giornaliero; CV = coefficiente di variazione dei valori orari; DS = deviazione standard dei valori

4.2.5 Applicazione probabilistica del modello concettualeLe acquisizioni precedenti sul contributo delle sorgenti, basate sulle singole con-centrazioni orarie del giorno tipo, possono confrontarsi con i risultati di un altro

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24


1 3 7

approccio, che in luogo dei singoli valori medi ne considera le distribuzioni. In que-sto caso, le operazioni dell’espressione (4.20) sono sviluppate, con tecniche di tipoMonte Carlo, in termini di combinazione probabilistica dei valori di concentrazio-ne coinvolti. Il risultato del prodotto tra la distribuzione del rapporto kI/ kE (f i g u r a4 . 1 6) e la distribuzione delle concentrazioni estive (figura 4.17), che risultano en-trambe ben descritte dal modello lognormale, rappresenta la distribuzione stimatadelle concentrazioni invernali dovute alle sole emissioni da sorgenti mobili. Nellafigura 4.18 sono riportate la distribuzione così ottenuta e la distribuzione osservatadelle concentrazioni invernali di NOx.

In seguito, per ciascun dato della distribuzione osservata, che identifica un’oradel giorno tipo della singola stazione, si è valutato sulla retta della distribuzione sti-mata il corrispondente punto di uguale frequenza cumulata. La concentrazione as-sociata a tale punto viene ragionevolmente a costituire la quota attribuibile al traf-fico i cui valori in percentuale sono riportati nella tabella 4.11. Potendo ritenere ladistribuzione del rapporto kI/ kE un tracciante meteorologico valido per l’interaAO, è stato possibile stimare il contributo del traffico anche per quelle stazioni(Agrate Brianza, Milano-Juvara, Limito) che non dispongono delle registrazioni deidati relativi al CO e che pertanto non sono state considerate nella precedente appli-cazione del modello concettuale.

Figura 4.16 - Monossido di carbonio: distribuzione osservata dei valori del rapporto kI/kE

tra le concentrazioni dei giorni tipo invernale ed estivo relativamente alla finestra tempo -rale 8-20 e distribuzione lognormale che ne descrive i valori.

0

1

12

5

10

20

30

40

506070

80

90

95

98

99

100

100

1 2 3 4 5

Rapporto k1/kE



1 3 8

Figura 4.17 - Ossidi di azoto: distribuzione delle concentrazioni del giorno tipo esti -vo relativamente alla finestra temporale 8-20 e distribuzione lognormale che ne de -scrive i valori.

Figura 4.18 - Ossidi di azoto: distribuzione delle concentrazioni del giorno tipo in -vernale relativamente alla finestra temporale 8-20, distribuzione lognormale che nedescrive i valori e distribuzione stimata delle concentrazioni attribuibili alle sole emis -sioni da sorgenti mobili.

0

1

12

5

10

20

30

40506070

80

90

95

98

99100

100

10 2 3 4 5 6 7 8 9100 2 3 4 5 6 7 8 91000

Concentrazione estiva NOx (ppb)

0

112

5

10

20

3040506070

80

90

95

98

99100

100

10 2 3 4 5 6 7 8 9100 2

Distribuzioneosservata

Distribuzione stimatada sorgenti mobili

3 4 5 6 7 8 91000

Concentrazione invernale NOx (ppb)


1 3 9

Tabella 4.11 - Ossidi di azoto: stima del contributo in percentuale delle sorgenti mobili alle con -centrazioni globali di NOx nelle stazioni dell’AO con approccio probabilistico.

Stazione M DS CV Stazione M DS CV

Milano città Comuni limitrofi

MI-Aquileia 64,0 5,1 0,079 Agrate B. 58,5 4,7 0,080

MI-Cenisio 60,4 3,5 0,058 Arese 62,4 10,4 0,167

MI-Juvara 64,2 7,8 0,121 Cinisello B. 67,4 7,3 0,109

MI-Marche 71,5 12,5 0,175 Corsico 62,9 6,1 0,096

MI-Romolo 58,7 5,8 0,100 Limito 56,9 4,1 0,073

MI-Senato 76,7 9,3 0,122 Monza 70,7 8,0 0,113

MI-Statuto 76,9 15,0 0,195 Pero 57,7 6,6 0,114

MI-Verziere 60,8 3,2 0,053 Rho 54,0 5,1 0,095

MI-Zavattari 67,0 7,9 0,117 S. S. Giovanni 60,7 4,6 0,076

Settimo M. 54,5 7,0 0,128

Villasanta 58,5 3,7 0,064

Media AO 63,2 6,5 0,103

Media AO* 63,8 6,8 0,106

Si può osservare che il contributo in percentuale del traffico risulta compreso nel-l’intervallo 54-77%, con quattro sole stazioni in cui è superiore al 70% (Milano-Mar-che, Senato, Statuto e Monza), e un valore medio riferito a tutta l’AO del 63%. I va-lori della deviazione standard risultano generalmente inferiori al 16% della corri-spondente media, a eccezione di tre stazioni per cui essa risulta comunque inferio-re al 20%. Di particolare interesse è la netta evidenza che il contributo del trafficoaumenta con le alte concentrazioni, raggiungendo valori superiori al 90% per con-centrazioni attorno a 400 ppb. Si conferma così il ruolo pressoché determinante deltraffico nello sviluppo di episodi acuti di elevate concentrazioni di NOx a breve ter-m i n e .

Il confronto tra i risultati forniti dai due differenti approcci sviluppati è riportatograficamente nella figura 4.19. Per quanto riguarda il contributo medio riferito al-l’intera AO si osservano stime del tutto coincidenti a parità di stazioni considerate;a livello delle singole stazioni si registra un buon accordo per 10 di esse, e in ognicaso per la quasi totalità delle stazioni urbane. Differenze talora anche sensibili, co-munque tutte inferiori al 30%, si apprezzano soprattutto per alcune stazioni dellaperiferia industriale, dove l’attività di sorgenti fisse di NOx attive durante tutto

*escluse le stazioni: Agrate B., MI-Juvara, LimitoM =contributo medio giornaliero; CV =coefficiente di variazione dei valori orari; DS =deviazione standard dei valori



1 4 0

l’anno perturba la valutazione. Le valutazioni quantitative del contributo delle sor-genti mobili di NOx, e in particolare quelle fornite dall’applicazione probabilistica,mostrano altresì un ottimo accordo con le indicazioni qualitative precedentementemostrate sia per quanto riguarda le stazioni più direttamente interessate dalle sor-genti primarie che per quelle situate più lontano da esse.

Figura 4.19 - Confronto tra le stime del contributo in percentuale delle sorgenti mobili alleconcentrazioni globali di NOx nelle stazioni dell’AO. L’altezza dei rettangoli attorno al valormedio giornaliero del contributo (rombo nero) rappresenta l’ampiezza della deviazione stan -dard rispettivamente per il modello concettuale (rettangolo grigio) e per la sua applicazioneprobabilistica (rettangolo bianco). La linea continua e quella tratteggiata rappresentano il con -tributo medio per l’intera AO stimato con il modello concettuale e con la sua applicazione pro -babilistica.

30

40

50

60

70

80

90

100

30

40

50

60

70

80

90

100


1 4 1

Bilger, R. W. 1978. The effect of admissing freshemission on the photostationary state relation-ship in photochemical smog. Atm. Env., 12,1109-1118.

Bower, J. S., Lampert, J. E., Stevenson, K. J.,Atkins, D. H. F., Law, D. V. 1991. A diffusiontube survey of NO2 levels in urban areas of theUK Atm. Env., 25B, 255-265.

Bower, J. S., Broughton, G. F. J., Dando, M. T.,Lees, A. J., Stevenson, K. J., Lampert, J. E., Swee-ney, B. P., Parker, V. J., Driver, G. S., Waddon, C.J., Wood, E. J. 1991. Urban NO2 concentrations inthe UK in 1987. Atm. Env., 25B, 267-283.

Cole, H. S., Summerhays, J. E. 1979. A reviewof technics available for estimating short-termN O2 concentrations. Jour. Air Poll. Contr. Ass.,29, 812-817.

Crystal-Ball Version 3.0 User Manual. D e c i s i o-neering, Denver, Colorado, 1993.

Cupelin, F., Landry, J. C., Lehmann, P., De-spot, F. 1995. Modèle statistique pour la gestionde la qualité de l’air. Sci. Tot. Env., 169, 45-52.

Drufuca, G., Giugliano, M. 1978. Relationshipbetween maximum SO2 concentration, avera-ging time and average concentration in an ur-ban area. Atm. Env., 12, 1901-1905.

Finlayson-Pitts, B. J., Pitts, J. N. Jr. 1993. Atmo-spheric chemistry of tropospheric ozone forma-tion: scientific and regulatory implications. A i r& Waste, 43, 1091-1100.

Georgopoulos, P. G., Seinfeld, J. H. 1982. Stati-stical distributions of air pollutant concentra-tions. Env. Sci. & Tech.,16, 401A-406A.

Georgopoulos, P. G., Seinfeld, J. H. 1 9 8 6 .Mathematical modelling of turbulent reactiveplumes - II. Application to the NO-NO2- O3

system. Atm. Env., 20, 1809-1818.

Giugliano, M. 1975. La precisione dei campio-namenti di SO2 nell’area urbana di Milano. Ing.Amb. 4, 483-491.

Giugliano, M.1983. La réduction des émissionsde SO2 et les standards de qualité de l’air dansune atmosphère urbaine. Proc. 6t h World Con-gress on Air Quality, Paris, France.

Giugliano, M., Cernuschi, S., Marzolo, F. 1 9 9 5 .N O2 and CO nonattainment areas: a pragmaticapproach to source reduction assessment. Proc.10th World Clean Air Congress, Espoo, Finland,3, 562.

Hallez, S., Derouane, A. 1982. Nouvelle métho-de de traitment de séries de données troquéesdans l’étude de la pollution atmosphérique. Sci.Tot. Env., 22, 115-123.

Helsel, D. R. 1990. Less than obvious.Env. Sci.& Tech., 24, 1766-1774.

Khalil, M. A. K., Rasmussen, R. A. 1988. Car-bon monoxide in an urban environment: appli-cation of a receptor model for source apportion-ment. Jour. Air Poll. Contr. Ass., 38, 901-906.

Khalil, M. A. K., Rasmussen, R. A. 1989. Urbancarbon monoxide: contributions of automobilesand wood burning. Chemosphere, 19, 1383-1386.

Laird, A. R., Miksad, R. W., Middleton, P.1982. A simple model for urban ozone impactprediction. Jour. Air Poll. Contr. Ass., 32, 1221-1 2 2 5 .

Bibliografia



1 4 2

Larsen, R. J. 1961. A method for determiningsource reduction required to meet air qualitystandards. Jour. Air Poll. Contr. Ass., 11, 71-76.

Larsen, R. J. 1967. Determining reduced-emis-sion goals needed to achieve air quality goals -A hypotetical case. Jour. Air Poll. Contr. Ass., 17,823-828.

Larsen, R. J. 1969. A new mathematical modelof air pollutant concentration averaging timeand frequency. Jour. Air Poll. Contr. Ass., 1 9 ,2 4 - 3 0 .

Leighton, P. A.1961. The Photochemistry ofAir Pollution. Academic Press. Inc., NewYork, N.Y.

Leone, J. A., Seinfel,d J. H. 1985. Comparati-ve analysis of chemical reaction mechanismsfor photochemical smog. Atm. Env. 19, 437-4 6 4 .

O’Brien, R. J. 1974. Photostationary state inphotochemical smog studies. Env. Sci. & Tech.,8, 579-583.

Parrish, D. D., Murphy, P. C., Albritton, D. L.,Fehsenfel,d F. C. 1983. The measurement ofphotodissociation rate of NO2 in the atmosphe-re. Atm. Env., 17, 1365-1379.

Riveros, H. G., Tejeda, J., Ortiz, L., Julián-Sán-chez, A., Riveros-Rosas, H. 1995. Hydrocar-bons and carbon monoxide in the atmosphereof Mexico City. Jour. Air Waste Man. Ass., 4 5 ,973-980.

Roberts, E. M. 1979. Review of statistics of ex-treme values with applications to air quality da-ta - Part I Review. Jour. Air Poll. Contr. Ass., 2 9 ,632-637.

Roberts, E. M. 1979. Review of statistics of ex-treme values with applications to air quality da-ta - Part II Applications. Jour. Air Poll. Contr.Ass., 29, 733-740.

Seinfeld, J. H. 1986. Atmospheric chemistryand physics of air pollution. J. Wiley & Sons,New York - Toronto.

Seinfeld, J. H. 1988. Ozone air quality models.

A critical review. Jour. Air Poll. Contr. Ass., 3 8 ,616-645.

Seinfeld, J. H. 1989. Urban air pollution: state ofthe science. Science, 243, 745-752.

Van Egmond, N. D., Kesseboom, H. 1985. Anumeric mesoscale model for long-term avera-ge NOx and NO 2 concentration. Atm. Env ., 19,587-595.

Williams, M. L., Broughton, G. F. J., Bower, J.S., Drury, V. J., Lilley, K., Powell, K., Rogers, F.S. M., Stevenson, K. J. 1988. Ambient NOx con-centrations in the UK 1976-1984 - a summary.Atm. Env., 22, 2819-2840.

Regione Lombardia. Individuazione sperimen-tale di area intercomunale omogenea relativa alcomune di Milano e a comuni viciniori previstadalla direttiva regionale per la salvaguardiadella qualità dell’aria di cui alla DGR 27 novem-bre 1990 n. 2709. Criteri per l’esercizio delle fun-zioni di cui all’art.32, comma 3, della legge 23dicembre 1978 n. 833, da parte del Presidentedella Regione.

Regione Lombardia. Interventi regionali per laprevenzione e il contenimento delle emissionida gas di scarico degli autoveicoli. BURL n. 51del 20 dicembre.

Ambiente 12 novembre 1992. Criteri generaliper la prevenzione dell’inquinamento atmosfe-rico nelle grandi zone urbane e disposizioni peril miglioramento della qualità dell’aria. GU n.272 del 18 novembre 1992.

Ambiente 25 novembre 1994. Aggiornamentodelle norme tecniche in materia di limiti di con-centrazione e di livelli di attenzione e di allarmeper gli inquinanti atmosferici nelle aree urbanee disposizioni per la misura di alcuni inquinan-ti di cui al decreto ministeriale 15 aprile 1994.GU n. 2902 del 13 dicembre 1994.

Ambiente e Sanità 20 maggio 1991. Criteri perl’elaborazione dei piani di risanamento e la tu-tela della qualità dell’aria. GU n. 126 del 31maggio 1991.

28 marzo 1983. Limiti massimi di accettabilitàdelle concentrazioni e di esposizione relativi a


1 4 3

inquinanti dell’aria nell’ambiente esterno. GUn. 120 del 25 maggio 1983.

24 maggio 1988, n. 203. Attuazione delle diretti-ve CEE n. 80/779, 82/884, 84/360 e 85/203 con-

cernenti norme in materia di qualità dell’aria,relativamente a specifici agenti inquinanti, e diinquinamento prodotto dagli impianti indu-striali, ai sensi dell’art.15 della legge 16 aprile1987, n. 183. GU n. 140 del 16 giugno 1988.

Capitolo 5

Un sistema di supporto alla scelta di modelli urbani

Giovanna Finzi



1 4 6

Sommario

Nella modellistica della qualità dell’aria esiste una proliferazione di modelli atti a simulare le piùsvariate situazioni. Questi strumenti sono ormai accessibili a una vasta utenza, ma non è al -trettanto diffuso l’insieme delle conoscenze necessarie alla loro scelta e al loro corretto utilizzo.

In questo contesto il capitolo descrive un sistema esperto in grado di supportare, attraversouna serie di domande poste in modo interattivo, un utente inesperto nella fase di scelta di unmodello adeguato alla sue esigenze.

5.1 Introduzione

Nella modellistica della qualità dell’aria in ambito urbano, come del resto in diversialtri settori della modellistica dei sistemi ambientali, esiste una proliferazione di mo-delli e relativi packages, atti a simulare le più svariate situazioni. Questi strumenti, di-sponibili per varie classi di calcolatori (e in particolare PC), sono ormai accessibili auna vasta utenza, ma non è altrettanto diffuso l’insieme delle conoscenze modellisti-che necessarie a una loro scelta e al loro corretto utilizzo. Il problema spesso si pre-senta non tanto nei termini della concezione di un nuovo modello, ma quanto in quel-li della scelta del modello più appropriato per il caso in esame tra quelli già esistenti.La questione risulta in generale di non facile risoluzione, in special modo da parte diun utente non in possesso delle conoscenze modellistiche necessarie a discriminare.

A questo scopo, nell’ambito della ricerca è stato realizzato un sistema che, fissato ecircoscritto un certo ambito applicativo, risultasse in grado di supportare l’utente ine-sperto nella fase di scelta del modello, fornendogli il maggior numero possibile diinformazioni riguardo lo stato dell’arte corrente.

Questo sistema è disponibile sul sito internet nell’area down load* e può essere facil-mente installato su un PC.

5.1.1 Rassegna dei modelli di dispersione in area urbanaLa prima fase della realizzazione del sistema di supporto alla scelta dei modelli per lagestione della qualità dell’aria in ambiente urbano realizzata nell’ambito del prece-dente progetto è stata un’ampia rassegna della letteratura scientifica di settore, svoltaconcentrando l’attenzione sui soli modelli deterministici.

A questo proposito le fonti esaminate possono essere riassunte principalmente nelleriviste: Atmospheric Environment, Il nuovo Cimento, Journal of Applied Meteorology, Journalof Air Pollution Control Association (poi Journal of Air and Waste), Journal of the AtmosphericS c i e n c e s e Boundary Layer Meteorology. Nel corso della rassegna bibliografica sono staticonsultati anche i manuali d’uso di modelli già codificati, presenti anche nella Guida USEPA stilata dall’Ente Governativo di Protezione Ambientale degli Stati Uniti.

Le scale spaziali considerate vanno dalla microscala (diffusione nei pressi di una sin-gola arteria o incrocio stradali, o all’interno di un canyon urbano) alla scala urbana (di-spersione degli inquinanti originanti dall’intera rete stradale), alla mesoscala (intero

* Il sito è www.flanet.org

Capitolo 5 UN SISTEMADISUPPORTO ALLA SCELTADIMODELLI URBANI

1 4 7

bacino in cui l’area urbana è sita; aree di dimensioni trasversali dell’ordine del centi-naio di chilometri). Sono stati considerati modelli che trattano sia inquinanti chimica-mente inerti che inquinanti reattivi.

I modelli individuati nell’ambito di questa rassegna bibliografica presentano unagrande varietà anche dal punto di vista del loro sviluppo e della loro disponibilità: peralcuni di essi è nota soltanto la formulazione matematica e non è disponibile alcunaimplementazione; per altri invece esiste una versione, acquisibile sotto forma di codi-ce sorgente o di p a c k a g e eseguibile. Laddove disponibili, nell’ambito dello studio inesame sono state raccolte anche le informazioni riguardo i rispettivi codici e la loro re-peribilità.

Il numero complessivo dei modelli urbani esaminati è stato pari a 54. Essi vengonoclassificati nel seguito in riferimento alle loro caratteristiche matematiche.

5.1.1.1 Modelli euleriani - Modelli KL’approccio euleriano è basato sulla conservazione della massa di una singola spe-cie di inquinante, espressa in funzione dell’istante di tempo e delle coordinate di unsistema di riferimento fisso. L’equazione differenziale alle derivate parziali che nederiva descrive il trasporto e la diffusione turbolenta della specie, ed è poi risoltacon diverse tecniche numeriche. Per la formulazione della componente turbolentavengono adottate diverse ipotesi semplificative, tra cui una delle più utilizzate è lacosiddetta “teoria K”, che fa dipendere la diffusione turbolenta dal gradiente dic o n c e n t r a z i o n e .

Se sono coinvolte reazioni chimiche, per ognuna delle specie chimiche trattate vienescritta una equazione differenziale, in cui il termine di sorgente tiene conto dell’inte-razione chimica con le specie rimanenti.

Una certa considerazione meritano quantità e qualità dei dati in ingresso al model-lo. La matrice dei coefficienti di diffusione orizzontale e verticale è per esempio unodegli elementi da cui dipende maggiormente l’esito delle simulazioni. Le più recentiparametrizzazioni (si vedano i modelli CALGRID e Gronskey & Walker) a questo pro-posito fanno largamente uso delle grandezze di scala del PBL: velocità di attrito, lun-ghezza di Monin-Obukov, velocità convertiva di scala, altezza dello strato rimescola-to. Questo permette un estremo realismo nella capacità di descrizione dei fenomeni, apatto che si possa disporre fondamentalmente di:

• campi di vento tridimensionali, ricavabili da strumenti tipo SODAR Doppler,comprendenti anche misure di varianza delle componenti della velocità dei vento,fondamentali per il calcolo dei parametri di turbolenza;

• misure di profili verticali della temperatura e di gradiente termico, in diverse con-dizioni di stabilità atmosferica;

• nel caso si usino dei modelli dinamici, una corretta valutazione del campo di con-centrazione iniziale e un inventario delle emissioni comprendente eventuali va-riazioni nel tasso di emissione delle medesime con il tempo;

• per i modelli che trattano la chimica, un inventario delle emissioni dettagliato percategoria di inquinante (spesso le specie chimiche coinvolte sono un centinaio),misure di radiazione solare e di campi tridimensionali di temperatura sull’interodominio di integrazione; queste ultime si possono ottenere a partire dalle misurericavate da strumenti tipo RASS.



1 4 8

I modelli recensiti che rientrano in questa categoria sono:• CALGRID• Danard• Egan• Eschroeder• Gronskey• IMPACT• Ku & Rao• Liu & Goodin• Maddukuri• Mc Rae & Russel• MROAD 2• Ragland• ROADS• Shie & Shieh• UAM

5.1.1.2 Modelli analiticiSono modelli molto semplici e richiedono un modesto numero di dati di ingresso. Laloro caratteristica fondamentale è di considerare condizioni stazionarie e di essereusati generalmente per dare valutazioni immediate dell’impatto di una sorgente sulterritorio. Il più noto modello analitico è quello gaussiano, ricavato per integrazionedell’equazione di trasporto e diffusione sotto le ipotesi seguenti:

• la velocità del vento è costante nel tempo e nello spazio;• la diffusione turbolenta dell’inquinante nella direzione del vento è trascurabile ri-

spetto al trasporto operato dal medesimo;• i coefficienti di diffusione sono costanti nel tempo e nello spazio;• il termine di sorgente è costante nel tempo.Le limitazioni di questa impostazione sono evidenti, dato che condizioni staziona-

rie non esistono nella realtà. Un’altra fondamentale limitazione è data dal fatto che ilmodello non può per sua natura trattare le calme di vento.

Altre soluzioni analitiche si possono dare e sono presenti in letteratura per varie tipo-logie di sorgenti, a partire dalle assunzioni dei gaussiani: lineari, areali, volumetriche.

Si danno anche soluzioni analitiche più complesse, che pur ipotizzando condizionistazionarie nel tempo, considerano queste non stazionarie nello spazio: è il caso delmodello di Chrysikopoulos, che suppone un profilo di vento variabile con l’altezza,per trattare meglio sorgenti areali al suolo, che hanno un meccanismo diffusivo diffe-rente da quelle in quota. La tendenza della letteratura scientifica recente è comunquedi rendere per quanto possibile più realistica la descrizione, pur nei limiti intrinsecidei modelli analitici; significativo in questo senso per IITCO e HPDM, la parametriz-zazione delle sigma mediante i parametri di scala del PBL. I risultati, se confrontaticon i modelli gaussiani precedenti, sono incoraggianti.

Il calcolo dei parametri di dispersione, se non segue quest’ultima strada, è fornitodalla letteratura scientifica in funzione della classe di stabilità atmosferica.

Un’altra categoria dei modelli analitico-gaussiani, è quella dei modelli a puff: in es-si la nuvola di inquinante viene suddivisa al momento dell’emissione in una serie di


1 4 9

oggetti aventi la massa distribuita secondo una gaussiana tridimensionale. Il centro diogni puff viene trasportato in accordo alla direzione puntuale del vento al centro del-la massa; la concentrazione di inquinante in ogni punto dello spazio viene poi calco-lata mediante sovrapposizione degli effetti dei singoli puff.

Questa formulazione permette di aggirare uno dei limiti del gaussiano, consenten-do di trattare anche situazioni di vento non stazionarie e non omogenee.

L’insieme dei dati in ingresso ai modelli analitici è generalmente modesto:• misure di vento puntuali, o al massimo profili di vento verticale;• misure di varianza nella velocità del vento ricavabile con l’uso di SODAR Dop-

pler;• classe di stabilità atmosferica (a seconda dello schema di classificazione adottato

saranno necessarie di volta in volta misure di velocità o varianza del vento, di co-pertura nuvolosa, di gradiente di temperatura verticale);

• nel caso dei modelli analitici più recenti, se fanno uso di parametri caratteristici delPBL, sono necessarie misure relative alla determinazione di questi ultimi (radia-zione solare, fluttuazioni della velocità del vento, ecc.).

I modelli recensiti che rientrano in questa categoria sono:• AIRPOL 4• APRAC 3• AQDM• ATDL• CALINE• CDM• COMPTER• Crysikopoulos• Drivas & Shair• ERTAQ• GM• Goumans• HIWAY• IITCO• IMM• ISC• IITLT• Holzworth• HPDM• Jea• Middleton• OMG• PAL-DS• PEM• PLUME 5• PPSP• RAM• SCSTER• SHORTZ



1 5 0

• TCM-2• TEM-8• TEXIN 2• TUNNEL

5.1.1.3 Modelli a boxI modelli a box costituiscono l’approccio matematico più semplice, perché ignorano lastruttura spaziale dei fenomeni. Essi descrivono l’inquinamento prodotto da un insie-me di sorgenti complesse (come per esempio un’area urbana) assumendo che gli in-quinanti siano distribuiti uniformemente all’interno di un parallelepipedo. Dal puntodi vista teorico questo equivale ad assumere coefficienti di diffusione infiniti che pro-vocano una propagazione istantanea dell’inquinante immesso nel box considerato.

L’inquinante presente nel box proviene da sorgenti interne o da contributi esternitrasportati dal vento o fluisce attraverso la sommità in conseguenza delle variazionidi altezza del box stesso che generalmente coincide con l’altezza dello strato di rime-scolamento dell’atmosfera.

I modelli a box possono essere sia numerici che analitici, a seconda del livello di trat-tazione scelto. Nei più utilizzati si considerano condizioni stazionarie, ovvero si pon-gono a zero tutte le derivate rispetto al tempo e si considera nulla la concentrazione difondo.

L’insieme delle variabili meteorologiche che vengono prese in considerazione è so-litamente molto limitato (per esempio velocità del vento, altezza di mescolamento).

Modelli di questo genere, sfruttando la semplicità della formulazione matematica,sono applicati a inquinanti chimicamente reattivi; diventano cioè dei modelli fotochi-mici, che possono in questo modo includere in notevole quantità le reazioni tipichedell’ambiente urbano, che hanno una complessità notevole.

Un approccio più avanzato nella tipologia box è la categoria degli slug models; essipermettono che la concentrazione vari lungo la direzione in cui spira il vento, e in di-rezione verticale, pur continuando ad assumere che non ci sia variazione nella dire-zione trasversale al vento.

I modelli recensiti che rientrano in questa categoria sono:• CPBM• Nicholson• PBM

5.1.1.4 Modelli a box lagrangianiI modelli a box lagrangiani sono simili a quelli euleriani presentati nella sezione pre-cedente, con la differenza che un box lagrangiano (o una colonna verticale compostadi più box sovrapposti) si muove trasportato dal vento medio presente nella zona.

Questa classe di modelli conta pochi esponenti nella letteratura scientifica recente,in campo urbano: l’unico modello recensito è ATM (Aerosol Trajectory Model), di tipofotochimico e di struttura analoga a quanto poco sopra illustrato.

5.1.1.5 Modelli a particelleI modelli a particelle, tra i più recenti e avanzati strumenti numerici per la simulazio-ne al calcolatore dei sistemi dinamici, sono particolarmente adatti a simulare la dina-


1 5 1

mica di un fluido turbolento. L’uso di questi modelli nel campo della diffusione di in-quinanti in atmosfera si sta dimostrando di notevole utilità. L’interesse suscitato daquesto tipo di approccio si può spiegare sia per la sua semplicità concettuale, che perla capacità di modellare convenientemente situazioni reali anche complesse (shareverticali di vento, inversioni di temperatura in quota, evoluzioni temporali ecc...).

La diffusione di inquinante viene simulata attraverso il moto di particelle le cuitraiettorie permettono di costruire il campo di concentrazioni della sostanza emessa.La velocità di ogni particella viene scomposta in una componente deterministica, chesimula i fenomeni di trasporto, e in una stocastica che simula gli effetti della turbolen-za. La stima della concentrazione media è ottenuta contando il numero di particelleche vengono a trovarsi in un certo volume contenente il punto dato.

I modelli recensiti che rientrano in questa categoria sono:• Pitts & Lyons• Tielin

5.1.1.6 Preprocessori meteorologiciI preprocessori meteorologici sono utilizzati con i modelli di diffusione degli inqui-nanti essenzialmente per fornire a questi ultimi i dati di input necessari per la simula-zione o la previsione degli episodi di inquinamento, con speciale riferimento ai dati divento, temperatura e umidità. Sono essenziali a tipologie di modelli quali i modelli Ke i modelli a particelle o a box lagrangiani, per i quali una mediocre stima o previsio-ne dei dati meteorologici pregiudica le prestazioni finali.

I modelli meteorologici si possono dividere in diagnostici e prognostici: i primisono basati su una semplice analisi dei dati meteorologici disponibili, che vengo-no sottoposti a una operazione di interpolazione e non contengono termini che di-pendono dal tempo; il loro compito è quello di fornire una “fotografia” a tre di-mensioni dei campi di temperatura e di vento medio, e delle loro fluttuazioni tur-b o l e n t e .

I modelli prognostici, invece, sono usati per predire l’evoluzione nel tempo del si-stema atmosferico, attraverso l’integrazione nel tempo e nello spazio delle equazionidi conservazione della massa, del calore, della quantità di moto, dell’umidità. L’in-sieme completo di equazioni da risolvere sarebbe tuttavia eccessivamente oneroso, senon intervenissero delle approssimazioni nel calcolo.

5.1.2 Organizzazione e caratteristiche del sistemaCome già accennato, nell’ambito del Progetto di ricerca “La qualità dell’aria nell’areametropolitana milanese e i suoi riflessi sulla salute dell’uomo”, tutte le informazioniraccolte nella rassegna bibliografica precedentemente descritta sono state sistematiz-zate e organizzate in un sistema esperto volto a orientare l’utente nella scelta del mo-dello di dispersione più adatto alle sue esigenze.

Il sistema, grazie all’integrazione di un database relazionale e di un motore infe-renziale basato su regole, permette all’utente finale di accedere alle informazioni inesso contenute con modalità diverse, a seconda del livello di conoscenza possedu-to circa il dominio di applicazione. Esso è stato implementato per essere utilizzatosu PC MS-DOS, ed è dotato di una interfaccia utente che ne rende molto semplicel ’ u t i l i z z o .



1 5 2

5.1.2.1 Architettura del sistemaLe componenti principali del sistema sono (figura 5.1):

• la banca modelli;• la base di conoscenza;• tool di consultazione;• tool di manutenzione.

La banca modelli contiene le schede descrittive di ciascun modello, nella quale si ri-trovano informazioni circa il campo di applicabilità (tipologia degli inquinanti tratta-ti, sorgenti, morfologia del terreno, scala temporale, condizioni di stabilità atmosferi-ca), gli input necessari, gli output forniti, la disponibilità dell’eventuale codificasoftware, gli autori, gli studi di validazione compiuti e, infine, una breve illustrazionedella formulazione matematica del modello.

La base di conoscenza è articolata in diverse componenti, e ha la funzione di asso-ciare i modelli disponibili ai possibili scenari fisici che questi sono in grado di trattare.

A questo proposito i possibili scenari applicativi sono stati sistematizzati e de-

Esperto del dominio

utentefinale

Strumento di mantenimento

Bancamodelli

Strumentodi consultazione

Base diconoscenza

Figura 5.1 - Architettura del sistema esperto.


1 5 3

scritti formalmente attraverso un certo numero di “chiavi” (k e y w o r d s), in grado an-che di discriminare sufficientemente all’interno dell’insieme dei modelli; le chiaviutilizzate sono:

• AREA OF INTEREST• TERRAIN MORPHOLOGY• URBAN MORPHOLOGY• POLLUTANT CHEMISTRY• DRY DEPOSITION MODELING• WET DEPOSITION MODELING• TEMPORAL DESCRIPTION• TIME SCALE• OUTPUT TIME AVERAGE• SOURCE NUMBER AND GEOMETRY• EMISSION TYPE• PLUME BEHAVIOUR• STACK DOWNWASH MODELING• BUILDING DOWNWASH MODELING• ATMOSPHERIC STABILITY• HIGH LEVEL INVERSION MODELING• TREATMENT OF FUMIGATION• TREATMENT OF WIND CALMS• OUTPUT CONCENTRATIONS• WIND DIRECTION IN THE STREET• BUILDING HEIGHT• BUILDING DENSITY• ROAD EMISSIONS DISTRIBUTION• CONCENTRATION DISTRIBUTION• STREET LENGTH• ROAD RECEPTOR POSITION• SETTLEMENT DIMENSION

A ciascuna chiave sono associati diversi “valori” o “attributi” (per esempio, per lachiave SOURCE NUMBER AND GEOMETRY, possibili valori sono SINGLE POINTSOURCE, MULTIPLE POINT SOURCE, LINE SOURCE ecc.). Un determinato scena-rio fisico viene specificato assegnando un insieme di coppie “chiave-valore”, e più sce-nari possono essere utilizzati per descrivere l’ambito di applicabilità di un determina-to modello. La base di conoscenza contiene quindi innanzitutto queste associazioniscenari-modelli, permettendo la ricerca, in fase di consultazione, dei modelli più ap-propriati per un dato scenario di interesse per l’utente.

Un secondo elemento che concorre a delineare la base di conoscenza è dato dalle re-gole che codificano le nazioni necessarie a definire alcuni elementi dello scenario (cop-pie “chiave-valore”). Le regole sono scritte in un semplice linguaggio logico e risulta-no generalmente espresse nella forma:

• IF ipotesi• THEN conclusioneEsse vengono utilizzate in fase di consultazione tramite un expert helper, un motore



1 5 4

inferenziale che consente all’utente di essere guidato nella scelta dei valori più appro-priati per le chiavi il cui significato è di non immediata comprensione.

La base di conoscenza è completata da una serie di “reti semantiche” le quali metto-no in relazione tra loro i valori attribuibili a una stessa chiave. Infatti, nell’insieme deivalori assumibili da una determinata chiave si possono, a volte, ritrovare delle rela-zioni di dominanza (per esempio, MULTIPLE POINT SOURCE domina, cioè gode dimaggiore generalità, SINGLE POINT SOURCE). Le reti semantiche tengono appuntoconto di tali relazioni con un duplice scopo: da una parte aumentano l’espressivitàdella consultazione poiché permettono di individuare anche i modelli associati a sce-nari di complessità superiore rispetto a quello definito dall’utente, ma che lo domina-no in conseguenza alla loro maggiore generalità; dall’altra consentono una maggiorecompattezza della base di conoscenza.

A questo insieme di conoscenze si accede con degli strumenti che possono essere odi consultazione o di manutenzione.

I primi sono pensati per l’utente finale, che ha tipicamente a che fare con un deter-minato scenario fisico e vuole conoscere i possibili modelli utilizzabili e confrontare leloro caratteristiche.

I secondi sono utilizzati dal modellista “esperto del dominio” per l’aggiornamentodel sistema: inserimento di nuovi modelli, aggiornamento delle schede descrittive esi-stenti, creazioni o modifiche riguardanti le reti semantiche, aggiunta di nuove chiavi onuovi valori, revisione della base di regole.

5.1.2.2 Consultazione del sistemaLa consultazione permette all’utente finale di cercare il modello o i modelli più adattialla situazione reale che egli intende simulare attraverso una serie di domande inte-rattive. L’utente descrive lo scenario fisico di interesse attribuendo gli opportuni va-lori a un insieme di chiavi selezionate tra quelle proposte: a ogni passo della consulta-zione, il sistema fornisce all’utente l’elenco delle possibili chiavi utilizzabili, e per ogni

Figura 5.2 - Esempio di consultazione del sistema: definizione di una coppia chiave-valore.

key words

Domain

Esc Exit

Consultation Maintenance---

AREA OF INTERESTTERRA IN MORPHOLOGYURBAN MORPHOLOGYSOURCE NUMBER AND GEOMEPOLLUTANT CHEMISTRYDRY DEPOSITION MODELINGWET DEPOSITION MODELINGTEMPORAL DESCRIPTIONTIME SCALEOUTPUT TIME AVERAGEOUTPUT CONCENTRATIONEMISSION TYPEPLUME BEHAVIOURATMOSPHERIC STABILITYHIGH LEVEL INVERSION MOD

urban settlement + industriesurban canyonurban road networkhighway crossing with traffic-lighturban canyon crossing with traffic-lighturban canyon crossing with road signsground level highwayelevated highwayroad tunnelsettlement * surroundingsurban settlementunderground highwayhighway crossing with road signs


1 5 5

chiave la lista dei valori effettivamente sceglibili (figura 5.2); scelta una coppia chiave-valore, il sistema ricava dalla base di dati l’insieme di tutti i modelli che soddisfano laspecifica, e questo diventa l’insieme di modelli corrente. Il procedimento può essereiterato, raffinando progressivamente la descrizione dello scenario, fino a quando l’in-sieme dei modelli individuati non soddisfi.

Alcune chiavi utilizzate nella classificazione dei modelli possono richiedere cono-scenze specifiche, non in possesso dell’utente: in questi casi è possibile invocare l’aiu-to dell’expert helper, che guida alla corretta scelta delle coppie chiave-valore attraversouna serie strutturata di domande.

È possibile anche una seconda modalità di consultazione che permette un accessodiretto alle informazioni riguardanti ogni singolo modello. In tal modo, selezionato unmodello, si possono immediatamente ricavare le caratteristiche degli scenari ai qualiesso si rivolge e valutare, quindi, se queste corrispondono alle caratteristiche della si-tuazione reale che si intende analizzare.

Capitolo 6

Alcuni meccanismichimici presenti

nei modelliper la simulazione

della qualità dell’ariaLuigi Fortina



1 5 8

Sommario

I composti chimici presenti in atmosfera si trasformano in molteplici modi, subendo fenomenidi decadimento o reagendo tra loro, sia per via termica sia per via fotochimica e pertanto i mo -delli di qualità dell’aria che si pongono l’obiettivo di descrivere il comportamento di inquinan -ti reattivi devono comprendere un modulo chimico che descriva questi processi.

In questo contesto nel capitolo viene presentato un database realizzato con l’obiettivo di per -mettere il confronto tra otto diversi meccanismi chimici utilizzati dai modelli maggiormenteimpiegati nell’ambito di problematiche connesse con la gestione della qualità dell’aria.

La disponibilità di questo database accoppiata alle conoscenze sperimentali disponibili sulterritorio può costituire un utile strumento per stabilire quale sia il meccanismo chimico piùadatto alla descrizione dei fenomeni di inquinamento di una determinata zona di interesse.

6.1 Introduzione: meccanismi chimici e meccanismi fisici nei modelli diqualità dell’aria

Per la corretta simulazione dei fenomeni di inquinamento atmosferico mediante l’usodi modelli matematici è necessario che siano adeguatamente descritti sia i fenomenifisici legati al trasporto e alla diffusione degli inquinanti, sia i fenomeni chimici con-seguenti alla reattività dei composti stessi.

I composti chimici presenti in atmosfera si trasformano infatti in molteplici modi,subendo fenomeni di decadimento o reagendo tra di loro, sia per via termica sia pervia fotochimica; quando si studia lo smog fotochimico, per esempio, si può osservareuna serie di reazioni chimiche che hanno luogo tra NOx e i composti contenenti carbo-nio, come le paraffine (alcani), le olefine (alcheni), le aldeidi, i chetoni e i composti aro-matici. Contemporaneamente ai fenomeni chimici, si osserva il trasporto e il mescola-mento dei reagenti e dei prodotti grazie all’azione dei venti e della turbolenza.

I due aspetti della questione, la fisica e la chimica dei fenomeni che regolano la qua-lità dell’aria, possono essere svincolati l’uno dall’altro, in quanto:

• se si considera un composto poco reattivo, qual è per esempio il biossido di zolfo( S O2) in particolari condizioni, allora diventa trascurabile il chimismo atmosfericoe, di conseguenza, tale inquinante può essere trattato come una specie chimica chesubisce unicamente fenomeni di trasporto e diffusione;

• se invece si ipotizza che la parte di atmosfera oggetto di studio si comporti comeun reattore nel quale il fluido è perfettamente miscelato, allora, per simulare ciòche avviene, è sufficiente risolvere le equazioni differenziali che descrivono mate-maticamente le reazioni chimiche tra i composti presenti, trascurando completa-mente la fisica del fenomeno.

I principali modelli matematici per la simulazione dell’inquinamento atmosfericosono dunque costituiti da due moduli fondamentali:

• uno che rappresenta il meccanismo f i s i c o, descrivendo quindi i fenomeni di tra-sporto e diffusione delle sostanze;

• uno che rappresenta il meccanismo chimico, incorporato nel primo, che descrive letrasformazioni chimiche e fotochimiche che queste sostanze subiscono.

Nelle situazioni in cui sia possibile sopprimere uno dei due moduli (come nei due

Capitolo 6 ALCUNI MECCANISMICHIMICI PRESENTINEI MODELLI PERLA SIMULAZIONEDELLA QUALITÀDELL’ARIA

1 5 9

casi riportati in precedenza) si ottengono evidenti vantaggi e semplificazioni, soprat-tutto per il fatto che diminuiscono notevolmente gli oneri di calcolo.

È opportuno distinguere i due moduli anche al fine di una analisi delle possibili cau-se dell’errore eventualmente riscontrato nella risposta del modello di qualità dell’aria:errori numerici e di simulazione possono essere infatti introdotti a seguito delle nu-merose ipotesi semplificative imposte per risolvere contestualmente sia le equazionichimiche sia le equazioni di diffusione. La possibilità di trattazione separata dei mo-duli chimico e fisico del modello è quindi essenziale per determinare eventuali fontidi errore nella simulazione introdotte da semplificazioni grossolane o inadeguate.

Per meglio identificare le fonti di errore si può fare uso di modelli semplificati ditipo gaussiano per descrivere trasporto e diffusione; più complesso risulta invece ildiscorso per i meccanismi cinetici (chimici). Premesso che un trattamento esplicitodi tutte le reazioni che avvengono in atmosfera è virtualmente impossibile nellapratica questi debbono a loro volta essere condensati a livelli di complessità diver-si sia per conformarsi ai dati sperimentali disponibili che per evitare eccessivi one-ri di simulazione.

Un altro caso in cui la distinzione suddetta risulta opportuna si ha quando è neces-sario analizzare in dettaglio un meccanismo chimico incorporato nel modello di qua-lità dell’aria, per porre in evidenza quali sono le trasformazioni che in esso sono trat-tate in modo più o meno completo e quali sono invece le reazioni che sono completa-mente trascurate perché ritenute poco importanti.

Molti meccanismi enfatizzano infatti fenomeni specifici, quali per esempio l’accu-mulo di ozono, essendo stati sviluppati allo scopo di studiarli e gestirli. In fase di ap-plicazione di un modello va tuttavia verificato che i fenomeni descritti con maggiordettaglio siano effettivamente rappresentativi del caso in esame in quanto diversecondizioni climatologiche e di emissione nel caso reale possono comportare situazio-ni completamente diverse rispetto a quelle ben rappresentabili dal modello stesso. Inquesto caso l’analisi del meccanismo chimico e il suo confronto con la situazione rea-le diventano due aspetti fondamentali per scegliere il modello di qualità dell’aria chepiù si adatta a essere utilizzato per le simulazioni; la scelta cadrà ovviamente su quelmodello nel quale sia presente un meccanismo chimico che descrive nel modo più rea-listico il caso reale.

6.2 Scopo del lavoro

Nel paragrafo precedente è stata evidenziata la necessità di analizzare il modulo chi-mico incorporato in un modello di qualità dell’aria, per verificare quali siano i feno-meni chimici che il meccanismo sviluppa in modo prioritario al fine di verificare sequesti coincidono con i dati critici dell’ambiente da modellare. A questo scopo è statosviluppato un database che permetta il confronto tra i diversi meccanismi chimici con-siderati (otto tra i più utilizzati) per verificare l’adeguatezza di questi a un caso reale diinteresse. Esso è fornito in supporto informatico.

Vista l’importanza rivestita dalla tipologia del modello chimico adottato sul risulta-to finale sono stati messi in luce alcuni criteri che dovrebbero consentire di rendere ilpiù possibile oggettiva la fase di scelta tra i possibili modelli attualmente disponibili.



1 6 0

In questo lavoro sono quindi stati acquisiti alcuni modelli di qualità dell’aria di cui so-no stati analizzati in dettaglio i meccanismi chimici, estraendo da questi le reazioni e irelativi parametri cinetici. Tutta questa mole di informazioni è stata sintetizzata in undatabase, descrittivo delle specie chimiche e delle reazioni che le coinvolgono.

La disponibilità di questo strumento di supporto accoppiato alle conoscenze spe-rimentali disponibili sul territorio e/o da acquisirsi sul campo mediante specifichecampagne permetterà di stabilire volta per volta quale sia il meccanismo chimicopiù adatto alla descrizione dei fenomeni di inquinamento di una determinata zonadi interesse.

6.3 Criteri per la scelta del modulo chimico

Quando si deve definire la struttura del modulo chimico da utilizzare in modelli a sca-la regionale, occorre definire in modo appropriato gli scopi della modellazione e i tipidi previsione che si desidera fare in vista delle politiche di controllo da adottare.

I moduli chimici sono costituiti dalle specie chimiche immesse e/o prodotte nell’at-mosfera in seguito ai processi che in essa si verificano. Le specie chimiche possono es-sere inorganiche od organiche; le più importanti sono, oltre a quelle che compongonola cosiddetta “atmosfera standard”, gli ossidi di zolfo e quelli di azoto (e i relativi aci-di), l’ozono, l’ossido di carbonio. La chimica di questi composti è piuttosto ben carat-terizzata e le reazioni che li coinvolgono (chimica inorganica) sono praticamente pre-senti in tutti i modelli in uso.

Più complessa è la situazione riguardante i cosiddetti Composti Organici Volatili,detti comunemente COV o VOC. La loro importanza deriva dal ruolo che svolgononella formazione fotochimica dell’ozono sia su scala urbana che regionale, nelle tra-sformazioni di tipo radicalico degli ossidi di zolfo e di azoto, che portano poi alla for-mazione degli acidi corrispondenti responsabili delle cosiddette “piogge acide”, neifenomeni che portano allo “smog fotochimico”.

È pertanto importante che il modulo chimico rappresenti nel modo migliore possi-bile il chimismo che interessa l’insieme dei composti immessi o prodotti nell’atmosfe-ra. Purtroppo i composti organici che possono essere immessi nell’atmosfera da partedi sorgenti naturali o di attività antropiche è molto grande, dell’ordine di parecchiecentinaia, anche se normalmente in quantità molto variabile da una specie all’altra.

Le reazioni, poi, che possono interessare questa folla di composti possono esseredell’ordine delle migliaia. È chiaro che non è possibile tenere conto di tutta questarealtà che, in pratica, è spesso conosciuta in maniera molto limitata. Si pone allora ilproblema di come strutturare un modulo chimico che possa ragionevolmente rappre-sentare una situazione reale.

In pratica i modelli correntemente in uso trattano un insieme di qualche decina di spe-cie chimiche. Il problema che allora ci si pone è quello di scegliere un metodo per rap-presentare centinaia di composti con poche decine di specie. Le scelte che sono state fat-te sono molteplici, come si può rilevare dalle tabelle contenute nei file forniti su suppor-to informatico, in cui sono riportate in dettaglio le specie chimiche e le reazioni di inte-resse. Ognuna delle scelte tenta di conciliare gli scopi della modellazione, la disponibi-lità delle informazioni di partenza e le risorse disponibili per effettuare le simulazioni.


1 6 1

Un problema di notevole peso è quello che si presenta quando una specie chimi-ca del modello rappresenta un numeroso gruppo di composti “affini”. Infatti inquesto caso, se si conoscono le caratteristiche della cinetica dei singoli composti, sipone il problema della definizione di tali caratteristiche per la “specie modello”.Qui si differenziano i vari modelli, che tentano di definire queste “costanti cineti-che” sulla base di quelle note di alcuni composti concreti e di pesi scelti in modo op-portuno e ragionevole.

Esempi dettagliati e interessanti di queste tecniche sono contenuti nei lavori diStockwell e collaboratori. Come conclusione delle loro ricerche, essi fanno rilevareche per l’applicazione della tecnica da loro descritta e sperimentata svolgono unruolo fondamentale la disponibilità e la qualità dei dati di emissione: spesso, infat-ti, ci si trova nella condizione di essere costretti a disaggregare, piuttosto che ad ag-gregare, le informazioni disponibili sui COV. È chiaro perciò che, se si vuole utiliz-zare un modello che includa un numero notevole di classi di COV mentre si dispo-ne solo di valutazioni globali di COV emessi o di categorie di COV emessi per variesorgenti, si rende necessario operare una disaggregazione dei dati mediante l’im-piego di fattori di disaggregazione, facendo riferimento a raccolte statistiche, qua-lora disponibili, per la regione in esame.

6.3.1 Adeguatezza del modelloIl grado col quale uno specifico modello per la qualità dell’aria può essere considera-to adatto per l’utilizzo nella valutazione dell’impatto di una sorgente di inquinantisull’ambiente dipende da numerosi fattori, quali, per esempio, le complessità meteo-rologiche e topografiche dell’area, il livello di dettaglio e l’accuratezza richiesta dal-l’analisi, le risorse disponibili e il dettaglio e l’accuratezza della base dati relativa alleemissioni e alla meteorologia. Una volta assemblata la base dati si deve verificare sequesta sia in grado di soddisfare le richieste del modello; qualora un modello richie-desse un dettaglio e una precisione dei dati di ingresso eccedenti le effettive disponi-bilità, sarebbe opportuno riconsiderare la possibilità di utilizzarlo.

Le basi dei dati e le conseguenti procedure adottabili per la stima dei parametri diinput costituiscono una parte integrante della procedura di modellazione. In fase disvolgimento di questi studi è necessario utilizzare sempre i dati disponibili più ap-propriati, poiché le concentrazioni stimate dipendono strettamente dai dati meteoro-logici e di emissione utilizzati; la principale fonte di incoerenze è costituita dai dati dacui si parte per l’analisi.

Lo stato dell’arte per quanto concerne i modelli di qualità dell’aria ne consente l’ap-plicazione con soddisfacente accuratezza e un accettabile grado di incertezza nelle si-mulazioni di valori medi di concentrazione degli inquinanti, primari e secondari, perlunghi periodi e per aree a topografia da relativamente semplice a mediamente com-plessa. Vale tuttavia la pena rilevare che sono stati realizzati anche modelli in grado ditrattare situazioni meteorologiche e topografiche complesse, che richiedono, però, no-tevole esperienza e abbondanti risorse di calcolo, e di cui a oggi è noto un limitato nu-mero di applicazioni.

6.3.2 Livello di sofisticazione dei modelliIl grado di sofisticazione del modello utilizzato deve quindi essere commisurato al-



1 6 2

l’obiettivo dell’applicazione, fatta salva la disponibilità di dati. In una applicazione ti-po è sovente opportuno procedere per livelli sequenziali a complessità crescente.

Un primo livello consiste nell’applicazione di tecniche generali, relativamente sem-plici e basate su modelli di dispersione che forniscono stime conservative dell’impat-to sulla qualità dell’aria di una sorgente concreta, o di una categoria di sorgenti. Il ri-sultato ottenibile da questo screening dovrebbe costituire una approssimazione per ec-cesso che permetta di non ricorrere a strumenti più complessi qualora i risultati indi-chino che l’emissione in esame non provoca superamenti dei livelli di inquinamentoprevisti dalla legislazione, delle norme che si desidera rispettare o, più semplicemen-te, che consentono di raggiungere obiettivi prefissati.

Qualora non si verifichino tali ipotesi, si rende necessaria l’applicazione di modelliche forniscano una descrizione più dettagliata dei processi fisici e chimici che si svol-gono nell’atmosfera: questa tipologia di modelli richiede in ingresso dati più detta-gliati e precisi e fornisce, qualora applicata in modo corretto, stime più accurate delleconcentrazioni degli inquinanti nello spazio e nel tempo.

6.4 Le trasformazioni chimiche

Per quanto riguarda la parte del modello che calcola le trasformazioni chimiche a cuipossono essere soggette le varie sostanze inquinanti immesse nell’atmosfera, si devetenere presente la notevole sensibilità delle velocità di reazione e trasformazione dal-le condizioni locali. L’importanza che possono assumere dette trasformazioni sullaconcentrazione degli inquinanti primari e secondari è, inoltre, strettamente correlataai tempi caratteristici dei fenomeni (costanti cinetiche di velocità delle reazioni raf-frontata all’estensione spazio-temporale del dominio di studio); due o più fenomeniconcomitanti possono infatti svolgere ruoli significativi nello stesso contesto solo se iloro “tempi caratteristici” sono paragonabili.

Per esempio, si può assumere che la trasformazione chimica di SO2 emesso dasorgenti puntiformi o da singoli impianti industriali siti in zone rurali sia relativa-mente poco influente nella valutazione della sua concentrazione massima al suoloquando il tempo di percorrenza tra luogo di emissione e recettore è di alcune ore.Al contrario, in aree urbane, allorché effetti sinergici tra gli inquinanti presenti pos-sono assumere ruoli rilevanti, le velocità di trasformazione chimica possono rive-stire interesse fondamentale. Se disponibili tramite valutazioni eseguite per realtàlocali, si possono in loro vece utilizzare i relativi tempi di semitrasformazione. Inapplicazioni urbane, può essere adottato per l’analisi delle emissioni di SO2 u ntempo di semitrasformazione di 4 ore.

Quando si utilizzano tecniche di s c r e e n i n g per modellare le emissioni di ossidi diazoto da sorgenti puntiformi, si presuppone la completa trasformazione di NO inN O2 per qualsiasi tempo di percorrenza. Nel caso vengano utilizzati modelli gaus-siani, e si disponga di dati relativi alle variazioni stagionali delle variazioni delleconcentrazioni massime di ozono, viene raccomandato l’uso dell’Ozone LimitingM e t h o d.

Per analisi più raffinate, possono essere utilizzate velocità di conversione basate sustudi appropriati del sito in esame.


1 6 3

Questo vale per l’utilizzo di modelli che incorporano meccanismi complessi di tra-sformazioni chimiche, utilizzo che va studiato e giustificato nella sua applicazione conconsiderazioni relative al sito e alle sue caratteristiche.

Vale la pena di rimarcare che i modelli cinetici complessi richiedono un set di da-ti analitici in ingresso normalmente ben più ampio di quelli disponibili; il livello didettaglio deve essere commisurato alla effettiva disponibilità di dati sperimentalipresenti sul territorio.

In generale questi modelli complessi non sono stati progettati per studiare l’influs-so di una sola sorgente, ma per valutazioni a livello regionale.

6.5 Confronto tra otto meccanismi chimici fondamentali

È già stato osservato in precedenza come la simulazione dei fenomeni che avvengononell’atmosfera, a causa della loro complessità, presenti diverse difficoltà, soprattutto intermini numerici, quando si devono risolvere onerosi sistemi di equazioni differenziali;questo avviene sia per il grande numero di reazioni coinvolte, sia per l’estrema variabi-lità delle costanti cinetiche, sia per l’incertezza della determinazione di alcune di queste.

Per ottenere un modello di simulazione il cui impiego risulti ragionevole in terminidi oneri di calcolo, si possono quindi adottare alcune ipotesi semplificative, che ven-gono discusse in seguito.

Un’ipotesi ricorrente è quella detta PSSA (Pseudo-Steady State Approximation), cioèl’ipotesi di pseudostazionarietà; in questo caso, viene ipotizzato che un certo compo-sto, che non ha in realtà concentrazione costante, venga prodotto e consumato, attra-verso reazioni chimiche e fotochimiche, così velocemente, che le variazioni nel tempodella sua concentrazione si possono ritenere trascurabili, per cui si assume che la suaconcentrazione sia costante.

Questa ipotesi può essere mantenuta anche per quei composti che sono presenti ingrande eccesso nell’atmosfera, per cui anche in questo caso si può considerare costan-te la loro concentrazione.

Modelli di simulazione basati sui meccanismi sopra citati vengono applicati con l’o-biettivo di quantificare la complessa e non lineare relazione tra le emissioni di inqui-nanti primari (NOx, COV) e la massima concentrazione di O3.

Le tre ipotesi semplificative fondamentali generalmente utilizzate nei diversi mo-delli di qualità dell’aria, per diminuire il numero delle reazioni chimiche che vengonosimulate e rappresentare un certo processo di interesse semplificando la modellizza-zione, secondo la proposta di Leone e Seinfeld, suddividono i vari meccanismi chimi-ci nelle categorie seguenti:

a) si utilizzano poche specie di idrocarburi opportunamente scelte, ognuna dellequali funge da rappresentante della propria classe, grazie alla tecnica dei “meccanismisurrogati”;

b) si rappresentano meccanismi a “molecole raggruppate” (lumped), in cui idrocar-buri della stessa classe vengono assemblati, e viene così definita una specie ipoteticaper rappresentare ciascuna classe;

c) si considerano i meccanismi di “legame carbonio” (carbon bond), la cui classifica-zione viene basata sui legami chimici degli idrocarburi e sulla loro reattività.



1 6 4

Dunque i vari meccanismi chimici vengono classificati in base al modo in cui sono rag-gruppati insieme diversi tipi di VOC (Volatile Organic Compound), e si distinguono in:

a) meccanismi surrogati;b) meccanismi a struttura lumped (a struttura ammassata);c) meccanismi a molecola lumped (a molecola ammassata).Nel presente studio sono stati esaminati 8 meccanismi chimici, alcuni dei quali sono

incorporati in modelli di qualità dell’aria di uso abbastanza diffuso:1. meccanismo di Seinfeld;2. meccanismo CB IV (presente in UAM);3. meccanismo SAPCR (presente in CALGRID);4. meccanismo di Dodge;5. meccanismo CB III;6. meccanismo ALW;7. meccanismo CB EX (presente in UAM);8. meccanismo RADM2.

Nel seguito viene riportata una brevissima descrizione dei meccanismi suddetti.

6.5.1 Meccanismo di SeinfeldIl meccanismo di Seinfeld è il più semplice tra tutti quelli considerati, e non appartie-ne a nessuna delle tre categorie sopra specificate, in quanto considera esclusivamentela chimica della formaldeide e degli alcani; di conseguenza è costituito soltanto da 21reazioni e non risulta necessaria alcuna semplificazione nel meccanismo chimico.

6.5.2 Meccanismi CB III, CB IV e CB EXSia il meccanismo CB III sia i meccanismi CB IV e CB EX, utilizzati nel modello dellaEnvironmental Protection Agency statunitense UAM (Urban Airshed Model) (CB EX ap-partiene alla versione più recente), sono classificati tra i modelli a “struttura ammas-sata”, in quanto trattano la chimica degli idrocarburi in base al tipo di legame chimicoche caratterizza le varie sostanze.

6.5.3 Meccanismo ALWIl meccanismo di Atkinson-Lloyd-Winges (ALW) è un meccanismo a molecola l u m -ped, cioè a “molecola ammassata”.

6.5.4 Meccanismo di DodgeIl meccanismo di Dodge, nella versione migliorata di Zimmerman-Dodge, appartienealla categoria dei “meccanismi surrogati”.

6.5.5 Meccanismo SAPCRIl meccanismo SAPCR, incorporato in CALGRID, è un meccanismo simile ai CB, cioèè un meccanismo a “struttura ammassata”.

6.5.6 Meccanismo RADM2Questo meccanismo, sviluppato da Stockwell, mette in evidenza l’importanza del ra-dicale ed è un meccanismo “surrogato”.


1 6 5

6.5.7 Parametri richiesti da alcuni dei meccanismiNella tabella 6.1 viene presentato un confronto tra i parametri richiesti da alcuni deimeccanismi fotochimici presi in considerazione nel presente lavoro.

Dalla tabella si nota come per procedere alla taratura e alla verifica di tutti i modellichimici presi in considerazione sia richiesta una notevole mole di dati.

Per quanto concerne i composti inorganici, NO, NO2, NOx e O3 (il cui monitoraggioè consolidato) sono comuni a tutti meccanismi presi in considerazione; unica partico-larità si osserva a proposito del meccanismo ad aggregazione Carbon Bond (CB IV) im-plementato nel codice di calcolo Urban Airsheed Model (UAM) che tra i parametri in in-gresso non prevede l’ozono.

La conoscenza della concentrazione del monossido di carbonio è richiesta esclusi-vamente dai meccanismi CB IV e SAPCR, modulo chimico del codice CALGRID; que-st’ultimo prevede anche l’impiego delle concentrazioni dell’HNO3 e dell’HNO2.

Le principali differenze, si osservano a carico dei composti organici in quanto lemodalità di aggregazione dei composti chimici potenzialmente presenti in atmo-sfera sono diverse.

L’utilizzo del meccanismo CB IV implica la conoscenza, oltre a quella degli alcani(legame semplice C-C) e degli alcheni (legame doppio C=C), delle concentrazioni diun numero limitato di composti chimici il cui comportamento può essere sia indicati-vo di una classe sia specifico del composto stesso, nel caso in cui la sua reattività si di-scosti in modo marcato da quella degli altri composti caratterizzati dal medesimogruppo funzionale. La formaldeide è un tipico esempio di composto appartenente aquest’ultimo gruppo, mentre l’acetaldeide è rappresentativa della reattività del grup-po funzionale carbonilico C=O. Le altre specie di cui si deve disporre di dati sono: me-tanolo ed etanolo (gruppo funzionale alcolico ROH), toluene e xilene (gruppo funzio-nale aromatico) e infine etilene e isoprene che, pur con un chimismo già rappresenta-to dagli alcheni, presentano reattività diversa (etilene) oppure sono dotati di notevolerilevanza ambientale in quanto indicatori di emissioni naturali (isoprene).

Un maggior livello di aggregazione dei composti organici è raggiunto solo dal mec-canismo surrogato di Dodge; in questo caso le uniche specie utilizzate sono: formal-deide (chimismo specifico del composto), butano (alcani), propilene (alcheni) e ALD2

(aldeidi con due o più atomi di carbonio).

Meccanismi meccanismo meccanismo meccanismo meccanismo meccanismoCB IV SAPCR di Dodge CB III ALW(UAM) (CALGRID)

Parametri

toluene toluene ARO1 ARO tolueneC6H5CH3

formald. formaldeide formaldeide formaldeide formaldeide formaldeideHCHO

CO CO CO

(segue)



1 6 6

Meccanismi meccanismo meccanismo meccanismo meccanismo meccanismoCB IV SAPCR di Dodge CB III ALW(UAM) (CALGRID)

Parametri

NO NO NO NO NO NO

NO2 NO2 NO2 NO2 NO2 NO2

O3 O3 O3 O3 O3

NOx NOx NOx NOx NOx

NMHC

benzene C6H6 ARO ARO benzene

paraxilene xilene ARO ARO xilene

1,2,4-t r i m e t i l b e n z e n e

ARO ARO

alcani alcani ALK1 butano alcani propano

(paraffine C-C) ALK2

alcheni (olefine C=C)

alcheni OLE1 propilene OLE propilene

etilene etilene etilene etilene

acetaldeideacetaldeide

RCHO (aldeidi ALD2 ALD2 RCHO

CH3CHO superiori)

isoprene isoprene

etanolo etanolo

metanolo metanolo

HNO3 HNO3

HONO HONO

CH4 CH4

CCHO (aldeidi) CCHO

m e t i l e t i l c h e t o n eMEK MEK

CH3C(O)C2H5

non reattivi NR

trans-2-butene BUTE

acetone ACET

Tabella 6.1 - Parametri richiesti da alcuni meccanismi fotochimici.


1 6 7

Il meccanismo SAPCR presenta una struttura abbastanza analoga a CB IV; rispettoa quest’ultimo risultano meno utilizzati i singoli composti e maggiormente suddivisala struttura delle pseudospecie chimiche: gli alcani sono suddivisi in due gruppi infunzione del numero di atomi di carbonio e lo stesso si ha per i composti aromatici. Ilgruppo funzionale carbonile viene suddiviso dal punto di vista della reattività in al-deidi superiori e in chetoni (indicatore metiletilchetone). La formaldeide e il CH4 ven-gono trattati come molecole a sé stanti in quanto il loro chimismo è diverso rispetto ailoro omologhi superiori.

Definire un criterio oggettivo e univoco che, sulla base del criterio di aggregazioneprescelto, consenta di stabilire quali tra i modelli presentati sia il migliore è pratica-mente impossibile; indubbiamente i meccanismi CB IV e SAPCR sono quelli maggior-mente consolidati e oggetto di verifiche sperimentali.

Nella pratica, come messo in evidenza da Stockwell il concetto di “modello otti-male” risulta essere dipendente dagli scopi che ci si prefigge di ottenere medianteil suo impiego e, soprattutto, dai dati sperimentali disponibili nell’area in esame.Accanto alle problematiche connesse all’aggregazione dei composti realmente pre-senti in atmosfera, da effettuarsi senza che le relazioni cinetiche perdano di signifi-catività, non va trascurata infatti quella relativa alla disaggregazione dei dati chi-mici da inserire nel modello.

È da tenere presente che le metodiche di disaggregazione, se da una parte permet-tono di effettuare un’analisi più dettagliata, dall’altra necessariamente si basano suinformazioni derivate da conoscenze pregresse sul comportamento ambientale rile-vato nella zona.

Anche il miglior modello porta infatti a simulazioni la cui significatività non può maisuperare quella delle informazioni di partenza, essendo spesso notevolmente inferiore.

6.6 Assemblaggio del database

Gli otto meccanismi sopra specificati sono stati confrontati tra di loro nell’intento dicreare un database utile per identificare immediatamente, come già detto, il modellopiù adatto ai diversi possibili casi reali, nei casi in cui si intenda applicare uno dei sud-detti modelli di qualità dell’aria.

Nei meccanismi chimici, come già sottolineato, vengono sempre ipotizzate alcunesemplificazioni, per rendere gestibile dal punto di vista matematico la risoluzione deisistemi; tali ipotesi semplificative sono frutto anche delle particolari condizioni nellequali il modello è stato ideato, e possono essere conseguenza dello scopo che si desi-dera raggiungere.

Nello sviluppare il modello si deve tenere presente la realtà concreta in esame, rap-presentata dai dati sperimentalmente rilevati. Infatti questi possono suggerire il tipodi fenomeno che caratterizza l’ambiente; per esempio, se si ritiene che l’ozono sia l’in-dicatore di una situazione di cattiva qualità dell’aria, si svilupperà il modello in modotale da esaltare le reazioni che coinvolgono questo composto.

Per questo motivo risulta particolarmente interessante analizzare i meccanismi chi-mici, classificando le specie chimiche e le reazioni che vi compaiono; l’analisi è statacondotta grazie alla costruzione di un database, la cui struttura è descritta nel seguito.



1 6 8

6.6.1 Struttura del databaseIl database è costituito da due tabelle elaborate utilizzando il foglio elettronico Excel:

• nella prima tabella (t a b e l l a : elenco delle specie chimiche) vengono elencate tutte le spe-cie presenti nei meccanismi; alcune specie sono presenti in tutti i modelli nellastessa forma, altre sono sempre presenti ma vengono indicate in modi diversi, al-tre non vengono dappertutto considerate. In totale risultano individuate 224 spe-cie, ma non di tutte è identificabile in modo univoco il significato chimico.

• nella seconda tabella (tabella delle reazioni) sono riportate tutte le reazioni presentinei meccanismi considerati, classificate in base alle tipologie indicate nel seguito;si ottiene un elenco di 593 reazioni.

6.6.2 Tabella: elenco delle specie chimicheLa tabella è costituita da quattro colonne, così specificate:

• colonna 1: numero d’ordine della specie;• colonna 2: simbolo della specie (simbolo chimico o sigla particolare utilizzata al-

l’interno del meccanismo);• colonna 3: descrizione della specie;• colonna 4: indicazione del meccanismo in cui la specie è presente.Ciascun meccanismo viene identificato dal proprio numero d’ordine, cioè:• n° 1 = Seinfeld• n° 2 = CB IV (UAM)• n° 3 = SAPCR (Carter)• n° 4 = Dodge (1977)• n° 5 = CB III (1982)• n° 6 = ALW• n° 7 = Carbon Bond EX• n° 8 = RADM2Le specie chimiche presenti in ciascun meccanismo sono state così suddivise:

6.6.2.1 Chimica inorganica:a) composti azotatib) ossidantic) composti solforatid) composti del carbonio (CO, CO2)e) idrogenof) atomig) radicalih) specie presenti in abbondanza

6.6.2.2 Chimica organica:a) alcanib) alchenic) aromaticid) prodotti degli aromaticie) carbonili (aldeidi e chetoni)f) composti nitro-organici


1 6 9

g) perossidi e ossidi organicih) acidi organicii) radicali perossidi dagli alcanij) radicali dagli alcanik) radicali perossidi dagli alchenil) radicali perossidi dagli aromaticim) radicali dagli aromaticin) radicali perossidi con gruppi carbonilio) radicali nitro-organicip) composti intermediq) alcolir) eteris) gruppi non identificati

6.6.2.1 Osservazioni e note• le specie contenute nell’elenco dei “gruppi non identificati” appartengono soprat-

tutto al meccanismo n° 3 (SAPCR).• all’interno della prima tabella sono indicate delle note, invisibili sulla stampa ma

identificabili nel file grazie a un puntino rosso; per attivare le note e leggerne il testoè sufficiente aprire la Finestra informazionidi Excel, che si trova nel menù di schermoStrumenti - opzioni - finestra informazioni.

6.6.3 Tabella delle reazioniLa tabella è costituita da numerose colonne, suddivise in gruppi così specificati:

• gruppo 1: numero d’ordine della reazione;• gruppo 2: gruppo dei reagenti e dei coefficienti stechiometrici dei reagenti

(ci = coeff. stech. del reagente Ri, i =1,...3);• gruppo 3: gruppo dei prodotti e dei coefficienti stechiometrici dei prodotti

(ki = coeff. stech. del prodotto Pi, i =1,...10);• gruppo 4: indicazione del meccanismo in cui la reazione è presente;• gruppo 5: costante cinetica della reazione (espressa sia in unità cm, mol, s sia in

unità ppm, min)I gruppi sono identificabili all’interno del file grazie ai colori:• n° 1 = bianco• n° 2 = grigio• n° 3 = giallo• n° 4 = verde• n° 5 = azzurroLe reazioni presenti nei diversi meccanismi sono state classificate in base al criterio

precedentemente esposto per le specie, per cui sono presenti due blocchi principali; ilprimo contiene tutte le reazioni che coinvolgono i composti inorganici, il secondo ri-porta il chimismo dei composti organici.

Nel blocco che comprende le reazioni dei composti inorganici (primo blocco) esistesolo la distinzione tra le reazioni fotochimiche e le reazioni termiche.

Il secondo blocco, che riporta tutte le reazioni dei composti organici, è così suddiviso:a) reazioni fotochimiche



1 7 0

b) reazioni con OHc) reazioni con HO2

d) reazioni con Oe) reazioni con NOf) reazioni con NO2

g) reazioni con NO3

h) reazioni di decadimentoi) reazioni con O3

j) reazioni con O2

k) reazioni tra idrocarburil) reazioni con H2Om) reazioni con i composti solforatin) chimica degli operatori

6.6.3.1 Osservazioni e note• All’interno della tabella delle reazioni sono indicate delle note, invisibili sulla stam-

pa ma identificabili nel file grazie a un puntino rosso; per attivare le note e legger-ne il testo è sufficiente aprire la Finestra informazionidi Excel, che si trova nel menùdi schermo Strumenti - opzioni - finestra informazioni.

• Le note all’interno del file sono utili soprattutto per evidenziare anomalie quali lapresenza di coefficienti stechiometrici negativi e il mancato rispetto della stechio-metria delle reazioni; tali anomalie il più delle volte coesistono.

• Molte reazioni sono presenti in diversi meccanismi ma sono scritte in modo di-verso; spesso utilizzano coefficienti stechiometrici diversi.

• Le costanti di velocità delle reazioni termiche sono state calcolate per T = 298 K pertutti i meccanismi tranne il n° 8 (Stockwell), nel quale sono state calcolate per T =300 K.

• Le costanti di velocità delle reazioni fotochimiche non sono state calcolate per tutti imeccanismi; sono presenti solo le costanti del meccanismo n° 8 (Stockwell), calcolateper angolo zenitale pari a 40°, latitudine pari a 40°N e giorno dell’anno 21 giugno.

• Per il meccanismo n° 3 le costanti non sono disponibili.

6.7 Considerazioni

L’analisi del database prodotto mette in evidenza alcuni aspetti che rendono estre-mamente difficoltoso l’impiego di questi strumenti non solo a fini predittivi a bre-ve termine, ma anche quale punto di partenza per la elaborazione di strategie atte aridurre la concentrazione dei generatori di radicali liberi nell’atmosfera. Parte diquesti problemi derivano dalla struttura stessa dei modelli, parte dalla disponibi-lità di serie storiche di dati chimici e meteorologici effettivamente utilizzabili al fi-ne di tarare il modello stesso.

Per quanto concerne la struttura dei modelli chimici deterministici presi in conside-razione, è evidente la loro complessità derivante da un lato da un numero molto ele-vato di reazioni, dall’altro da un altrettanto elevato numero di pseudo-composti cheimplica l’integrazione di un pari numero di equazioni differenziali.


1 7 1

A ogni pseudo-reazione chimica è associata una costante cinetica che, nel caso deiprocessi fotochimici che stanno alla base del fenomeno oggetto della presente relazio-ne (smog fotochimico), è funzione di parametri meteorologici la cui conoscenza di-venta quindi di rilevanza fondamentale.

Le difficoltà di calcolo insite nella integrazione numerica di un numero di equazio-ni differenziali ha portato da un lato alla necessità di ridurre il numero di variabili(pseudo-composti presenti nel modello) e dall’altro a sviluppare procedure ampia-mente basate su ipotesi di meccanismo quasi stazionario in modo da sostituire a unnumero il più elevato possibile di equazioni differenziali delle equazioni algebriche lacui gestione risulta notevolmente semplificata.

La riduzione del numero di variabili, come riportato nei paragrafi precedenti, si ba-sa su interpolazioni del comportamento chimico dei composti effettivamente presen-ti nell’atmosfera; in alcuni casi si è supposto per esempio che le aldeidi (a esclusionedella formaldeide) si comportino tutte nel medesimo modo, in altri casi le aldeidi so-no state suddivise in due o tre classi diverse in funzione del numero di atomi di car-bonio costituenti. È ovvio che la scelta di fare uso di un modello più o meno semplifi-cato implichi potenzialità descrittive sensibilmente diverse che costituirebbero senzadubbio un vantaggio nel caso in cui la conoscenza sperimentale delle concentrazionidelle specie presenti nel modello fosse effettiva e che invece si traducono in un arbi-trario aumento dei gradi di libertà del modello stesso nel caso, molto più probabile averificarsi, di mancanza di tali dati.

La scelta delle modalità di clustering delle specie chimiche fa sì che reazioni formal-mente uguali possano presentare costanti cinetiche diverse in quanto il significato fi-sico associato ai composti che in esse compaiono non è il medesimo; questo implicaogni volta una taratura delle costanti cinetiche modello per modello.

A proposito della notevole rilevanza insita nelle scelte di clustering e dei gradi di li-bertà a esse associate, vale la pena di ricordare i risultati ottenuti da Dechaux et al. chehanno messo in evidenza, per tutti i modelli da loro presi in considerazione, la note-vole capacità di descrivere correttamente dati sperimentali forniti al modello in fase ditaratura (interpolazione), ma anche la limitata capacità di effettuare previsioni (estra-polazione) coerenti con i dati sperimentali.

D’altro canto, la possibilità di sviluppare modelli fortemente orientati a descrivereparticolari serie storiche di dati sperimentali (NO ed NO2 piuttosto che O3) in grado diporre in evidenza fenomeni specifici, messa in luce da Stockwell, pur implicando unascelta tanto delle reazioni da inserire nel modello quanto della importanza da attri-buire alla conoscenza a priori delle costanti cinetiche a esse associate, rappresenta sen-za dubbio una potenzialità che merita di essere tenuta presente.

Nella simulazione della qualità dell’aria nella città di Milano, sulla base dei dati attual-mente disponibili, sembra più realistico fermare l’attenzione sugli inquinanti primari.

Dall’analisi dei dati di inquinamento rilevati nella città, si osserva infatti che:• i valori di inquinamento misurati risentono fortemente della situazione del traffi-

co, soprattutto nelle zone del centro, in quanto le centraline sono poste a livello delpiano stradale;

• in conseguenza del primo punto (che comunque evidenzia lo stato della qualitàdell’aria respirata dalle persone) risulta notevolissimo dall’analisi il peso degli in-quinanti primari (NO, NO2), mentre non si rileva una forte presenza di O3;



1 7 2

• alti livelli di O3 si misurano a Limito, alla periferia della città.Nel caso di Milano pare dunque molto più appropriato un modello empirico di si-

mulazione dell’inquinamento, piuttosto che un complesso modello fotochimico, inquanto l’esigenza principale rimane quella di controllare gli inquinanti primari. La di-scussione dunque si concentra piuttosto sull’opportunità del controllo dei soli NOx oanche dei COV, che sono il motore della produzione di inquinanti secondari e quindidello smog fotochimico.

6.8 Conclusioni

Nel caso specifico di Milano e della zona omogenea i dati attualmente disponibiliper quanto concerne le specie organiche sono estremamente pochi sia per quantoconcerne i termini di generazione sia per quanto attiene alla loro concentrazionenell’atmosfera; questo implica la necessità di disaggregare più che di aggregare leinformazioni sui COV. Si sottolinea inoltre la scarsa conoscenza delle caratteristi-che quali-quantitative delle emissioni, fatto che rende problematico tanto definirele condizioni al contorno quanto disaggregare i COV al punto da renderli utilizza-bili da parte del modello.

Accanto a questi problemi, l’analisi dei dati ha messo in evidenza l’inadeguatezzadegli stessi al fine di un loro utilizzo su scala regionale, scala minima a cui i modelli at-tualmente disponibili possono essere ragionevolmente utilizzati a causa della ubica-zione delle centraline di rilevamento. Queste ultime sono infatti per la maggior parteposte a livello del piano stradale e in prossimità delle principali arterie di scorrimentodel traffico cittadino, per cui le specie chimiche rivelate sono da considerarsi primariee, pertanto, poco correlate per esempio con l’ozono. Fa eccezione la stazione di rileva-mento di Brera che, per essere localizzata relativamente lontano dalle sorgenti, mostrauna qualche correlazione indicativa di trasformazioni in atto, anche se ancora lontanedall’equilibrio. Questo fatto, per l’analisi dei dati della maggior parte delle centralinedi Milano (posizionate al suolo), rende praticamente inutile il modulo chimico inquanto i tempi caratteristici delle reazioni che coinvolgono i vari composti presenti inatmosfera sono ben superiori a quelli necessari affinché essi, dal punto di emissione,raggiungano il rilevatore.

A conferma di quanto sopra vi è il fatto che i dati raccolti evidenziano da un lato con-centrazioni elevate di NOx cui non corrispondono concentrazioni di O3 in linea conquanto prevedibile sulla base dei modelli chimici di tipo stazionario.

Questo è confermato dall’analisi statistica delle serie temporali relative agli ossidi diazoto e all’ozono.

Sulla base di queste considerazioni sembrerebbe quindi ragionevole impostare ilproblema previsionale come ricerca di correlazioni tra grandezze chimiche misu-rate e intensità del contributo delle diverse sorgenti, emissioni da traffico in primoluogo ed eventualmente emissioni da impianti di riscaldamento. In ogni caso, pro-prio a causa della scala spaziale e temporale del problema, l’applicazione di mo-delli di simulazione della fotochimica atmosferica tipo CALGRID non risulterebbedi grande utilità, se non in circostanze del tutto particolari, come nel caso di bloccolocale (isola di calore), per cui l’intera area metropolitana potrebbe essere conside-


1 7 3

rata racchiusa, a causa della presenza di inversioni termiche, in una “bolla” che an-nulli gli scambi di materia, e quindi di inquinanti, attraverso la superficie di con-torno. Solo in un tale ambiente isolato e supposto perfettamente miscelato, infatti,l’applicazione di un modulo chimico, quale quello di CALGRID, sarebbe giustifi-cata. Negli altri casi la predominanza dei termini di trasporto avvettivo suggeri-rebbe l’utilizzo di strumenti previsionali e di controllo strettamente locali, basatisul monitoraggio delle emissioni.

La struttura del modulo chimico di CALGRID è di per sé abbastanza elastica daconsentire un adattamento alla quantità e qualità dei dati disponibili sulle speciemisurate dalla rete di rilevamento; quando esso venga applicato a un caso di inver-sione totale (la “bolla” precedentemente menzionata), esso non necessita di infor-mazioni particolari sulle condizioni al contorno in quanto l’ambiente risulta assi-milato a un reattore discontinuo perfettamente miscelato. Nel caso, più realistico,di interconnessione tra zone diverse del dominio di studio, l’utilizzo di modelli ti-po UAM e CALGRID richiede invece informazioni relativamente dettagliate sulladistribuzione delle emissioni e sulle condizioni al contorno, la cui completezza e at-tendibilità deve essere attentamente valutata data la sua influenza sulla determi-nazione delle concentrazioni delle specie nello spazio e nel tempo. Le risposte otte-nute in questo caso sono relative a distribuzioni di ordine regionale, solitamente suarchi temporali annuali.


1 7 5

Riferimenti generali

Servizio Meteorologico Aeronautica Militare,Caratteristiche diffusive dei bassi strati dell’at-mosfera - Vol. 2, Lombardia.

Finzi, G., Brusasca, G. 1991. La qualità dell’aria:modelli previsionali e gestionali. Masson, Milano.

Fortina, L., Capodaglio, A. G., Baldi, M., Valen-ti, N. 1993. Modello matematico di diffusione ericaduta delle emissioni gassose ConvenzioneAgipRaffinazione - Amministrazione Comunaledi Sannazzaro de’ Burgondi, PROGETTO AM-BIENTE 1991-1993. Università degli Studi di Pa-via, Dip. di Ingegneria Idraulica e Ambientaledella Facoltà di Ingegneria.

Giuliacci, M. 1989. Climatologia statica e dinami -ca della Val Padana. CNR.

Seinfeld, J.H. 1986. Atmospheric Chemistry andPhysics of Air Pollution. John Wiley & Sons.

Stern, A.C. 1962. Air pollution. Academic press,New York.

Vismara, R. 1989. Ecologia Applicata. Hoepli.

Zannetti, P. 1990. Air Pollution Modeling .Computational Mechanics Publication,S o u t h a m p t h o n .

Chimica dell’atmosfera

Fenomeni di trasporto

Fortezza F. et al.1993. Transport of photochemi-cal oxidants along the northwestern adriaticcoast. Atmos. Env., Vol. 27/A, 15, 2393-2402.

Chimica nella troposfera

Becker, K. H. et al. 1993. Studies on the forma-tion of H2O2 in the ozonolysis of alkenes. Atmos.Env., Vol. 27/A, 1, 57-61.

Blatchley, E. R. et al. 1993. Evaluation of ozone-alkylpyridine reaction kinetics using spectro-scopic measurements.Atmos. Env., Vol. 27/A, 1,113-116.

Berbach, A. et al.1994. Atmospheric chemistry ofunsaturated carbonyls: Butenedial, 4-oxo-2-pen-tenal, 3-Hexene-2, 5-Dione, Maleic Anhydride, 3H-Furan-2-one, and 5-Methyl-3H-furan-2-one.Environ. Sci. Technol., Vol. 28, 715-729.

Cape, J. N. et al. 1993. The reaction of nitrogendioxide at low concentrations with natural wa-ters. Atmos. Env. Vol. 27/A, 16, 2613-2621.

De Bock, L. A. et al. 1994. Individual aerosolparticle composition variations in air massescrossing tho North Sea. Environ. Sci. Technol. ,Vol. 28, 1513-1520.

Edney, E. O. et al. 1994. Laboratory investiga-tions of interactions of irradiated o-x y l e n e / N Ox/ S O2 air mixtures with aqueousmedia containing sodium fluoride, sodium tri-fluoroacetate, ammonium nitrate and hydrogenperoxide Atmos. Env. Vol. 28, No. 6, 1189-1196.

Faust, B. C. et al. , 1994. Photochemistry ofclouds, fogs, and aerosols. Environ. Sci. Technol. ,Vol. 28, 5, 217/A.

Grosjean, D. et al. 1994. Atmospheric chemistryof olefins: a product study of the ozone-alkenereaction with cyclohexane added to scavengeOH. Environ. Sci. Technol., Vol. 28, 186-196.

Bibliografia



1 7 6

Harrison, R. M. et al. 1994. Atmospheric chemi-cal transormations of nitrogen compoundsmeasured in the North Sea experiment, Septem-ber 1991. Atmos. Env., Vol. 28, 9, 1593-1599.

Holzmann, M. et al. 1994. On the pressure de-pendence of the NO2 product yield in the reac-tion of NO 3 radicals with selected alkenes. A t -mos. Env., Vol. 28, 16, 2677-2683.

Horst, E. et al. , 1994. Kinetics and mechanismof the oxidation of sulfur (IV) by peroxomono-sulfuric acid anion. Atmos. Env., Vol. 28, 3,4 4 3 - 4 4 8 .

Kelly, T. J. et al., 1994. Concentrations and tran-sformations of hazardous air pollutant. E n v i r o n .Sci. Technol., Vol. 28, 8, 378/A.

Kirchner, F., Stockwell, W. R. 1996. Isopreneand terpene oxidation mechanisms in BorrellP.M., Borrell P., Seiler W. (eds.) Proceedings ofthe EUROTRAC Symposium 1996.

Kutsuna, S. et al. 1993. Heterogeneous photo-chemical reactions between volatile chlorinatedhydrocarbons (trichloroethene and tetrachlo-roethene) and titanium dioxide. Atmos. Env.,Vol. 27/A, 4, 599-604.

Kwok, E.S.C. et al. 1994. Reactions of gas-phasephenanthrene under simulated atmosphericc o n d i t i o n s. Environ. Sci. Technol., Vol. 28, 521-527.

Lagrange, J. et al. 1993. Electrolyte effects onaqueous atmospheric oxidation of sulfur dioxi-de by hydrogen peroxide. Atmos. Env., V o l .27/A, 2, 129-137.

Mozurkewich, M. 1993. The dissociation con-stant of ammonium nitrate and its dependenceon temperature, relative humidity and particlesize. Atmos. Env., Vol. 27/A, 2, 261-270.

Seigneur, C. et al. 1994. A chemical kinetic me-chanism for atmospheric inorganic mercury.Environ. Sci. Technol., Vol. 28, 1589-1597.

Skov, H. et al. 1994. Epoxide formation in thereactions of the nitrate radical with 2,3-di-methyl-2-butene, cis- and trans-2-butene andi s o p r e n e.Atmos. Env., Vol. 28, 9, 1583-1592.

Fonti di inquinanti

Altshuller, A. P. 1993. Production of aldehydesas primary emissions and from secondary at-mospheric reactions of alkenes and alkanes du-ring the night and early morning hours. Atmos.Env., Vol. 27/A, 1, 21-32.

Ciccioli, P. et al. 1993. Ubiquitous occurren-ce of semi-volatile carbonyl compounds intropospheric samples and their possibles o u r c e s. Atmos. Env., Vol. 27/A, 12, 1891-1 9 0 1 .

Hildemann, L. M. et al. 1994. Sources of urbancontemporary carbon aerosol. Environ. Sci. Te -chnol., Vol. 28, 6: 1565.

Miller, C. A. et al. 1994. Emissions of organichazardous air pollutants from the combustionof pulverized coal in a small-scale combustor.Environ. Sci. Technol., Vol. 28, 1150-1158.

Westerholm, R. et al. 1994. A multivariate sta-tistical analysis of fuel-related polycyclic aro-matic hydrocarbon emissions from heavy-duty diesel vehicles ., Environ. Sci. Technol.,Vol. 28, 965-972.

Processi di rimozione

Bartell, U. et al., 1993. COS and H2S fluxes over awet meadow in relation to photosynthetic acti-vity: an analysis of measurements made on 6september 1990. Atmos. Env., Vol. 27/A, 12,1851-1864.

Lee, D. S., 1993. Spatial variability of urban pre-cipitation chemistry and deposition: statisticalassociation between constituents and potentialremoval processes of precursor species . A t m o s .Env., Vol. 27/B, 3, 321-337.

Proprietà dei composti e delle particelle

Grosjean, D. et al., 1994. Peroxysobutyryl nitra-te. Environ. Sci. Technol., Vol. 28, 167-172.

Johnson, B. J. et al. , 1994. Seasonal trends ofnitric acid, particulate nitrate, and particulatesolfate concentrations at a southwestern USmountain site. Atmos. Env., Vol. 28, 6, 1175-1 1 7 9.


1 7 7

Pei-Ming Wu et al., 1994. Nature of coarse nitra-te particles in the atmosphere - a single pacticeapproach. Atmos. Env., Vol. 28, 12, 2053-2060.

Russel, A., Milford, J., Bergin, M. S., MacBrideS. , MacNair, L., Yang, Y., Stockwell, W. R.,Croes, B. 1995. Urban Ozone Control and At-mospheric Reactivity of Organic Gases, Science,Vol. 269.

Simonic, S. L. et al.1994. Vegetation-atmosphe-re partitioning of polycyclic aromatic hydrocar-bons. Environ. Sci. Technol., Vol.28, 939-943.

Venkataraman, C. et al. 1994. Size distributionof Polycyclic Aromatic Hydrocarbons and Ele-mental Carbon. 2. Ambient Measurements andeffects of atmospheric processes., Environ. Sci.Technol., Vol. 28, 563-572.

Yang, Y. J. , Stockwell, W. R., Milford, I. B.,1 9 9 5 . Uncertainties in Incremental Reactivitiesof Volatile Urban Compounds. Environ. Sci. Te -ch., Vol. 29.

Yokouchi, Y.1994. Seasonal and diurnal variationof isoprene and its reaction products in a semi-ru-ral area. Atmos. Env., Vol. 28, 16, 2651-2658.

Misure e metodi di misura

Balsley, B. B. et al. 1994. Vertical Profiling of theatmosphere using high-tech kites. Environ. Sci.Technol., Vol. 28, 9, 422/A.

Bezuglaya, E. Yu. et al.1993. Air pollution indexand interpretation of measurements of toxicpollutant concentrations Atmos. Env. , Vol.27/A, 5, 773-779.

Blanchard, C. L. et al.1993. Precipitation-chemi-stry measurements from the california acid de-position monitoring program, 1985-1990. A t -mos. Env., Vol. 27/A, 11, 1755-1763, 1993.

Cadle, S. H. et al. 1994. Remote sensing of vehi-cle exhaust emissions. Environ. Sci. Technol. ,Vol. 28, 6.

Farmer, C. T. et al. 1994. Continuous hourlyanalysis of C 2- C1 0 Non-Methane HydrocarbonCompounds in Urban Air by GC-FID. E n v i r o n .Sci. Technol., Vol. 28, 238-245.

Hart, K. M. et al. 1994. High volume air samplerfor particle and gas sampling. 2. Use of backupfilters to correct for the adsorption of gas-phasepolycyckic aromatic hydrocarbons to the frontfilter. Environ. Sci. Technol., Vol. 28, 655-661.

Henry, R. C. et al. 1994. Vehicle related hydro-carbon source compositions from ambient data:the GRACE-SAFER method. Environ. Sci. Tech -nol., Vol. 28, 823-832.

Huang, X. et al. 1994. Emissions of trace ele-ments from motor vehicles: potential markerelements and source composition profile. A t -mos. Env., Vol. 28, 8, 1385-1391.

Krieger, M. S. et al., 1994. Measurement ofpolychlorinated biphenyls and polycyclic aro-matica hydrocarbons in air with a diffusiond e n u d e r. Environ. Sci. Technol., Vol. 28, 1129-1133.

Lamb, D. et al. , 1994. Comparability and preci-sion of maps and NADP/NTN precipitation che-mistry data at an acidic site in eastern north ame-r i c a.Atmos. Env., Vol. 27/A, No. 13, 1993-2008.

Lawrence, J. E. et al. 1994. Measurement of at-mospheric formic and acetic acids: methodsevaluation and results from field studies. Envi -ron. Sci. Technol., Vol. 28, 957-964.

Marshall, T. L. et al. 1994. An introduction toopen-path FT-IR atmospheric monitoring. E n v i -ron. Sci. Technol., Vol. 28, 5, 224/A.

McElroy, J. L. et al. 1993. Creation and fate ofozone layers aloft in Southern California. A t -mos. Env., Vol. 27/A, 12, 1917-1929.

Muradov, N. Z., 1994. Spectrophotometricmethod for nitroglycerine analysis in air. E n v i -ron. Sci. Technol., Vol. 28, 388-393.

Parrish, D. D. et al. 1994. Routine, continuousmeasurement of carbon monoxide with partsper billion precision. Environ. Sci. Technol., Vol.28, 1615-1618.

Schorran, D. E. et al., 1994. Semicontinuousmethod for monitoring SO2 at low Parts-per-trillion concentrations. Environ. Sci. Technol.,Vol. 28, 1307-1311.



1 7 8

Spicer, C. W. et al. 1994. A Laboratory in thesky. Environ. Sci. Technol., Vol. 28, 6, 412/A.

Voyksner, R. D.1994. Atmospheric pressure ioniza-tion LC/MS.Environ. Sci. Technol., Vol. 28, 3, 118/A.

Wienke, D. et al.1994. Visual neural mapping te-chnique for locating fine airborne particles sour-ces. Environ. Sci. Technol., Vol. 28, 1015-1022.

Ying Xie et al. 1994. Airborne particle classifica-tion with a combination of chemical composi-tion and shape index utilizing an adaptive reso-nance artificial neural work. Environ. Sci. Tech -nol., Vol. 28, 1921-1928.

Studi particolari

Brian, K. E. et al. A characterization of the spa-tiotemporal variability of non-urban ozone con-centrations over the easternunited states. A t -mos. Env., Vol. 27/A, 16, 2645-2668.

Colvile, R. N. et al. Observation on great dun fell ofthe pathways by wich oxides of nitrogen are con-verted to nitrate. Atmos. Env., V o l. 28, 3, 397-408.

Friedlander, S. K. et al. 1994. Revising the parti-culate ambient air quality standard . E n v i r o n .Sci. Technol., 3, 148/A.

Grousset, F. E. et al. Transient Pb isotopic signa-tures in the Western European atmosphere. En -viron. Sci. Technol., Vol. 28, 1605-1608.

Jacoby, W. A. et al. 1994. Products, intermedia-tes, mass balances, and reaction pathways forthe oxidation of trichloroethylene in air via he-terogeneous photocatalysis. Environ. Sci. Tech -nol., Vol 28, 1661-1668.

Modellistica

Emissioni da traffico

Alexopoulos, A. et al. 1993. Model for trafficemissions estimation. Atmos. Env., Vol. 27/B, 4,435-446.

Eerens, H. C. et al. 1993. The car model: the Dut-ch method to determine city street air quality.Atmos. Env., Vol. 27/B, 4, 389-399.

Seiler, W., Hahn, J., Scoenemeyer, Th. 1 9 9 6 .Contribution of Traffic Emissions to the Forma-tion and Distribution of Surface Ozone. In: Bor-rell, P.M., Borrell, P., Seiler, W. (eds.). Procee-dings of the EUROTRAC Symposium 1996.

Zhang, Y. et al. 1994. Automobile emissions arestatistically g-distributed. Environ. Sci. Technol.,Vol 28, 1370-1374.

Modelli e applicazioni

Allott, R. W. et al. 1994. A model of environ-mental behaviour of contaminated dust and itsapplication to determining dust fluxes and resi-dential times. Atmos. Env., Vol. 28, 4, 679-687.

Catenacci, G. et al. 1995. Utilizzo di un modellofotochimico per lo studio della dispersione diinquinanti reattivi in atmosfera. Atti del conve-gno “Pollution in large cities”, Padova.

Chock, D. P. et al. 1994. A comparison of advec-tion algorithms coupled with chemistry. Atmos.Env., Vol. 28, 16, 2659-2675.

Christakos, G. et al. 1993. The intrinsic randomfield model in the study of sulfate deposition pro-cesses. Atmos. Env., Vol. 27/A, 10, 1521-1540.

Cirillo, M. C., e Cagnetti, O. 1982. DIMULA -Modello di DIffusione MULtisorgente Atmosferica.ENEA RT2/STUDI/VALSAMB(82)8.

De Valk, J. P. J. M. M. 1994. A model forcloud chemistry: a comparison between modelsimulations and observations in stratus andcumulus. Atmos. Env., Vol. 28, 9, 1665-1678.

Derwent, R. G. et al. 1994. Modeling the impactof NOx or hydrocarbon control on photochemi-cal ozone in Europe. Atmos. Env., Vol. 28, 12,2039-2052.

Fekete, K. E. et al.1993. Regional scale transportmodel for ammonia and ammonium. A t m o s .Env., Vol. 27/A, 7, 1099-1104.

Fujita, E. M. et al. 1994. Validation of the chemi-cal mass balance model applied to hydrocarbonsource apportionment in the Southern Califor-nia air quality study. Environ. Sci. Technol., Vol.28, 1633-1649.


1 7 9

Gronskei, K. E. et al., 1993. Evaluation of a mo-del for hourly spatial concentration distribu-tions. Atmos. Env., Vol. 27/B, 1, 105-120.

Harley, R. A. et al. 1994. Modeling the concen-trations of gas-phase toxic organic pollutants:direct emissions and atmospheric formation.Environ. Sci. Technol., Vol. 28, 88-98.

Kirchner, F., Stockwell, W. R. 1996. A RevisedGas-phase Chemical Mechanism for RegionalAir Quality Modeling. In: Borrell, P.M., Borrell,P., Seiler, W. (eds.). Proceedings of the EURO-TRAC Symposium 1996.

Jiang, D. et al. 1993. An eulerian model for aslowly moving cold frontal system with sulfurchemistry: model description and application.Atmos. Env., Vol. 27/A, 16, 2623-2644.

Middleton, P., Stockwell, W. R., Carter, W. P. L.1990. Aggregation and Analysis of Volatile Orga-nic Compound Emissions for Regional Model-ling. Atmos. Env., Vol. 24A(5) I, V. non, 1107-1133.

Padro, J. 1993. Seasonal contrasts in modelledand observed dry deposition velocities of O3,S O2 and NO 2 over three surfaces. Atmos. Env.,Vol. 27/A, 6, 807-814.

Pankov, J. F. 1993. A simple box model for theannual cycle of partitioning of semi-volatile or-ganic compound between the atmosphere andthe earth’s surface. Atmos. Env., Vol. 27/A, 7,1139-1152.

Scire, J. S., Insley, E. M., Yamartino, R. J. 1990.Model Formulation and User’s Guide for theCALMET Meteorological Model, California AirResource Board, report n° A025-1.

Scire, J. S., Yamartino, R. J., Carmichael, G. R.,Chang, Y. S. 1989. CALGRID:A mesoscale Pho-tochemical Grid Model. Volume II: User’s Gui-de. Appendicies, Final Report on Contract A6-215-74 for the California Air resource Board, Sa-cramento, CA.

Scire, J. S., Yamartino, R. J., Carmichael, G. R.,Chang, Y. S. 1989. CALGRID: A mesoscale Pho-tochemical Grid Model. Volume II: User’s Gui-de., Final Report on Contract A6-215-74 for theCalifornia Air resource Board, Sacramento, CA.

Scire, J. S., Yamartino, R. J., Strimaitis, D. G.1990. Model formulation and User’s guide forthe CALPUFF dispersion model. Report No.A025-2 prepared for CARB.

Stockwell, W. R., Middleton, P., Chang, J.S.1990. The second generation acid depositionmodel chemical mechanism for regional airquality modelling. Journal Geophys. Res., Vol.95(D10), 16343-16367.

Stockwell, W. R. 1996. Chemical Modelling ofPollutants: current Status and Limitations. I n :Proceedings, 3rd Symposium on Traffic InducedAir Pollution.

Stockwell, W. R., Kirchner, F., Milford, J. B.1996. Sensitivity and Uncertainty in Mechani-sms for Atmospheric Chemistry. In: Borrell,P.M., Borrell, P., Seiler, W. (eds.) Proceedings ofthe EUROTRAC Symposium 1996.

Weihs, D. et al. 1993. An approximate model ofatmospheric plumes produced by large area fi-res. Atmos. Env., Vol. 27/A, 1, 73-82.

Aspetti matematici

Gong, W. et al. 1993. A numerical scheme forthe integration of the gas-phase chemical rateequations in three-dimensional atmosphericmodels. Atmos. Env., Vol. 27/A, 14, 2147-2160.

Jacobson, M. Z. et al. 1994. SMVGEAR: a spar-se-matrix vectorized gear code for atmosphericmodels. Atmos. Env., Vol. 28, 2, 273-284.

Studi di sensitività dei modelli

De Valk, J. P. J. M. M. et al. 1994. A modelfor cloud chemistry processes suitable foruse in long range transport models: a sensiti-vity study. Atmos. Env., Vol. 28, 9, 1653-1663.

Dechaux, J. C. et al. 1994. Sensitivity analysis ofthe requirement of rate coefficients for the ope-rational models of photochemical oxidants for-mation in the troposphere. Atmos. Env., Vol. 28,2, 195-211.

Dowdell, D. C. et al. 1994. An investigation intothe sensitivity of the atmospheric chlorine andbromine loading using a globally averaged

mass balance model. Atmos. Env., Vol. 28, 12,1989-1999.

Maryon, R. H. et al. 1994. Diffusion in alagrangian multiple particle model: a sensiti-vity study. Atmos. Env., Vol. 28, 12, 2019-2038.

Roelofs, G. J. H.1993. A cloud chemistry sensi-tivity study and comparison of explicit andbulk cloud model performance. Atmos. Env.,Vol. 27/A, 15, 2255-2264.

Sanders, K. et al. 1993. A simple method toasses the susceptibility of polynuclear aroma-tic Hydrocarbons to photolytic decomposition.Atmos. Env., Vol. 27/A, 2, 139-144.

Vilà-Guerau de Arellano, J. et al. 1993. An ob-servational study on the effects of time and spa-ce averaging in photochemical models. A t m o s .Env., Vol. 27/A, 3, 353-362.

Zimmerman, V. 1989. Simulation numériquede la formation de l’ozone et des oxydants pho-tochimiques dans la troposphère: validationd’un modèle physico-chimique et étude des ca-ractéristiques structurales et cinetiques des mé-canismes chimiques associés. Tesi per ottenereil titolo di Dottore in Chimica, Università diScienza e Tecnica di Lilla.

Casi particolari

Cheng Kang Li et al. 1993. The use of polycyclicaromatic hydrocarbons as source signatures inreceptor modeling. Atmos. Env., Vol. 27/A, 4,523-532.

Kocifaj, M. 1994. Solving the diffusion of solar ra-

diation in the atmosphere and identifying the ae-rosol structure. Atmos. Env., Vol. 28, 5: 777-783.

Sanchez, M. L. et al. 1994 Application of discri-minant analysis to interpret the behaviour ofphotochemical oxidants in an urban area. A t -mos. Env., Vol. 28, 6, 1147-1157.

UAM e modelli EPA

Guideline on Air Quality Models (revised) .EPA-450/2-78-027R.

Procedures for applying city-specific E K M A .EPA-450/4-89-012.

Scheffe, R. D. et al. 1993. A review of the deve-lopment and application of the urban airshedmodel. Atmos. Env., Vol. 27/B, 1, 23-39.

Shengxin Jin et al. 1993. A fotochemical boxmodel for urban air quality study. Atmos. Env.,Vol. 27/B, 4, 371-387.

Wilson, R. B.1993. Review of development andapplication of CRSTER and MPTER models. A t -mos. Env., Vol. 27/B, 1, 41-57.

Generalità sui modelli

Hansen, D. A. et al. 1994. The quest for an ad-vanced regional air quality model. Environ. Sci.Technol., Vol. 28, 2, 71/A.

Confronto fra modelli

Chock, D. P. et al. 1994. Comparison of stiff che-mistry solvers for air quality modeling. E n v i r o n .Sci. Technol, Vol. 28, 1882-1892.

DA T ID I I N Q U I N A M E N T OA T M O S F E R I C O D E L L’A R E A M E T R O P O L I T A N AM I L A N E S E

E M E T O D O L O G I E P E R L AG E S T I O N E D E L L AQ U A L I T ÀD E L L ’A R I A

1 8 0

Capitolo 7

Applicazione del modelloCALGRID all’area urbana di Milano

Giovanna Finzi



1 8 2

Sommario

Esperienze recentemente effettuate in diversi paesi hanno evidenziato l’importanza dell’utiliz -zo dei modelli matematici per quantificare le relazioni esistenti tra le emissioni dei precursori ele concentrazioni in aria dei prodotti secondari, anche allo scopo di poter valutare l’impatto dieventuali interventi di riduzione delle emissioni degli inquinanti primari su quel complesso in -sieme di composti che caratterizzano le situazioni di acuto inquinamento fotochimico.

In questo contesto il capitolo presenta un’applicazione preliminare del modello CALGRID aun’ampia zona centrata sull’area metropolitana milanese. Lo scopo principale che si è postaquesta attività è stato quello di valutare la possibilità di utilizzare correttamente un modellomatematico per ricostruire lo “stato attuale della qualità dell’aria nel contesto metropolitanomilanese”, in modo da valutarne il possibile utilizzo come strumento di pianificazione di stra -tegie di controllo.

7.1 Introduzione

L’inquinamento fotochimico nelle aree urbane italiane, e in particolare in quellelombarde, ha assunto, negli ultimi anni, una sempre maggiore rilevanza ambienta-le, sfiorando spesso i contorni di una vera e propria situazione di emergenza. Lacomplessità dei fenomeni che caratterizzano tali situazioni richiede un elevato gra-do di conoscenza delle cause, degli effetti e delle loro mutue interazioni per garan-tire efficaci strategie di intervento, finalizzate al risanamento dell’atmosfera urbanae delle aree circostanti.

A tale scopo è fondamentale disporre innanzitutto di un’efficiente rete di monito-raggio, in grado non solo di fotografare lo stato attuale della qualità dell’aria, ma an-che di gettare una luce sui meccanismi che governano la dinamica degli inquinanti. Lapianificazione delle azioni di risanamento tuttavia non può prescindere anche da unadettagliata conoscenza del quadro emissivo e dal ruolo che le condizioni meteorolo-giche giocano su trasporto, diffusione, trasformazione e rimozione degli inquinanti.

Esperienze recentemente effettuate in diversi paesi, in comprensori con dimensionie problematiche analoghe a quello milanese, hanno evidenziato l’importanza dell’u-tilizzo dei modelli matematici per quantificare le relazioni esistenti tra emissioni deiprecursori e concentrazioni in aria dei prodotti secondari, e per poter successivamen-te valutare l’impatto di interventi programmati (per esempio: riformulazione dei com-bustibili, gestione della mobilità, decentramento dei poli di attrazione, pianificazionedelle scelte energetiche).

In questo contesto si è provveduto alla implementazione e all’applicazione prelimi-nare di un modello di dispersione-trasformazione di inquinanti nell’area milanese(CALGRID), individuato sulla base degli elementi acquisiti nella ricerca volta alla rea-lizzazione del sistema di supporto alla scelta di modelli deterministici per la gestionedell’inquinamento atmosferico in ambiente urbano descritta nel Capitolo 5. Lo scopoprincipale di questa attività è stato quello di valutare la possibilità di utilizzare corret-tamente un modello matematico per ricostruire lo “stato attuale della qualità dell’arianel contesto metropolitano milanese”, in modo da poterlo poi utilizzare come stru-mento di pianificazione di strategie di controllo.

Capitolo 7 APPLICAZIONEDELMODELLO CALGRID ALL’AREAURBANA DI MILANO

1 8 3

7.2 Il modello CALGRID

Il modello CALGRID è stato valutato come il più idoneo per la situazione in esame inbase alle seguenti considerazioni:

• oltre alla facilità di reperimento del programma, esso offre la possibilità di acce-dere facilmente al codice per comprenderne a fondo il funzionamento, oltre cheper apportarvi eventuali piccole modifiche. Inoltre la struttura del codice è realiz-zata secondo criteri di modularità che, oltre a facilitarne la comprensione, rendo-no possibili future aggiunte di parti senza cambiarne la struttura;

• visto che la ricerca si proponeva di rappresentare un primo approccio al problemadell’inquinamento fotochimico urbano, si è ritenuto utile concentrare l’attenzionesulla chimica in fase gassosa, rimandando a eventuali studi successivi l’approfon-dimento della parte riguardante le reazioni in fase eterogenea. Nonostante questeesigenze di semplicità, si è cercato comunque di reperire un prodotto abbastanzacompleto e con buoni schemi numerici;

• date le dimensioni dell’area in esame, ci si è indirizzati verso un modello in gradodi rispondere alle esigenze delle problematiche di scala regionale;

• si è giudicata favorevolmente l’esistenza di preprocessori meteorologico (CAL-MET) e chimico (PREPEMIT) che generassero in uscita dei file in formato compa-tibile con CALGRID, senza bisogno di ulteriori elaborazioni;

• è stata valutata la possibilità di far funzionare il modello su una macchina di me-die dimensioni (IBM Risc 6000) senza impiegare tempi di calcolo esageratamentealti (per una simulazione di 120 ore su una griglia di 25x25x10 celle il tempo im-piegato è stato di circa 15 ore).

7.2.1 Caratteristiche del modelloCome visto nel Capitolo 5, il modello CALGRID appartiene alla classe dei modelli eu-leriani che sono basati sulla conservazione della massa espressa in funzione del tempoe delle coordinate di un sistema di riferimento fisso. In questi modelli il trasporto e ladiffusione degli inquinanti viene descritto mediante un’equazione differenziale che siottiene formulando in linguaggio matematico questa legge di conservazione e si risol-ve con diverse tecniche numeriche, spesso dopo aver introdotto varie ipotesi di sem-plificazione.

Una importante semplificazione introdotta dal modello CALGRID è quella di de-scrivere in modo separato fenomeni che nella realtà avvengono contemporaneamen-te, in quanto la loro trattazione simultanea darebbe luogo a un sistema di equazioni lacui soluzione risulterebbe difficile da un punto di vista numerico e onerosa in terminidi tempo di calcolo e di memoria occupata, risultando così intrattabile per una mac-china di normali dimensioni.

Esistono varie tecniche di “scissione” o splitting per limitare gli errori numerici cheinevitabilmente si introducono con tale approssimazione. Esse consistono in partico-lari accorgimenti riguardo all’ordine di integrazione delle varie componenti, o a par-ticolari scomposizioni del passo temporale di integrazione.

Nel modello CALGRID viene adottato lo schema di splitting suggerito da Marchuk(1975):

Cn+1 = Axy Az Ac Ac Az Axy Cn



1 8 4

dove:Cn = concentrazione al passo n-esimoAxy = operatore di trasporto e diffusione orizzontaleAz = operatore di trasporto e diffusione verticale, deposizione e sorgenteAc = operatore chimico

A ogni passo temporale vengono eseguiti in sequenza i tre operatori per una duratapari a metà del passo temporale e successivamente essi vengono eseguiti in ordine in-vertito per il tempo rimanente. Questo accorgimento permette l’eliminazione di erro-ri del primo ordine, fornendo al modello una precisione del secondo ordine per quan-to riguarda il passo temporale.

La lunghezza del passo temporale deve essere stabilita all’inizio della simulazionein modo da rispettare, per tutta la sua durata, la condizione:

ν =∆t

≤ 1∆x

dove (v) è il massimo valore della velocità media del vento che si riscontra durantela simulazione, (t) è la durata del passo temporale, che corrisponde alla metà di quel-lo su cui viene operato lo s p l i t t i n g degli operatori, e (x) è la lunghezza del lato delle cel-le della griglia, che per CALGRID devono essere quadrate.

7.2.1.1 Il trasporto e la diffusione orizzontalePer il calcolo dei coefficienti di diffusione orizzontale vengono offerte dal modelloquattro opzioni:

1. fornire in ingresso al modello un valore di diffusività diverso, fissato a priori, perognuna delle classi di stabilità atmosferica di Pasquill-Gifford;

2. come il metodo 1, corretto moltiplicando i coefficienti così ottenuti per la velocitàmedia del vento;

3. diffusività calcolate secondo il metodo di Smagorinsky che tiene conto dell’in-fluenza, sulla diffusione orizzontale, delle variazioni spaziali del campo di ventoorizzontale:

K = α02 |∆|∆t con α0 = 0,28

|D| = [(∂ν+

∂u)+(∂u +

∂ν)2]1/2

∂x ∂y ∂x ∂y

4. somma delle diffusività ottenute con i metodi 2 e 3.

7.2.1.2 Il trasporto e la diffusione verticaleIl modello utilizza un sistema di coordinate che segue l’andamento della superficie(terrain following), per poter trattare località con orografia complessa; se chiamiamo


1 8 5

(Z) la quota nel sistema di riferimento e (z) la quota assoluta sul livello del mare, sih a :

Z(x, y) = z(x, y) - h(x, y)

in cui h(x,y) rappresenta la quota del terreno sul livello del mare.Per quanto riguarda le modalità di suddivisione verticale della griglia il modello

prevede tre opzioni:1. numero prefissato di livelli, con spaziatura uniforme, al di sopra e al di sotto del-

l’altezza di rimescolamento; poiché questa varia di ora in ora e da una cella all’altra,i livelli vengono ricalcolati a ogni ora di simulazione e sono variabili nello spazio;

2. suddivisione automatica dei livelli con andamento verticale logaritmico;3. suddivisione arbitraria stabilita all’inizio della simulazione, costante nello spazio

e nel tempo.In tutti e tre i casi il primo livello termina alla quota di 20 m da terra, per consentire

una corretta trattazione della deposizione secca nello strato superficiale.A causa dell’utilizzo del sistema di coordinate terrain following, la componente ver-

ticale del vento da utilizzare nell’equazione differenziale (W) non è sempre pari allacomponente verticale reale (w), ma deve essere corretta per tenere conto del contribu-to al trasporto verticale della componente orizzontale della velocità del vento la qualepuò generare, a causa del terreno complesso, spostamenti di massa tra diversi livelliverticali della griglia:

W = w - u ∂h

- ν∂h

∂x ∂y

Inoltre gli spessori dei vari livelli verticali possono variare nel tempo e nello spazio,a causa delle variazioni spazio-temporali dell’altezza di rimescolamento e quindi puòessere necessario sommare alla velocità così ottenuta le pseudo-velocità dovute a que-ste variazioni.

Per la componente verticale la diffusione è predominante rispetto al trasporto e ri-chiede quindi una particolare attenzione nella sua parametrizzazione. In CALGRIDviene utilizzata, a questo proposito, la schematizzazione suggerita da Holtslag eNieuwstadt (1986).

7.2.1.3 Emissione di inquinantiCon CALGRID è possibile prendere in considerazione emissioni puntiformi e areali.Le emissioni puntiformi possono essere fisse o mobili (per esempio i camini delle na-vi) e quelle fisse possono essere a loro volta cicliche (con cicli giornalieri e settimanali)o variabili nel tempo in maniera arbitraria.

Per tutte le sorgenti puntuali viene calcolato il sovrainnalzamento del pennacchiomediante le formule di Briggs, quindi viene attribuito all’emissione un diametro diapertura verticale pari a 1,2 volte il sovrainnalzamento e l’inquinante viene subito di-luito nelle celle in cui si colloca il pennacchio alla fine di queste operazioni .

Questa diluizione può provocare una sottostima o una sovrastima delle concentrazioninelle celle adiacenti all’emissione, il che costituisce un problema per tutti i modelli a griglia.



1 8 6

Le emissioni areali possono essere distribuite su più livelli con flussi di inquinantedifferenti e per esse non viene calcolato il sovrainnalzamento.

7.2.1.4 Deposizione seccaLa deposizione secca è un processo di rimozione fisica dell’inquinante, caratteristicodello strato più basso dell’atmosfera (qualche decina di metri di profondità), dovutoalla capacità della superficie di trattenere molecole di gas e particelle solide. La depo-sizione è legata soprattutto alle caratteristiche della superficie (natura e rugosità) edella vegetazione eventualmente presente, alle proprietà dell’inquinante e alle condi-zioni atmosferiche.

Il fenomeno può essere quantificato molto semplicemente come:

Fs = Cs • νds

dove F s [ g / m2 s] rappresenta il flusso di inquinante rimosso, Cs [ g / m3] è la con-centrazione della specie s in prossimità del suolo e vd s [m/s] è la velocità di deposi-z i o n e .

CALGRID offre diverse opzioni per il calcolo delle velocità di deposizione delle va-rie specie chimiche:

1. la specie non viene depositata;2. la specie viene depositata come un gas e vds è calcolata con un modello a resisten-

za descritto più avanti;3. la specie viene depositata come particolato e vds è calcolata con il modello a resi-

stenza;4. la velocità di deposizione vds viene stabilita a priori per ogni ora del giorno.Nei casi 1 e 2 il termine di velocità è variabile sia temporalmente che spazialmente,

con l’opzione 3 la variazione è solo temporale.Il modello a resistenza implementato in CALGRID adotta formulazioni diverse a se-

conda che la specie venga depositata come gas o come particolato. Il fenomeno è sche-matizzato considerando tre strati di atmosfera, in prossimità del suolo, in grado di in-fluenzare in maniera differente il processo.

Nel caso dei gas, per ogni strato viene calcolato un termine ri [s/m], che quantifica lasua opposizione al movimento dell’inquinante dall’atmosfera verso la superficie. Glistrati considerati sono:

• Strato superficiale (Surface layer), il cui termine di resistenza ra è legato alla turbo-lenza atmosferica (tramite la lunghezza di Monin-Obukhov e la velocità d’attrito)e alle caratteristiche del terreno (tramite la rugosità superficiale). L’estremo supe-riore di questo strato coincide con la fine del primo livello della griglia di CAL-GRID (posta sempre a 20 metri).

• Superficie di contatto (Deposition layer), posto sotto lo strato superficiale, nel qua-le i meccanismi preponderanti di deposizione sono la diffusione molecolare e ladiffusione browniana. Il termine di resistenza rd è espresso in funzione del nume-ro di Schmidt (viscosità dell’aria divisa per la diffusività del gas) .

• Strato vegetato (Vegetation Layer), il cui termine di resistenza r c tiene conto dellacapacità della vegetazione, dei suoli nudi o degli specchi d’acqua di trattenere lemolecole di gas.


1 8 7

La velocità di deposizione è inversamente proporzionale al termine di resistenzaglobale dei tre strati, quindi si ottiene:

νds = (ra + rd + rc)-1

La deposizione del particolato viene schematizzata in modo leggermente diverso.La velocità è definita come:

νds = (ra + rd + rardνg)-1 + νg [m/s]

dove vg è la componente gravitazionale della velocità di deposizione, che nel casodel particolato diventa rilevante. Il termine ra è calcolato con la stessa espressione uti-lizzata per i gas mentre rd, ancora relativo alla superficie di contatto, è ora espressionedi fenomeni diversi, che dipendono dalle dimensioni delle particelle. Infatti per parti-celle di diametro inferiore a 0,1 mm la deposizione è legata prevalentemente alla dif-fusione browniana, per diametri compresi tra 2 e 20 mm le particelle si depositano persedimentazione, sopra i 20 mm è predominante l’effetto gravitazionale e tra 0,1 e 2mm nessun fenomeno è significativo e la velocità è minima. Il termine rc è posto a ze-ro perché si suppone che la capacità di attrazione della vegetazione nei confronti del-le particelle sia molto elevata e quindi che la resistenza esercitata sia trascurabile.

7.2.1.5 Modulo chimicoPer simulare al calcolatore tutte le reazioni che avvengono in atmosfera sarebbero ne-cessari tempi di calcolo e capacità di memoria molto elevati, al di sopra delle capacitàdella maggior parte delle macchine esistenti. Per questo sono stati sviluppati dei mec-canismi semplificati che considerano solo alcune delle specie chimiche coinvolte ecompattano le reazioni esistenti in forme sintetiche.

All’interno del CALGRID viene attualmente utilizzato un meccanismo denominatoCOND2243, una versione condensata del SAPRC90, che a sua volta deriva dal mecca-nismo dettagliato SPRC88 preparato da Carter.

Il meccanismo dettagliato (SAPRC88) consiste di 60 specie chimiche, che prendonoparte a circa 160 reazioni.

Per quanto riguarda la chimica inorganica la trattazione è abbastanza completa, da-to il modesto numero di specie coinvolte. Si ritrovano tutte le principali reazioni in fa-se gassosa: il ciclo fotochimico degli ossidi di azoto, le reazioni di formazione dei ra-dicali inorganici, le reazioni di formazione degli acidi, la chimica di radicale nitrato edi N2O5. Poiché il meccanismo tratta esclusivamente la chimica in fase gassosa, vienemessa in secondo piano la chimica dello zolfo, che si svolge principalmente in fase ac-quosa, mentre è trattata ampiamente la chimica degli ossidi di azoto e delle varie clas-si di composti organici che con essi interagiscono.

Tuttavia anche per la chimica dell’azoto vi sono alcune reazioni in fase acquosa chesono importanti, relative in particolare all’acido nitroso, all’acido nitrico, al radicalenitrato che vengono trascurate dal modello.

Per quanto riguarda la chimica organica, a causa del grande numero di compostiorganici esistenti in natura e dell’impossibilità di trattarli singolarmente nel mec-canismo, essi vengono raggruppati in classi omogenee, che contengono specie chi-



1 8 8

miche che reagiscono tutte secondo lo stesso meccanismo (il gruppo degli alcani,quello degli alcheni, quello degli aromatici) e con velocità di reazione simili. Questeclassi vengono trattate come vere e proprie specie chimiche e vengono fatte reagirecon le altre sostanze presenti in atmosfera. Poiché non si tratta di composti real-mente esistenti, non è possibile ricavare sperimentalmente la loro velocità di rea-zione; inoltre, trattandosi di aggregati di specie chimiche con formula bruta diffe-rente, anche i prodotti di reazione non sono gli stessi (almeno quantitativamente)per ognuna di esse.

Il codice PREPEMIT, sviluppato da Carter ha la funzione di calcolare le costanti ci-netiche e le quantità di prodotti delle reazioni di queste specie-gruppo come medie pe-sate delle stesse grandezze relative alle singole specie (che possono essere valutatesperimentalmente). I pesi da usare nel calcolo delle medie sono dati dalle quantità diognuna delle singole specie chimiche presenti nell’atmosfera del sito in cui si effettuala simulazione.

Oltre a queste specie-gruppo vi sono altre specie chimiche che raccolgono al lorointerno più di una sostanza presente in natura (per esempio RCHO, che raggruppatutte le aldeidi con tre o più atomi di carbonio, o MEK, che contiene tutti i chetoni enon solo il Metil-Etil-Chetone, da cui prende il nome). Per queste ultime, però, i pa-rametri (velocità di reazione e quantità di prodotti) non vengono calcolati come me-die pesate di quelli relativi ai singoli composti, ma sono assunti pari a quelli relativialla specie più importante o più diffusa del gruppo stesso, che viene considerata co-me rappresentativa di tutte le altre.

Inoltre vengono introdotte delle specie chimiche fittizie, chiamate operatori, cherappresentano gli effetti delle reazioni delle specie organiche con i radicali presen-ti in atmosfera. Per esempio si è visto che l’effetto della reazione degli alcani con ilradicale OH è quello di trasformare un certo numero di molecole di NO in NO2 o ,secondo altri meccanismi, di portare alla formazione di nitrati organici RONO2. Nelmeccanismo chimico di Carter la reazione degli alcani con il radicale OH genera, trai prodotti, una certa quantità degli operatori RO2-R, RO2-N, R2O2; questi, a loro vol-ta, vengono fatti “reagire” (ma non si tratta di una reazione che avviene effettiva-mente) con NO dando luogo, rispettivamente, alla produzione di NO2 e di HO2, al-la produzione di nitrati organici o alla produzione del solo NO2. In questo modo èpossibile riprodurre complessi meccanismi reattivi, composti da molte reazioni acatena, utilizzando poche semplici reazioni.

Il meccanismo utilizzato dal modello CALGRID, come già accennato, è una ver-sione condensata di quello descritto e contempla un numero inferiore di specie chi-miche e di reazioni, per ridurre ulteriormente il tempo di calcolo e la richiesta dimemoria. La condensazione consiste nel trascurare alcune reazioni che si ritiene ab-biano un effetto irrilevante sui risultati che si vogliono ottenere o nel non trattarealcune specie chimiche in maniera esplicita, inglobandole in altre categorie e ipo-tizzando che il loro modo di reagire (meccanismo e velocità di reazione) non sia so-stanzialmente differente da quello delle specie di cui vanno a far parte. Tale opera-zione, ovviamente, aggiunge ulteriori approssimazioni a quelle già introdotte dalmeccanismo dettagliato, tanto maggiori quanto più spinto è il livello di condensa-zione operato; si tratta quindi di trovare il miglior compromesso tra il livello di ac-curatezza che si vuole ottenere e il tempo che si vuole impiegare per la simulazione.


1 8 9

7.3 Applicazione del modello all’area milanese

Come già accennato, nell’ambito della ricerca è stata sviluppata un’applicazione delmodello CALGRID.

Il dominio di calcolo adottato in questa simulazione è costituito da una griglia qua-drata di 100 km di lato, centrata sulla città di Milano e contenente per intero la pro-vincia di Milano, e in parte le province di Varese, Como, Bergamo, Cremona, Novara,Pavia e Piacenza. La dimensione delle celle è stata fissata pari a 4 km, un compromes-so tra l’esigenza di dettagliare il più possibile le informazioni (per esempio i pennacchiuscenti dalle centrali termoelettriche) e la necessità di non rendere troppo onerosa lasimulazione in termini di memoria occupata e di tempo di calcolo impiegato.

Verticalmente la griglia è stata suddivisa in 10 strati, per un’altezza complessiva di5000 m. Essendo le emissioni del dominio in esame situate essenzialmente al suolo, si èpreferito dettagliare la spaziatura dei livelli più prossimi al terreno (fino a 2000 m), la-sciando invece strati di spessore più elevato in quota. I livelli, costanti nello spazio e neltempo per tutta la simulazione, sono stati quindi fissati a 20, 50, 110, 200, 360, 620, 1050,1800, 3000 e 5000 m. Come si può notare, si è cercato di evitare dei gradienti di livellotroppo alti, che comprometterebbero la qualità dei risultati simulati.

7.3.1 Scelta del periodo su cui svolgere la simulazioneIl periodo più idoneo su cui svolgere queste simulazioni è stato individuato medianteun’analisi dettagliata dei dati ambientali messi a disposizione dal Centro di Calcolodella Regione Lombardia. A questo proposito sono stati analizzati dati relativi agli an-ni che vanno dal 1989 al 1993 e a 29 stazioni di misura, tutte comprese nel dominio distudio.

Per individuare il periodo di simulazione nello studio, si è limitata l’attenzione allesole stazioni in grado di rilevare le concentrazioni di ozono, essendo questo l’inqui-nante più significativo dal punto di vista fotochimico. Nella provincia di Milano, lecentraline di rilevamento per l’ozono nel precedente periodo erano solo sette:

• Cinisello Balsamo• Corsico• Legnano• Limito• Monza• MI-Juvara• MI-VerziereLa scelta del periodo di simulazione è stata impostata sulla base di due criteri, uno di

carattere chimico-fisico e uno meteorologico. Con il primo si è richiesto sia che la me-dia giornaliera di ozono superasse il valore medio mensile, sia che tali superamentivenissero registrati simultaneamente sul maggior numero di centraline, in modo dadescrivere un episodio di inquinamento diffuso su tutta l’area in esame. Con il secon-do si è richiesta l’assenza di precipitazioni nell’arco del periodo da simulare; in casodi pioggia, infatti, le concentrazioni di inquinanti non raggiungono livelli tali da inne-scare le condizioni di smog fotochimico. Per questo motivo il modello CALGRID, es-sendo finalizzato alla ricostruzione di episodi di inquinamento fotochimico, non con-sidera le reazioni in fase eterogenea né la deposizione umida.



1 9 0

Tali requisiti vengono soddisfatti dal periodo compreso tra lunedì 1 luglio e venerdì5 luglio dell’anno 1991.

L’esame dei dati registrati in questo periodo dalle centraline di monitoraggio evi-denzia una globale situazione di inquinamento fotochimico che ha interessato, per ladurata dei cinque giorni selezionati, l’intera area urbana di Milano e del territorio su-burbano a essa adiacente.

La disponibilità dei dati relativamente ai soli principali macroinquinanti non per-mette di costruire nel dettaglio le fasi evolutive del fenomeno, tuttavia le elevate con-centrazioni di ozono, di seguito descritte, e i rapporti non fotostazionari fra le concen-trazione di NO ed NO2 sono evidenti segni di una atmosfera fortemente ossidativa e dicondizioni atmosferiche non all’equilibrio.

Osservando i valori di ozono registrati sperimentalmente dalle stazioni di control-lo, si osserva che, complessivamente, durante l’intervallo di tempo preso in esame, visono stati quattro casi di superamento della soglia limite di legge. Il superamento che

Figura 7.1 - Andamento orario dell’ozono a Limito dall’1 al 5 luglio.

presenta il valore più elevato, intorno a 110 ppb (205 g/m3), è stato registrato nella sta-zione di Limito (figura 7.1) il giorno 3 luglio.

Nell’area urbana le concentrazioni sono risultate più contenute, con massimi pari acirca 70 ppb.

Per quanto riguarda il monossido d’azoto i valori massimi di concentrazione (del-l’ordine dei 100 ppb) si sono osservati in concomitanza con le ore di maggior traffico,a conferma del fatto che l’andamento della concentrazione di questo inquinante èstrettamente dipendente dall’attività emissiva.

0

20

40

60

80

100

120

1 luglio 2 luglio 3 luglio 4 luglio 5 luglio

O3 - Concentrazioni orarie(Limito)


1 9 1

Per quanto riguarda il biossido di azoto si sono osservate in più centraline concen-trazioni massime orarie superiori allo standard. In alcune stazioni le concentrazioni diquesto inquinante sono risultate così elevate da dare luogo anche a concentrazioni me-die giornaliere superiori al limite di accettabilità fissato per i valori orari massimi gior-nalieri. A Cinisello Balsamo, per esempio, il 2 e il 3 luglio la media delle concentrazio-ni di questo inquinante sulle 24 ore è risultata essere, rispettivamente, di 111,1 e di115,6 ppb (figura 7.2).

Figura 7.2 - Andamento orario del biossido di azoto a Cinisello Balsamo.

7.3.2 Caratterizzazione meteorologicaPer la ricostruzione della situazione meteorologica del periodo scelto per le simula-zioni è stato utilizzato il modello meteorologico CALMET, sviluppato presso il CARB(Californian Air Resources Board). Tale modello consiste di un modulo diagnostico fi-nalizzato alla ricostruzione dei campi di vento e temperatura e di un modulo micro-meteorologico che consente di stimare i parametri che descrivono il boundary layer.

Per la determinazione di tali parametri è necessario fornire al modello CALMET leseguenti informazioni meteorologiche al suolo:

• velocità [m/s] e direzione [°N] del vento• copertura nuvolosa, ossia altezza della nuvola più bassa in metri e percentuale di

cielo coperta da nuvole• temperatura dell’aria [K]

40

100

80

60

20

120

140

160

180

200

1 luglio

dati mancanti

2 luglio 3 luglio 4 luglio 5 luglio

NO2 - Concentrazioni orarie(Cinisello Balsamo)



1 9 2

• umidità relativa [%]• pressione a livello della stazione [mbar]e le seguenti informazioni meteorologiche in quota:• velocità [m/s] e direzione [°N] del vento• pressione [mbar]• temperatura [K]In aggiunta a queste informazioni, occorre fornire i campi bidimensionali conte-

nenti l’orografia e l’uso del suolo all’interno dell’area di indagine. Il modello CAL-MET utilizza la seguente classificazione dell’uso del suolo:

1. urbano o terreno edificato2. terreno agricolo non irrigato3. terreno agricolo irrigato4. pascolo5. foresta6. acqua7. terreno paludoso8. terreno sterile9. tundra

10. neve perenne o ghiaccioRelativamente alle informazioni meteorologiche al suolo, sono stati utilizzati i mes-

saggi SYNOP di frequenza trioraria forniti dal Servizio Meteorologico dell’Aeronau-tica Militare per le stazioni di:

• Cameri• Linate • Lugano (CH)• Malpensa• Monte Bisbino• Orio al SerioPer quanto riguarda le informazioni meteorologiche in quota, è stato utilizzato il

messaggio TEMP-A, con frequenza di sei ore, fornito anch’esso dal Servizio Meteoro-logico dell’Areonautica per la stazione di Linate.

Le informazioni relative all’orografia e all’uso del suolo sono state ricavate median-te strumenti informatici e banche dati messe a disposizione da CISE e ENEL-CRAM.

A partire da queste informazioni, CALMET è in grado di fornire, per ogni ora deicinque giorni scelti, le seguenti informazioni:

• i campi tridimensionali di vento, valori di velocità e direzione del vento, necessa-ri a CALGRID per il calcolo della componente di trasporto degli inquinanti da unacella all’altra;

• i campi tridimensionali di temperatura, che CALGRID utilizza per il calcolo dellecostanti cinetiche delle reazioni;

• i campi bidimensionali di u* (velocità di attrito), w * (velocità convettiva), L (lun-ghezza di Monin-Obukhov), classe di stabilità (secondo la classificazione di Pa-squill-Gifford-Turner) e altezza dello strato rimescolato, necessari anch’essi perstimare il contributo diffusivo della dispersione degli inquinanti;

• i valori di temperatura superficiale, radiazione solare a onde corte, densità dell’a-ria e umidità relativa per ognuna delle stazioni di misura precedentemente elen-


1 9 3

cate. Questi dati sono indispensabili a CALGRID per la risoluzione dell’operatorechimico.

7.3.3 Stima delle emissioniLa stima delle emissioni degli inquinanti sulla zona in esame è stata condotta con unametodologia ad hoc, che prende spunto da quella CORINAIR, ma se ne discosta in fun-zione delle peculiarità del sito in esame e del tipo di dati disponibili.

Il punto di partenza di questa metodologia è il valore aggregato di emissione an-nuale provinciale fornito dall’inventario CORINAIR. Il grosso inconveniente di undato di questo tipo è il fatto di essere aggregato a livello provinciale e annuale. Inquesto contesto la metodologia sviluppata consente di affrontare i seguenti pas-saggi:

1. effettuare la disaggregazione spaziale, cioè assegnare, partendo dal dato di emis-sione aggregato a livello provinciale, le emissioni a ogni cella del dominio di cal-colo;

2 . effettuare la disaggregazione temporale, ossia arrivare a un valore di emissioneoraria partendo da un valore annuale;

3 . per quanto riguarda i soli Composti Organici Volatili (COV), fare la cosiddetta“speciazione”, ossia distinguere esattamente con quale percentuale ogni inqui-nante organico partecipa all’emissione globale di COV.

7.3.4 Condizioni iniziali e al contornoNel modello CALGRID i valori delle concentrazioni all’istante iniziale in ogni cella,per tutte le specie chimiche possono essere specificati secondo due diverse opzioni:

1. per ogni specie chimica vengono forniti i valori di concentrazione, uno per ognistrato verticale della griglia. Con questa opzione non è possibile definire condizioniiniziali variabili nelle direzioni X e Y;

2. per ogni specie chimica viene fornito un valore di concentrazione per ogni celladel dominio di calcolo. In questo modo è possibile definire in maniera più precisa lacondizione iniziale a patto, naturalmente, di disporre di informazioni molto detta-gliate sulle concentrazioni degli inquinanti.

Nell’ambito della simulazione in esame è stata scelta quest’ultima opzione in quan-to più flessibile. In particolare, la griglia di calcolo è stata suddivisa in due grandi ti-pologie: urbana e non urbana. Per le celle urbane, ossia quelle occupate da comuni conpiù di 20.000 abitanti, è stato assegnato come condizione iniziale il valore medio mi-surato all’istante di inizio della simulazione nelle centraline di monitoraggio urbane.Per le celle extraurbane, invece, non avendo a disposizione dati rilevati da stazioni dimisura, si è fatto riferimento a valori di letteratura derivati da campagne di misura ef-fettuate in zone rurali. Anche per quanto riguarda i COV, inquinanti non rilevati nel1991 dalle centraline della Regione, sono stati utilizzati dati di letteratura. In tabella 7.1sono riportati i valori di concentrazione utilizzati.

Per quanto riguarda le condizioni al contorno, i valori di concentrazione delle variespecie chimiche, per ogni ora, nelle celle di frontiera della griglia possono essere spe-cificati al modello nei seguenti modi:

1. le condizioni al contorno sono indipendenti dal tempo. Si deve assegnare ogni co-lonna del contorno a un “tipo” (i tipi possono essere, al limite, tanti quante sono le cel-



1 9 4

Nome della specie Condizioni iniziali [ppm]

urbane non urbane

CO2 0 0

SULF 0 0

-C 0 0

O3 0,030 0,030

NO 0,040 0,001

NO2 0,050 0,030

ALK1 0,010 0,010

ALK2 0,001 0,001

ARO1 0,001 0,001

ARO2 0,001 0,001

MEOH 0 0

ETOH 0 0

MTBE 0 0

ETHE 0,001 0,001

OLE1 0,001 0,001

OLE2 0,001 0,001

OLE3 0,001 0,001

HCHO 0,005 0,005

CCHO 0,001 0,001

RCHO 0 0

MEK 0,001 0,001

CRES 0,001 0,001

MGLY 0 0

AFG2 0 0

NO3 0 0

N2O5 0 0

HNO3 0 0

HONO 0 0

HNO4 0 0

HO2.

0 0

CO 3 2

(segue)


1 9 5

le del contorno). Dopodiché, per ogni specie e per ogni tipo, va specificato un valoredi concentrazione per ogni strato verticale. Ciò permette il massimo grado di dettagliospaziale delle concentrazioni al contorno;

2. scegliendo questa opzione è possibile fornire al programma delle condizioni alcontorno funzioni del tempo oltre che delle coordinate spaziali. Per ogni ora della si-mulazione vanno forniti i valori di concentrazione per ogni specie chimica, organiz-zati in gruppi (tanti quanti sono i livelli verticali) di quattro vettori ciascuno (un vet-tore per ogni lato del contorno);

3 . come condizioni al contorno vengono utilizzate le concentrazioni fornite dal filedelle condizioni iniziali per le celle più esterne. In questo caso, ovviamente, le condi-zioni al contorno sono indipendenti dal tempo.

Nella simulazione in esame, sulla base della considerazione che la griglia di calcoloè stata posizionata in modo da comprendere al suo interno le sorgenti inquinanti piùsignificative del territorio lombardo, si è ritenuto accettabile attribuire valori di con-centrazione al contorno pari a quelli di background tipici di un ambiente poco inqui-nato. Pertanto si è deciso di utilizzare la prima opzione. In tabella 7.2 sono riportati ivalori delle condizioni al contorno (al suolo) adottati.

7.3.5 Risultati delle simulazioniI risultati del modello CALGRID consistono sostanzialmente nella ricostruzione deicampi di concentrazione dei vari composti considerati. L’analisi delle sequenze tem-porali di questi campi di concentrazione permette di seguire l’evoluzione delle distri-buzioni di un ampio numero di inquinanti.

Un esempio di campo di concentrazione ricostruito dal modello per l’inquinante O3

in una fase particolarmente critica dell’episodio di acuto inquinamento fotochimicodel periodo 1-5 luglio 1991 viene riportato nella figura 7.3.

Se per un inquinante primario come il monossido di azoto questi campi appaiono

Tabella 7.1 - Condizioni iniziali al suolo.

Nome della specie Condizioni iniziali [ppm]

urbane non urbane

H2O2 0 0

SO2 0,001 0,001

RO2.

0 0

CCO-O2

.0 0

C2CO-O2.

0 0

-OOH 0 0

RNO3 0 0

PAN 0 0

PPN 0 0



1 9 6

molto realistici, per un inquinante secondario come l’ozono, pur riproducendo in mo-do interessante fenomeni come la caratteristica modulazione giornaliera e la presenzadi massimi di concentrazione sottovento alle grandi aree urbane, essi sembrano risen-tire della troppo ridotta estensione spaziale del dominio di applicazione del modello.

Il confronto dei campi ricostruiti dal modello con i dati sperimentali va effettuato te-nendo conto dei seguenti aspetti:

• i dati sperimentali, per la loro natura puntuale, possono essere fortemente in-fluenzati da fenomeni locali e di breve intensità che il modello non è in grado di ri-costruire completamente (risoluzione della griglia di calcolo pari a 4 km);

• la disposizione delle centraline è tale per cui l’informazione fornita non è rappre-sentativa della situazione media di area, ma è finalizzata all’individuazione dei fe-nomeni di inquinamento più acuti;

Tabella 7.2 - Concentrazioni al contorno al suolo.

Nome della specie Condizioni al Nome della specie Condizioni al contorno [ppm] contorno [ppm]

CO2 0 MEK 0,001

SULF 0 CRES 0,001

-C 0 MGLY 0

O3 0,030 AFG2 0

NO 0,001 NO3 0

NO2 0,035 N2O5 0

ALK1 0,010 HNO3 0

ALK2 0,001 HONO 0

ARO1 0,001 HNO4 0

ARO2 0,001 HO2.

0

MEOH 0 CO 0,500

ETOH 0 H2O2 0

MTBE 0 SO2 0

ETHE 0,001 RO2

.0,001

OLE1 0,001 CCO-O2.

0

OLE2 0,001 C2CO-O2.

0

OLE3 0,001 -OOH 0

HCHO 0,005 RNO3 0

CCHO 0,001 PAN 0

RCHO 0 PPN 0


1 9 7

• l’informazione fornita dalle centraline è parziale, in quanto vengono monitoratisolamente alcuni inquinanti primari, trascurando per esempio i composti organici;

• i dati rilevati dalle centraline all’inizio degli anni Novanta presentavano spessoerrori sistematici di un certo rilievo; per l’ozono, per esempio, essi tendevano ge-neralmente a sottostimare le concentrazioni ambientali.

Tenendo conto di queste limitazioni, il confronto dovrebbe essere effettuatocercando di estrarre dal set di dati sperimentali quegli elementi che caratterizza-no il fenomeno dell’inquinamento nel suo complesso e che quindi abbiano unavalenza non solamente locale e presentino una dinamica temporale di durata si-g n i f i c a t i v a .

Un importante inquinante che, almeno parzialmente (soprattutto durante le orediurne), soddisfa questi requisiti è l’ozono.

Figura 7.3 - Mappa di isoconcentrazione di O3 calcolata alle ore 14:00 del giorno 3 luglio.

480,0 500,0 520,0 540,0 560,0

X - UTM (Km)field: C3 [ppb] level: 0 m - dote: 03/07/1991 time: 14 pm

5080,0

5060,0

5040,0

5020,0

5000,0



1 9 8

Come già sottolineato precedentemente, i dati sperimentali di ozono sono disponi-bili, per il periodo relativo allo studio in esame, solo per sette centraline di tipologiaurbana o suburbana e quindi in esso non è stato possibile affrontare in modo esausti-vo il confronto anche in ambiente rurale.

Per tutte le centraline il confronto misurato-calcolato ha mostrato risultati interes-santi in quanto sia gli andamenti temporali che i valori medi di concentrazione sonorisultati fra loro abbastanza sovrapponibili. Alcuni esempi vengono riportati nelle fi -gure 7.4-7.6.

Queste figure evidenziano come il modello CALGRID riesca a ricostruire il tipicoandamento giorno-notte, simulando con buona sovrapposizione i tracciati sperimen-tali e fornendo una efficace ricostruzione del profilo di crescita e di decrescita dell’o-zono, con pendenza uguale a quella dell’andamento misurato.

È interessante notare, nelle prime ore del mattino, la presenza nei dati sperimen-tali di un picco di ozono di circa 30 ppb non completamente ricostruito dal model-lo. Questo fenomeno è generalmente stato osservato su tutte le centraline disponi-bili, quindi, probabilmente, è causato da una serie coincidente di fattori non con-nessi a fenomeni puramente locali. Inoltre, l’assenza di attività solare durante que-ste ore, esclude la possibile formazione di ozono per i meccanismi chimici indottidalla presenza di luce.

Si ritiene che la climatologia della città giochi a questo proposito un ruolo preva-lente: nelle prime ore del mattino, infatti, il gradiente termico tra la città e le zone aessa circostanti è massimo e si generano movimenti verticali di masse d’aria caldasopra la città che hanno come effetto indotto l’introduzione dall’esterno di massed’aria più fredda.

Figura 7.4 - Ozono misurato e calcolato a Milano (Via Juvara).

0

10

20

30

40

50

60

70

80

90

0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18

O3 misurato - calcolatoMI-Juvara

ore

misurato calcolato

4/7 5/73/72/71/7


1 9 9

Figura 7.5 - Ozono misurato e calcolato a Legnano centro.

Figura 7.6 - Ozono misurato e calcolato a Limito.

0

10

20

40

50

60

70

80

90

0

20

40

60

80

100

120

misurato calcolato

30

O3 misurato - calcolatoLegnano centro

misurato calcolato

0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18

ore4/7 5/73/72/71/7

0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18

ore4/7 5/73/72/71/7

O3 misurato - calcolatoLimito



2 0 0

Poiché la concentrazione media notturna di ozono nelle zone rurali è maggiore ri-spetto a quella della città, ne deriva che tale fenomeno provochi un apporto di ozonodestinato a consumarsi mediante processi di ossidazione quando l’emissione di ossi-di di azoto tende ad aumentare per il sopraggiungere del giorno. Il modello riesce a ri-costruire in parte tale fenomeno, tuttavia non con sufficiente precisione per caratte-rizzarlo in termini quantitativi.

Se l’ozono soddisfa almeno parzialmente i requisiti richiesti per poter operare con-fronti con i dati sperimentali, la situazione è molto più complessa per inquinanti comeil monossido di azoto e il monossido di carbonio (figure 7.7 e 7.8).

Per questi inquinanti, infatti, anche se il modello riesce a ricostruire il picco mattuti-no e quello serale, tipici dell’andamento bimodale del traffico urbano, esso non simu-la i forti picchi osservati nei dati sperimentali dovuti a episodi locali, di forte e breveintensità, che vengono registrati dalle centraline e che non possono essere evidente-mente ricostruiti dal modello.

Per il biossido di azoto si osserva una situazione intermedia tra quella relativa a uninquinante secondario come l’ozono e quella tipica di inquinanti primari come il mo-nossido di azoto e il monossido di carbonio.

A prescindere dalla qualità dei campi di concentrazione ricostruiti e dalla loro ade-renza ai dati sperimentali (questioni che allo stato attuale presentano comunque an-cora molti aspetti problematici sia per la grande estensione spaziale e temporale sucui si sviluppano gli episodi di acuto inquinamento fotochimico sia per l’incertezzanei dati relativi alle emissioni e ai parametri meteorologici) l’applicazione di un mo-dello come CALGRID è comunque di estremo interesse in quanto, attraverso l’analisie il confronto tra gli andamenti dei diversi composti coinvolti nelle reazioni descritte

Figura 7.7 - Monossido di azoto misurato e calcolato a Milano (Via Verziere).

0

20

40

60

80

100

120

NO misurato - calcolatoMI-Verziere

misurato calcolato

0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18

ore4/7 5/73/72/71/7


2 0 1

dal modello, consente di avere indicazioni molto utili per una migliore comprensionedelle dinamiche connesse con l’inquinamento fotochimico.

A questo proposito è interessante evidenziare e discutere gli andamenti dei prin-cipali inquinanti coinvolti nel processo fotochimico ricostruiti per l’intero periododi simulazione nella cella della griglia di calcolo che contiene il centro urbano diM i l a n o .

A questo proposito vengono considerate dapprima le reazioni che si verificano nelcorso della notte e, successivamente, quelle relative alla chimica diurna.

7.3.5.1 Situazione notturnaLa chimica notturna è prevalentemente governata da processi di tipo ossidativo ein assenza di fenomeni emissivi significativi, i rapporti tra inquinanti tendono a sta-bilizzarsi, raggiungendo una condizione di equilibrio. In ambiente urbano, tutta-via, la seppur ridotta attività emissiva notturna introduce nell’atmosfera specie chealterano i rapporti tra gli inquinanti e, ossidandosi, continuano a perturbare il si-s t e m a .

In particolare, l’emissione più significativa è quella relativa al monossido di azoto, ilcui contributo decresce, in ragione della diminuzione del traffico, dalle ore 20:00 alleore 4:00. Tale comportamento è riscontrabile analizzando la figura 7.9, in cui si nota laprogressiva diminuzione della concentrazione di NO, giustificabile sia, come già pre-cedentemente enunciato, per la diminuzione delle emissioni, sia perché l’NO è impe-gnato nelle seguenti reazioni di ossidazione:

Figura 7.8 - Monossido di carbonio misurato e calcolato a Milano (Via Statuto).

0

654

3

21

7

8

91011

CO misurato - calcolatoMI-Statuto

misurato calcolato

0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18 0 6 12 18

ore4/7 5/73/72/71/7



2 0 2

NO + O3 NO2 + O2

NO + RO2 RNO3

NO + OH HNO2

che comportano l’aumento della concentrazione di NO2 e degli alchilnitrati. Il biossido di azoto, a sua volta, è coinvolto in una serie di reazioni di ossidazione

che sono responsabili della formazione di acido nitrico e di N2O5, secondo le seguentitrasformazioni:

NO2 + O3 NO3 + O2

NO2 + NO3 N2O5

NO2 + OH HNO3

Quando il contributo derivante dall’ossidazione di NO non è più in grado di bilanciarele reazioni che provocano il consumo di NO2, la concentrazione di NO2 inizia a decresce-re (figura 7.9). Tale tendenza, inevitabilmente, influenza le concentrazioni di N2O5 e NO3,che decrescono fino a raggiungere le minime concentrazioni nelle prime ore del mattino .

A seguito sia della reazione di ossidazione con NO2 sia della reazione con N2O5

N2O5 + H2O 2HNO3

la concentrazione di acido nitrico cresce anche se, in parte, esso si deposita al suoloper effetto della deposizione secca, mentre la concentrazione dell’acido nitroso si man-tiene stabile.

Infine il ciclo inorganico è anche influenzato dalla presenza di composti organiciemessi in atmosfera.

0 1

1,5

2

2,5

3

3,5

10

20

30

40

60

50

80

70

18 19 20 21 22 23 0 1 2 3 4 5 6

Inorganici - Chimica notturna -(2-3 luglio)

NO NO2

HNO3

RNO3

O3

ore

Figura 7.9 - Chimica notturna dei composti inorganici.


2 0 3

Gli idrocarburi sono responsabili della formazione di radicali RO2 attraverso i se-guenti meccanismi di ossidazione:

RH + OH R. + H2OR. + O2 RO2

.

I composti ossigenati, in generale, manifestano una moderata reattività, mantenen-do valori di concentrazione costanti.

L’effetto complessivo delle reazioni notturne in ambiente urbano si traduce in unadiminuzione della concentrazione dell’ozono che tende a stabilizzarsi su valori moltobassi.

7.3.5.2 Situazione diurnaLa chimica diurna è prevalentemente regolata dalla fotochimica, cioè dai processi difotolisi che portano, come termine ultimo di lunghe e complesse trasformazioni chi-miche, alla formazione di ossigeno dispari, termine comune che comprende l’O3, l’os-sigeno atomico, e il radicale OH..

Il contributo di tali reazioni incrementa la capacità ossidativa dell’atmosfera, fa-vorendo, a partire da precursori primari, la formazione di inquinanti secondari,quali O 3 e PAN la cui presenza è ormai assunta come indice di episodi di smog fo-t o c h i m i c o .

Gli andamenti dei profili di concentrazione degli inquinanti ricostruiti dal modelloper il periodo in esame evidenziano questo fenomeno (figura 7.10).

Figura 7.10 - Episodio di smog fotochimico, O3 e PAN.

0

10

20

30

40

50

60

70

80

90

100 3

2,5

2

1,5

1

0,5

01 luglio 2 luglio 3 luglio 4 luglio 5 luglio

Smog fotochimico

O3

PAN



2 0 4

Figura 7.11 - Chimica diurna degli inorganici.

Tali andamenti sono giustificabili considerando che, come noto, gli idrocarburi e iprincipali composti ossigenati emessi in atmosfera tendono a fotodegradarsi, trasfor-mandosi negli omologhi a struttura più semplice, e infine, generando specie ad alta at-tività ossidante. L’intensa attività fotochimica aumenta, dunque, la capacità ossidati-va dell’atmosfera, favorendo le condizioni di accumulo dell’O3, specie ossidante menoreattiva rispetto agli altri radicali.

L’apice dell’attività chimica diurna si raggiunge intorno alle 14, quando le con-centrazioni di O3 e di PAN raggiungono i valori più alti. Parallelamente le specie fo-todegradabili, quali NO2, HNO 2, manifestano i più bassi valori di concentrazione(figura 7.11), mentre il monossido di azoto presenta un flesso corrispondente alla fi-ne e all’inizio delle emissioni dei flussi di traffico, rispettivamente, del mattino e delpomeriggio. Anche l’acido nitrico, circa tra le ore 12 e 14, manifesta una diminu-zione della concentrazione a causa dell’aumentata deposizione che, intorno a quel-le ore, registra i valori più alti.

Il profilo giornaliero delle concentrazioni delle aldeidi (figura 7.12) evidenzia un an-damento simile a quello degli idrocarburi (figura 7.13). Entrambe le specie sono foto-degradabili e quindi, in corrispondenza della massima insolazione, registrano i piùbassi valori di concentrazione.

Coerentemente, a una diminuzione dei precursori corrisponde un aumento delleconcentrazioni dei prodotti secondari, quali PAN, PPN e radicali.

Infine, a partire dalle ore 14:00 circa, si attiva quella che, schematicamente, si può de-finire la terza fase, che introduce alla chimica notturna. Le reazioni di fotodegradazio-ne perdono di intensità proporzionalmente al diminuire dell’attività solare e cinetica-mente incominciano a essere più favorite le reazioni di ossidazione. La concentrazio-

06 8 10 12

ore14 16 18

10

2030

40

5060

7080

00,010,020,030,040,050,060,070,080,090,1

Inorganici - Chimica diurna -(2 luglio)

NO2

HNO3

HNO2

RNO3

O3

NO


2 0 5

Figura 7.12 - Chimica diurna delle aldeidi e dei perossiacilnitrati.

Figura 7.13 - Chimica diurna degli idrocarburi.

06 8 10 12

ore14 16 18

14 16 18

12

34

56

78

00,511,522,533,544,5

Aldeidi - Chimica diurna -(2 luglio)

HCNO

PAN PPN

RCHOCCHO

0

5

10

15

20

25

30

6 8 10 12ore

0

1

2

3

4

5

6

7

8

Idrocarburi - Chimica diurna -(2 luglio)

OLE1

ALK2 RNO3

HCHO

ALK1OLE2

ne dell’O3, mentre quelle dell’NO e NO2 registrano un aumento, a causa l’uno dell’ini-zio dell’emissione del ciclo pomeridiano di traffico e l’altro del contributo derivantedall’ossidazione del monossido di azoto.



2 0 6

Le concentrazioni delle specie ossigenate e degli idrocarburi crescono per via del-le emissioni, mentre PAN e PPN decrescono, anche a causa dell’azione termica did i s t r u z i o n e .


2 0 7

Allegrini, I., Febo, A., Perrino, C. 1994. Roleof nitrous acid in the oxidation processes inthe Mediterranean area. In: Physico-chemicalbehaviour of atmospheric pollutants.Proceedings of the Sixth European Sympo-sium, Varese, 1, 293-299.

Atkinson, R. 1988. Gas phase atmosphericchemistry of organic compounds. Appendix Aof final report prepared by SAPRC on contractA5-122-32 for the Californian Air ResourcesBoard, Sacramento, CA.

Avella, F., Casalini, A., Mascherpa, A., Rolla,A., Tiellag 1993. Valutazione degli inquinantiregolamentati e non, nei gas di scarico di auto-veicoli a benzina. La Rivista dei Combustibili, 4 7 ,7-8, 301-318.

Bailey, J. C., Schimidl, B., Williams, M.L.1990. Speciated hydrocarbon emissions fromvehicles operated over the normal speed ran-ge on the road. Atmospheric Environment, 24A,1, 43-52.

Bassanino, M., Bertolacci, M. A., Brusasca, G.,Cirillo, M. C., Finzi, G., Fortezza, F., Graziani,G., Mamolini, G., Marani, A., Tamponi, M.,Tirabassi, T. 1993. Modelli a integrazione dellereti per la gestione della qualità dell’aria, ISTI-SAN 93/36.

Bocola, W., Cirillo, M. C., Gaudioso, D., Trozzi,C., Vaccaro, R., Napolitano, C. 1989. ProgettoC O R I N A I R - Inventario delle emissioni di inqui-nanti dell’aria in Italia nell’anno 1985, ENEA.

Borgarello, M., Catenacci, G., Riva, G. M., Sili-bello, C. 1994. Progetto ENVINET - Implementa-zione e studio di modelli previsionali per l’am-biente atmosferico. Rapporto CISE SAA-94-65.

Brjantseva, Z. I. 1951. Emission of volatileorganics into air from living plants. U c h e n .Zap. gorkov. gos. Univ. 21, 149-156.

Carioni, T., Catenacci, G., Fraternali, D. 1 9 8 9 .Censimento delle sorgenti e stima quantitativadelle emissioni di inquinanti atmosferici nellacittà di Brescia. Rapporto CISE 4844.

Carlier, P., Hannachi, H., Mouvier, G. 1 9 8 6 .The chemistry of carbonyl compounds in theatmosphere - A Preview. Atmospheric Environ -mental, 20, 11, 2079-2099.

Cavallari, A., Genova, M. 1993. Area urbana diMilano: valutazioni energetiche e ambientali,Rapporto CISE DSM-93-39.

Chang, J.S., Brost, R.A., Isaksen, I.S.A.,Madronich, S., Middleton, P., Stockwell, W.R., Walcek, C.J. 1987. A three-dimensionalEulerian acid deposition model: Physical con-cepts and formulation. Journal of GeophysicalResearch, 92, 14681-14700.

Crapanzano, G., Pirovano, G. 1994. Applica-zione di un modello fotochimico per lo studiodella dispersione di inquinanti in atmosfera,Milano.

Derwent, R.G., Jenkin, M.E. 1990. Hydro-carbon involvement in Photo-Chemical ozoneformation in Europe. Modeling AssessmentGroup, Environmental Medical SciencesDivision, Harwell. AERE-R-13736.

Ebel, A. 1991. General report on EUMAC, EU-ROTRAC, Annual report 1990.

E P R I 1990. Status of Subregional andMesoscale Models, Volume 1: Air Quality

Bibliografia



2 0 8

Models, Rapporto EN-6649, Volume 1,Research Project 2434-6, Palo Alto, CA.

E U R A D 1989. Das EURAD-Modell: Aufbauund erste Ergebnisse. Ed. by A. Ebel, F. M.Neubauer, E. Raschke, P. Speth, 65, Institute ofGeophysics and Meteorology, University ofCologne.

E U R O T R A C 1994. Symposium 1994.Transport and Trasformation of Pollutants inthe Troposphere. Abstract of Lectures andPosters.

Febo, A. 1994. Nitrous acid in the oxidationprocesses in urban areas. In: Physico-chemicalbehaviour of atmospheric pollutants,Proceedings of the Sixth European Sympo-sium, Varese, 1, 277-285.

Finzi, G., Brusasca, G. 1991. La qualità dell’aria:modelli previsionali e gestionali. Masson, Milano.

Hass, H. 1991. Description of the EURAD che-mistry transport-model version 2 (CTM2). Ed.by A. Ebel, F. M. Neubauer, P. Speth, Instituteof Geophysics and Meteorology, University ofCologne.

Hesstvedt, E., Hov, O., Isaksen, I.S.A. 1 9 7 8 .Quasi-steady-state approximations in air pollu-tion modeling. Comp. J. chem. Kinet, X, 971-994.

Isidorov, V. A., Zenkevich, I.G., Ioffe, B.V.1985. Volatile organic compounds in the atmo-sphere of forests. Atmospheric Environment , 19,1, 1-8.

Iversen, T., Halvorsen, N. E., Mylona, S.,Sandnes, H. 1991. Calculated budgets for air-borne acidifying in components in Europe.1985, 1987, 1988, 1989 and 1990, EMEP MSC-W Report 1/91, Technical Report n°91, DNMI,Oslo, Norway.

Kumar, N., Russell, A., Tesche, T., McNally,D. E. 1994. Evaluation of CALGRID using twodifferent ozone episodes and comparison toUAM results. Atmospheric Environment, 28, 17,2823-2848.

Lamb, B., Gay, D., Westberg, H. 1993. A bioge-nic hydrocarbon emission inventory for the

USA using a simple forest canopy model.Atmosferic Environment, 27A, 11, 1673-1690.

Lorenzini, G. 1983. Le piante e l’inquinamento del -l’aria. Edagricole, Bologna.

Mennella, C. 1967. Il clima d’Italia. Volume 1,Fratelli Conte Editore, Napoli, 166-167.

Mennella, C. 1967. Il clima d’Italia. Volume 2,Fratelli Conte Editore, Napoli, 288-289.

Morris, R. E., Myers, T. C. 1990. User’s Guidefor the Urban Airshed Model. Volume I:User’s Manual for UAM (CB-IV), EPA 450/4-90-007A, Research Triangle Park, NC.

Morselli, L. 1991. Deposizioni acide - I precur-sori. L’interazione con l’ambiente e i materiali.Maggioli editore, Rimini.

Moussipoulos, N. 1990. The EUMACZooming Model. Model Structure andApplications. EUROTRAC Report.

N A P A P 1991. Acidic deposition: state ofsciences and technology. In: Emissions, atmo-spheric processes and deposition, Nationalacid precipitation assessment program,Washington DC, 1.

N U V O L A 1992. ENEL, Codice di calcolo perl’integrazione dei codici US-EPA ISC-ST eCOMPLEX-1 ai fini della valutazione previ-sionale degli indici statistici previsti dalla vi-gente normativa in materia di qualità dell’a-ria, 13-15.

Pepper, D.W., Kern, C.D., Long, P.E. Jr.1979. Modeling the dispersion of atmosphe-ric pollution using cubic splines and chapeaufunctions. Atmospheric Environment, 13, 223-2 3 7 .

Pilinis, C., Kassomenos, P., Kallos, G. 1 9 9 3Modeling of photochemical pollution inAthens, Greece. Application of the RAMS-CALGRID modeling system. A t m o s p h e r i cEnvironment, 27B, 4, 353-370.

Sanadze, G.A. 1961. Emissions of volatileorganics from plants. Edited by Tbilisi, TheAcademy of Science of the Georgian SSR.


2 0 9

Seinfeld, J. H. 1986. Atmospheric chemistryand physics of air pollution.

Seinfeld, J. H. 1988. Ozone air quality models- A critical review, Pasadena, CA.

Seinfeld, J. H. 1989. Urban air pollution: stateof the science. Science, 243.

Sigsby, J.E.Jr., Tejada, S., Ray, W., Lang, J.M., Duncan, J. W. 1987. Volatile organiccompound emissions from 46 in-use passen-ger cars. Environment al Science Technology 2 1 ,5, 466-475.

Stevens, C. S. 1987 The NO/NO2/ O3 p h o t o s t a-tionary state and rate of photolisys of NO2 i ncentral Johannesburg. Atmospheric Environment,21, 4, 799 - 805.

Tebaldi, G. 1991. Inquinamento atmosfericonella provincia di Milano: situazione attuale e

prospettive future. In: Inquinamento atmosfe-rico, Centro scientifico Internazionale, Mila-no.

Tesche, T.W. 1992. Applications ofPhotochemical Models, EnvironmentalModelling. Ed. by P. Melli e P. Zannetti,Computational Mechanics Publications,Southampton.

UK 1993. United Kingdom Photochemical Oxi-dants Review Group, Ozone in the UnitedKingdom.

Tamponi, M., Angelino, E., Tebaldi, G., Bello-ni, E. 1992. Studio modellistico sull’inquina-mento atmosferico da traffico e da riscaldamen-to nell’area metropolitana milanese.

Gualdi, G., Pasquali, M., Puglisi, F. 1993. Studiper la valutazione della qualità dell’aria nellaprovincia di Milano, Milano.

Capitolo 8

L’inquinamento dell’aria e la valutazione dei danni:

un approccio metodologicoGiorgio Panella e Sergio Ascari



2 1 2

Sommario

La valutazione economica dei danni dovuti all’inquinamento atmosferico e l’analisi dei costi dasostenere per avviare eventuali interventi di riduzione delle emissioni sono aspetti essenzialiper una efficace programmazione di politiche di risanamento.

In questo contesto il capitolo, oltre a discutere da un punto di vista metodologico i problemiconnessi con l’applicazione di tali metodi di analisi, presenta una stima economica complessi -va dei danni dovuti al traffico veicolare.

8.1 Premessa

Il deterioramento della qualità dell’aria dei centri urbani rappresenta una delleprincipali preoccupazioni sia a livello nazionale che internazionale, soprattutto peri danni che esso causa alla salute umana. L’inquinamento atmosferico ha infattiraggiunto nei centri urbani dimensioni ragguardevoli avendo superato, in molte si-tuazioni, gli standard di qualità dell’aria fissati dall’operatore pubblico. Le causesono molteplici, principalmente le emissioni autoveicolari, le emissioni da riscal-damento domestico e da insediamenti industriali e le emissioni derivanti dalla pro-duzione di energia elettrica.

È soprattutto il traffico autoveicolare a essere messo sotto accusa, in particolare quel-lo privato su gomma. Nelle aree urbane si localizzano infatti più del 60% del traspor-to merci e più dell’80% del trasporto privato. Ed è per questo che la finalità principaledi questa ricerca consiste nel determinare la dimensione dei danni derivanti dall’in-quinamento atmosferico nei centri urbani, con particolare riferimento a quelli sulla sa-lute umana provenienti appunto dal traffico autoveicolare.

La funzione dei danni che ci si propone di valutare è importante ai fini della defini-zione delle politiche ambientali. Essa dovrebbe costituire una delle informazioni a di-sposizione dell’operatore pubblico per definire il livello ottimale di inquinamento. Ta-le livello dovrebbe infatti essere determinato in base all’eguaglianza fra i costi margi-nali di disinquinamento e i benefici marginali di disinquinamento (danni evitati). Secosì non fosse, si avrebbe uno spreco di risorse (quelle destinate al disinquinamentopotrebbero risultare superiori a quelle che vengono salvaguardate).

A causa delle difficoltà di valutazione, che di solito si incontrano nel valutare la fun-zione dei danni (l’ambiente non è un bene di mercato per il quale esistono dei prezzi),il problema viene risolto dall’operatore pubblico stabilendo in modo esogeno il livel-lo ottimale d’inquinamento da tollerare, cercando quindi di minimizzare la funzionedei costi di disinquinamento. Quest’ultimo approccio non permette di stabilire se lacollettività è in grado di ottenere un vantaggio netto. Per fare ciò occorrerebbe cono-scere, come già detto, sia la funzione dei costi di disinquinamento che quella dei dan-ni all’ambiente.

Il problema che viene affrontato in questa ricerca è dato appunto dalla valutazionedi quest’ultima funzione. Ciò significa, in altri termini, valutare la curva di domandadi aria pulita. Il problema è che tale bene presenta le caratteristiche di bene pubblico.L’aria pulita è un bene né esclusivo né rivale: è difficile impedire a una persona di be-neficiare di essa, e inoltre, se noi sfruttiamo l’aria pulita ciò non impedisce che lo fac-

Capitolo 8 L’INQUINAMENTODELL’ARIA ELA VALUTAZIONEDEI DANNI: UNAPPROCCIO METODOLOGICO

2 1 3

ciano anche gli altri. A causa di tali caratteristiche risulta difficile stimarne la doman-da da parte degli individui e pertanto, non si ha la possibilità di ottenere dei prezzi dimercato direttamente osservabili che possano essere interpretati come il saggio al qua-le la gente desidera scambiare aria pulita per altri beni. Tuttavia, in assenza di un mer-cato, possiamo ottenere delle stime del prezzo dell’aria pulita utilizzando altri stru-menti. Esistono infatti delle tecniche che permettono di valutare direttamente o indi-rettamente, la disponibilità a pagare dei consumatori per ottenere un dato bene, nellafattispecie l’aria pulita.

Nella prima parte della ricerca vengono esaminate tali tecniche e i problemi teoricied empirici che derivano dalla loro applicazione. Detto in altri termini sono stati ana-lizzati i vari metodi di stima delle funzioni dei danni derivanti dall’inquinamento at-mosferico e, successivamente, sono stati presi in considerazione i metodi che megliosi prestano per valutare la funzione dei danni derivanti dall’inquinamento atmosferi-co alla salute umana in relazione a un’area metropolitana: quella milanese.

In particolare, di seguito viene presentato un algoritmo che permette di valutare glieffetti sulla salute umana derivanti dall’inquinamento atmosferico da polveri, ossididi azoto, anidride solforosa e benzene, provenienti dal traffico autoveicolare. Le emis-sioni del parco circolante generano variazioni nelle concentrazioni atmosferiche e, at-traverso queste, danni alla salute umana in termini di mortalità acuta e cronica e dimorbilità, che vengono quantificati per mezzo di funzioni dose-reazione ricavate daipiù recenti studi epidemiologici o sperimentali. Alla stima quantitativa dei danni allasalute viene sovrapposta una valutazione monetaria, basata sul criterio della disponi-bilità a pagare per una riduzione del rischio (nel caso della mortalità) e sui costi di cu-ra (per la morbilità).

La metodologia che è stata utilizzata ha il vantaggio di poter essere trasferita a al-tre realtà territoriali. Le funzioni epidemiologiche utilizzate per quantificare i dan-ni alla salute umana sono state elaborate a livello internazionale e rappresentanol’attuale stato dell’arte. Tali funzioni sono certamente suscettibili di miglioramenti;in tale caso è sufficiente procedere alla loro sostituzione nell’ambito del processo distima senza dovere modificare l’intero metodo. Date le funzioni dose-reazione, idati addizionali necessari per estendere il metodo di stima ad altre realtà sono co-stituiti dai consumi dei combustibili e dal numero medio di chilometri percorsi dalparco veicoli. La disponibilità di tali dati permette di calcolare le emissioni e quin-di le concentrazioni degli inquinanti e, da queste, tramite le funzioni dose-reazio-ne, i danni alla salute umana.

Le stime in termini monetari dei danni rappresentano un parametro di riferimentoper la valutazione di politiche di contenimento del traffico, di tipo strutturale e in con-dizioni di emergenza. Le stime consentono di valutare l’efficacia di strumenti quali,per esempio, la tassazione dei carburanti, i permessi di circolazione a pagamento perle aree urbane, o gli interventi tecnologici sul parco circolante.

Nel valutare l’efficacia di tali strumenti occorre tenere presente che il migliora-mento dell’efficienza dei carburanti e degli autoveicoli può essere più che compen-sata in termini di emissioni dall’aumento del parco automobili e dal numero di chi-lometri percorsi. In altri termini, occorre fare riferimento a politiche sia di breve chedi lungo periodo che tengano conto, oltre che degli standard delle emissioni anchedi quelli ambientali. In tale contesto occorre valutare politiche di intervento che



2 1 4

prendano in considerazione la riduzione dell’uso degli autoveicoli e dei chilometripercorsi in date zone, il miglioramento dell’efficienza o la sostituzione dei carbu-ranti, la diversificazione delle modalità di trasporto.

8.2 L’inquinamento atmosferico: il quadro di riferimento teorico

L’inquinamento atmosferico viene definito a livello economico come un effetto ester-no negativo (esternalità negativa), a causa del quale si verifica una divergenza tra co-sti privati e costi sociali, causando come conseguenza finale delle distorsioni nell’allo-cazione delle risorse.

Considerando il traffico autoveicolare, la decisione di effettuare un determinato per-corso di solito viene presa da parte dell’automobilista sulla base dei costi privati rela-tivi all’uso dell’automobile, trascurando quelli esterni (i danni derivanti dall’inquina-mento). Si verifica così una divergenza tra i costi sociali del trasporto (i costi che deri-vano alla collettività dall’uso dell’automobile) e quelli privati. La divergenza è ap-punto rappresentata dalle esternalità.

Nel caso specifico, poiché il costo privato è inferiore a quello sociale, l’automobili-sta, che non sopporta i costi esterni associati all’inquinamento ma anche quelli dovutiad altre forme di esternalità, adotterà un livello di mobilità inefficiente, superiore aquello che adotterebbe se dovesse tener conto delle esternalità. Occorre pertanto checoloro che generano tali esternalità se ne facciano carico in modo da ricreare l’ugua-glianza tra i costi marginali privati e quelli sociali.

Rimanendo sempre nell’ambito delle esternalità connesse al traffico autoveicolareun ulteriore problema che contribuisce alla questione dell’inquinamento atmosfericoè dato dalla congestione del traffico. Esso si verifica in relazione a quei beni pubblici iquali, oltre a un determinato livello di consumo, perdono la caratteristica di non riva-lità, dando luogo a un costo opportunità. In altri termini, quando si giunge a un livel-lo di saturazione del bene o servizio, può accadere che insorgano delle interferenze de-terminando costi addizionali, e cioè costi di congestione.

Nel caso del trasporto la congestione viene intesa come un problema puramente tec-nologico, dipendente dalle caratteristiche delle strade e rappresentato dall’aumentodei costi marginali di breve periodo conseguente a un loro uso intensivo. Date le in-frastrutture di trasporto, oltre una determinata soglia di traffico, i veicoli comincianoa ostacolarsi reciprocamente, determinando una diminuzione della velocità di circo-lazione e un aumento dei tempi di percorrenza. Anche in questo caso gli utenti pren-dono in considerazione solo i costi che sopportano direttamente trascurando quelliche impongono ad altri utenti a causa del rallentamento della velocità di circolazione.A causa di ciò si avrà, ancora una volta, una divergenza fra costo marginale privato ecosto marginale sociale del trasporto.

Il problema economico consiste dunque nel valutare le esternalità derivanti dal traf-fico e nel fare in modo che i soggetti se ne prendano carico. La congestione si generainfatti in larga parte a causa dell’assenza di prezzi di efficienza per una data rete stra-dale che è a disposizione degli utenti in forma quasi totalmente gratuita. Prendersi ca-rico delle esternalità non significa comunque eliminarle completamente ma, in base aicriteri di convenienza economica occorre, come già anticipato in precedenza, ridurle


2 1 5

fino al punto in cui i benefici marginali derivanti da un loro controllo risultano ugua-li ai costi marginali associati a tale riduzione.

Il livello ottimale d’uso della strada è quello in corrispondenza del quale si verifical’uguaglianza tra domanda e costo marginale sociale. Si tratta di estendere l’uso dellastrada fino a quando le risorse, che vengono usate per un incremento unitario del suouso (cmg), hanno un valore non superiore al prezzo che l’utente marginale è dispostoa pagare (il valore del percorso per l’utente marginale). Rispettando questa regola sirende massimo il valore netto dell’uso della strada per la collettività, costituito dalladifferenza tra la rendita lorda del consumatore, ottenuta dagli utenti della strada e ilcosto complessivo connesso all’uso della strada stessa.

Nella figura 8.1 viene rappresentata la condizione di efficienza descritta in prece-denza. La curva CMgp rappresenta la funzione del costo marginale privato del tra-sporto, mentre la curva D rappresenta la domanda di trasporto stradale per la col-l e t t i v i t à .

L’intersezione delle due curve, CMGP e D, determina il livello di trasporto q* richie-sto dalla collettività. Tale livello non corrisponde a un’allocazione efficiente delle ri-sorse, dato che a partire dal livello q° si verificano costi di congestione, rappresentatidalla curva CMG E, che andrebbero addizionati alla curva CMG P, in modo da determi-nare il costo marginale sociale del trasporto: la funzione CMGS.

Il fatto che q* sia maggiore di q° significa che la collettività è disposta a sopportareun certo livello di congestione, in quanto i benefici che gli individui ne traggono sonosuperiori ai costi che devono subire. Tuttavia, il livello di traffico q* generato dal mer-cato non è ottimale; non è un livello di traffico che consente alla collettività di trarre il

Figura 8.1 - La congestione del traffico urbano e l’inquinamento .

CMG CMGS1

CMGE1

CMGE

CMGS

CMGP

D

O Qq0 q*qS1 qS



2 1 6

massimo vantaggio. Tale livello viene determinato trascurando i costi esterni dovutialla congestione, all’inquinamento e alle altre esternalità di tipo ambientale. La fun-zione da prendere in considerazione è quella dei costi marginali sociali, CMG S, datadalla somma dei costi marginali privati e dei costi marginali esterni. Il livello di traffi-co ottimale dal punto di vista della collettività sarà allora qs, inferiore a q*, ma supe-riore a q°.Alcune esternalità non ricadono sul sistema della mobilità, ma su quello am-bientale, e anch’esse costituiscono elementi di costo sociale il cui effetto è quello dicausare un’ulteriore traslazione verso l’alto dell’intera curva dei costi marginali so-ciali, nonché di anticipare l’inizio dell’aumento della curva dei costi marginali. Consi-derando, oltre alla curva dei costi marginali esterni dovuti alla congestione, anchequella relativa all’inquinamento, e all’occupazione dello spazio urbano avremo unpunto di equilibrio ottimale diverso dal precedente. Riprendendo l’analisi della figura8.1, l’equilibrio ottimale sarà dato da qs

1, inferiore a qs, ottenuto dall’intersezione dellacurva di domanda con la curva dei costi marginali sociali CMGS

1 comprensivi dei costidi congestione CMG E, e dei costi di inquinamento e, in genere, dei costi ambientali CMGE

1 dovuti all’uso dell’automobile.Occorre dunque determinare la quantità ottimale di traffico. Tale quantità si ha

quando il prezzo di domanda, che misura il valore che il percorso ha per l’utente mar-ginale, è uguale al valore delle risorse che la collettività sopporterebbe in conseguen-za dell’effettuazione del percorso da parte dello stesso utente. Da ciò consegue che l’o-peratore pubblico, una volta determinata la quantità ottimale di traffico, deve attuareun sistema di razionamento che ne impedisca il superamento, o direttamente o impo-nendo agli utenti, in aggiunta ai costi privati variabili, un prezzo che rifletta i restanticosti sociali che si verificano in corrispondenza del valore ottimale del flusso autovei-colare, e cioè i costi variabili di manutenzione della strada, i costi di congestione equelli dovuti all’inquinamento e, in genere, tutti i costi esterni.

8.3 La definizione di costo sociale

La valutazione dei costi esterni associati al trasporto pone non pochi problemi sia dinatura teorica che empirica. Come si è visto tale valutazione è importante ai fini delladeterminazione del costo sociale, concetto che pone non pochi problemi di interpreta-zione. Di seguito ci soffermeremo su alcuni di questi problemi.

Di solito, per determinare il costo sociale dei trasporti, occorre prendere in conside-razione tutte le spese che la collettività sopporta a causa dei trasporti. Esso è così co-stituito dalla somma dei costi di tutte le esternalità più le spese sostenute dai privati edall’operatore pubblico per realizzare le attività di trasporto. Pertanto, in base a que-sta definizione, si dovranno prendere in considerazione i seguenti elementi:

• le spese sopportate dall’operatore pubblico per la costruzione e la gestione delleinfrastrutture;

• le spese delle imprese che gestiscono le attività di trasporto;• le spese sopportate dagli utilizzatori dei trasporti;• i costi causati ad altri soggetti in conseguenza delle attività di trasporto.Le difficoltà che derivano da tale definizione consistono nel considerare tutti gli im-

patti derivanti dalle attività di trasporto e nel valutarli in termini monetari.


2 1 7

Così, per esempio, nel caso del rumore bisognerà valutare, oltre alle spese dell’ope-ratore pubblico per ridurre il rumore dovuto alla circolazione e quelle delle impreseche gestiscono le infrastrutture per rendere i veicoli meno rumorosi, anche le spese cheeffettuano gli altri soggetti per insonorizzare gli appartamenti, per curare gli effettisulla salute e quelle riguardanti le perdite di produttività che derivano dal rumore.

La valutazione comporta la presa in considerazione del valore dei danni causati dalrumore e delle spese che risultano necessarie per sopprimerli. Nella figura 8.2 a dove inascissa viene rappresentato il livello di rumore e in ordinata i danni totali e i costi totalidi controllo del rumore, viene raffigurato tale concetto.

D(N) rappresenta la funzione dei danni causati dal rumore. C(N) descrive la fun-zione delle spese necessarie per ridurre il rumore. T(N) è la funzione del costo socialedel rumore, ed è data dalla somma delle due funzioni C(N) e D(N).

Il costo sociale è al minimo nel punto N*, in corrispondenza del minimo della fun-zione T(N). In relazione al punto N*, come risulta dalla figura 8.2 b, dove vengono rap-presentati i danni e i costi marginali, il danno marginale dD/dN (o la disponibilitàmarginale a pagare per ridurlo) risulta uguale al costo marginale relativo alla sua ri-duzione dC/dN. Sempre in tale punto il livello di rumore ottimale corrisponde al co-sto sociale del rumore minimo; coloro che sono colpiti dal rumore sono disposti a pa-gare l’equivalente dell’area I per ridurre il rumore al livello N* e il costo per fare ciò èdato dall’area II. In genere la definizione restrittiva del costo ambientale fa riferimen-to ai costi di controllo dell’inquinamento (area II), ma l’approccio più estensivo do-vrebbe comprendere anche la disponibilità a pagare per ridurre l’inquinamento resi-duo (area I).

Figura 8.2 a - Il costo sociale del rumore.

CT

DT

(q)

C (N)

O N* INQ.N

D (N)

T (N)



2 1 8

8.4 Gli impatti ambientali imputabili ai trasporti e le metodologie di valutazione

Definito il costo sociale del trasporto, analizziamo di seguito alcuni degli elementi checoncorrono a determinarlo, in particolare i vari impatti che derivano sia dalla costru-zione e manutenzione delle infrastrutture che dall’utilizzo dei mezzi di trasporto. Gliimpatti sono moltissimi, caratterizzati da dimensioni temporali e spaziali diverse.Molti di essi sono difficili da quantificare e presentano margini di incertezza notevoli.Si pensi per esempio alla relazione tra sostanze inquinanti ed effetti sulla salute uma-na; in questo settore le conoscenze scientifiche sono ancora limitate e presentano no-tevoli gradi di indeterminatezza.

I principali effetti sono comunque connessi con l’inquinamento atmosferico, il ru-more, le vibrazioni, gli incidenti stradali, l’intrusione visiva, la distruzione delle risor-se naturali, l’occupazione del suolo urbano e rurale sia da parte dei veicoli che delleinfrastrutture.

L’inquinamento atmosferico dei centri urbani, causato dal traffico autoveicolare ècertamente da considerarsi fra i problemi più preoccupanti. Come evidenziato nellatabella 8.1 i trasporti sono responsabili delle principali forme di inquinamento atmo-sferico che a causa delle anomalie del settore sono destinate ad aumentare.

In Italia, anche se la dinamica di sviluppo del trasporto risulta in linea con quella de-gli altri paesi europei, essa presenta due anomalie riguardanti rispettivamente il tra-sporto delle merci e il trasporto delle persone in ambito urbano. Per il trasporto dellemerci, la quota stradale in tonnellate-km è del 92% (in costante aumento), a fronte del

Figura 8.2 b - Il costo sociale del rumore.

CMG

(b)

I II

DMG

O

d D/dNd C/dN

N* NM INQ.N


2 1 9

65% della Francia, del 45% della Germania e del 40% dell’Olanda. Per quanto riguar-da la mobilità urbana, la quota di utilizzazione del trasporto collettivo (bus + tram +metropolitana) nelle maggiori città italiane oscilla appena tra il 35 e il 45% nelle ore dipunta, mentre nelle principali città europee (Londra, Vienna, Monaco) essa supera il70%.

La valutazione delle funzioni dei danni dovuti all’inquinamento atmosferico è diffi-cile da effettuare. Per esempio vi sono notevoli difficoltà per la rilevazione fisica delleemissioni di agenti inquinanti, nonché per l’individuazione delle relazioni tra emis-sioni e danno. A queste difficoltà si aggiunge inoltre quella di natura economica, con-sistente nel tradurre in termini monetari le funzioni dei danni.

Nella maggior parte dei casi relativi all’ambiente, non esiste un mercato in cuivengono scambiati beni quali l’aria pura, l’acqua pulita ecc. e, quindi, essi non pos-sono essere facilmente monetizzati. In assenza di un prezzo di mercato che ci per-metta di attribuire loro un valore occorre fare riferimento ad altri strumenti di va-l u t a z i o n e .

Gli approcci più comunemente utilizzati per la valutazione dei beni ambientali inassenza di mercato possono essere classificati in due categorie: procedure di valuta-zione diretta e procedure di valutazione indiretta. Tali procedure hanno in comunel’obiettivo di definire i valori individuali, espressi in termini di disponibilità a pagareper un miglioramento ambientale o di disponibilità ad accettare una compensazioneper un peggioramento dell’ambiente.

Tabella 8.1 - Inquinamento dell’aria derivante dalle attività di trasporto (1.000 t) (Fonte: OECD,1988).

Emissioni di trasportoa (1000 tonnellate) % su totale emissioni

ultimo anno

1970 1975 1980 1985 1989 1990 1991

ossido di azoto (NO)a 734 734 753 907 1.137 993 - 50

particolati 87 118 170 147 199 - - 40

m o n o s s i d odi carbonio ( C O ) 3678 4315 4990 5305 5043 5609 - 79

composti organici 402 493 599 827 907 975 - 51

volatili (VOC)b

biossido di carbonio (CO2)c 7 0 . 0 0 0 7 5 . 3 0 0 8 6 . 9 0 0 9 3 . 2 0 0 1 0 7 . 1 0 0 1 0 8 . 5 0 0 1 1 1 . 0 0 0 2 7

8.4.1 Procedure di valutazione direttaRientrano in questa prima categoria tutte le metodologie che cercano di misuraredirettamente il valore monetario dei miglioramenti ambientali attraverso tecnichemiranti a ottenere l’espressione delle preferenze degli individui. Gli economistihanno sviluppato diverse tecniche di analisi per la stima della disponibilità a paga-re, solitamente raggruppate nella costruzione di mercati artificiali (valutazione



2 2 0

contingente), e nell’analisi di mercati strettamente collegati a quello per i serviziambientali (mercati surrogati).

Con la valutazione contingente, si domanda direttamente agli interessati quanto so-no disposti a pagare per la qualità ambientale ipotizzata; con le analisi dei mercati sur-rogati, la disponibilità a pagare è invece dedotta da quanto si spende per goderne: peresempio, a partire da quanto vale una casa situata in zone con minore inquinamentoatmosferico, a parità di tutte le altre caratteristiche che ne influenzano il prezzo (prez-zi edonici). In entrambi i casi, le tecniche di valutazione, anche se ormai affermate, so-no piuttosto complesse e richiedono grande cautela sia nell’acquisizione dei dati chenella loro elaborazione.

8.4.2 Procedure di valutazione indiretta La metodologia indiretta consiste invece nel procedere alla valutazione scientifica del-le esternalità, fino al punto in cui i danni individuati siano passibili di valutazione aprezzi di mercato, o (in mancanza di questi ultimi) ad attendibili valutazioni di effettiben determinati, effettuate con tecniche di simulazione del mercato.

In relazione al vastissimo dibattito tra metodologie dirette e indirette di valutazioneconviene ricordare che alla base dei due approcci vi sono diverse concezioni del prin-cipio della disponibilità a pagare che è alla base dell’analisi costi-benefici, nonché delruolo delle politiche pubbliche. Infatti, scopo di alcuni è semplicemente quello di su-perare gli ostacoli che, nel caso delle esternalità ambientali, impediscono ai consuma-tori di manifestare le loro preferenze analogamente a quanto avviene per i beni priva-ti. Da questo punto di vista, non ha alcuna importanza che la disponibilità a pagaremanifestata per trasferire l’impatto inquinante, purché correttamente misurata, sia omeno correlata all’effettivo danno arrecato all’impatto.

D’altra parte, la metodologia indiretta non nega che in ultima analisi i valori deidanni ambientali siano da ricondursi alle preferenze dei consumatori, ma si proponedi utilizzare per quanto possibile le conoscenze scientifiche, di cui condivide peraltroi limiti, per giungere a isolare nel modo più preciso possibile gli oggetti su cui racco-gliere i valori attribuiti dai consumatori. In questo senso, essa è portatrice di un mag-giore sforzo di razionalizzazione, e pertanto si presta meglio alla definizione di criterioggettivi di politica ambientale ed è maggiormente coerente con l’adozione di criteripaternalistici nella scelta delle politiche pubbliche.

Peraltro, la scelta delle metodologie è spesso influenzata da considerazioni relativeal tipo di danno o agli scopi dell’esercizio di valutazione. In alcuni casi, le metodologiedirette possono offrire risultati ibridi e di scarso valore al di là del caso specifico in cuisono stati rilevati, perché è difficile per il consumatore distinguere, per esempio, traun impatto sulla salute, sul paesaggio, sui valori delle proprietà ecc.: in questi casi èpossibile solamente una stima dell’impatto complessivo, rinunciando peraltro ad at-tribuire ai valori ottenuti un significato generale relativo a uno dei parametri conside-rati (per esempio le emissioni gassose).

D’altra parte, talvolta i costi esterni sono difficilmente riconducibili alla somma ditalune componenti, mentre sono prevalenti aspetti psicologici, sociologici o ideologi-ci. È questo probabilmente il caso di una discarica di rifiuti urbani, nella quale è diffi-cile distinguere, fra i fattori determinanti dell’avversione tipicamente manifestata daivicini, l’inquinamento ambientale da emissioni, il fastidio degli odori e dell’accresciu-


2 2 1

to traffico stradale, la stessa componente di stima legata alla presenza di un simile im-pianto nella zona. La metodologia diretta allora, per quanto imprecisa, deve esserescelta per ottenere stime sufficientemente complete.

Prescindendo da ulteriori considerazioni teoriche, non si può fare a meno di osser-vare che in pratica gli studi che ricorrono a metodi diretti si sono diffusi molto più ra-pidamente, anche in Italia, di quelli basati su metodi indiretti. Non sembra che ciò di-penda da una scarsa desiderabilità di questi ultimi: da più parti si invoca infatti l’op-portunità di condurre studi che comprendano da un lato un’accurata analisi scientifi-ca dell’impatto ambientale, e che dall’altro siano sintetizzabili in indici dell’impatto,tra i quali la valutazione monetaria, pur non essendo l’unico metro di paragone, è cer-tamente una delle possibilità principali. La ragione può invece ritrovarsi piuttosto nelcrescente specialismo delle accademie, che in economia come in altre discipline favo-riscono gli studi di carattere monodisciplinare su quelli interdisciplinari, talvolta ascapito della rilevanza e dell’unità pratica dell’analisi.

8.5 Gli effetti sulla salute umana: gli studi epidemiologici

Come messo in evidenza nel paragrafo precedente gli effetti sulla salute umana costi-tuiscono una parte rilevante del costo sociale delle attività di trasporto. Gli epidemio-logi hanno individuato nell’inquinamento una delle principali determinanti dell’au-mento dei tassi di mortalità e di morbilità.

Moltissimi ricercatori hanno tentato di studiare in primo luogo l’effettiva relazionefisica tra inquinamento e salute, cercando di calcolare in che misura i tassi di mortalitàe di morbilità diminuiscono al migliorare della qualità dell’aria. In genere ciò è statofatto utilizzando procedure di valutazione indirette, perché l’ipotesi predominantenelle scienze economiche è che gli individui non sono consapevoli degli effetti dell’in-quinamento sulla salute umana e perciò non li prendono in considerazione nell’assu-mere le loro decisioni. Se si tiene conto di ciò, il modo più appropriato nel valutarequesto tipo di benefici è proprio quello di stimare una relazione dose-reazione tra idanni alla salute e l’inquinamento e poi assegnare un valore monetario alla diminu-zione prevista negli indici di mortalità e morbilità. La “dose” è l’esposizione al rischio,la “reazione o risposta” è la frazione di popolazione esposta.

In questo tipo di rappresentazione la dose è immaginata come una minaccia chedeprezza lo stock di salute di un individuo: la mortalità si verifica quando questostock scende al di sotto di un dato livello critico. Il processo è probabilistico perchéla quantità iniziale di salute o il livello critico sono casualmente distribuiti nella po-polazione a rischio. Man mano che la dose aumenta, il deprezzamento cresce, unapiù grande proporzione supera il livello critico e la probabilità di una conseguenzaavversa aumenta.

Solitamente gli autori fanno riferimento a tutti i fattori che possono influenzare gliindici riguardanti la salute. Questi metodi sono talvolta definiti “macroepidemiologi-ci” perché si servono di un insieme di informazioni molto più vasto di quelli a cui so-litamente ricorrono gli epidemiologi.

Nella grande maggioranza dei casi, il modello consiste nello stabilire un’equa-zione di regressione multivariata che mette in relazione i danni alla salute o la mor-



2 2 2

talità a numerose variabili esogene come le caratteristiche fisiche della popolazione(età, sesso), le caratteristiche socio-economiche (reddito, fattori occupazionali, den-sità, migrazioni), le caratteristiche personali (regime alimentare, livello di istruzio-ne, consumo di sigarette, quantità e qualità di cure mediche, esercizio fisico, storiagenetica) e le variabili ambientali (elementi climatici, fattori domestici come il tipodi riscaldamento e il combustibile usato, radiazioni e soprattutto gli agenti inqui-n a n t i ) .

L’esecuzione dell’analisi di regressione multipla consente di stimare un coefficienteche lega gli indicatori di salute all’inquinamento. La quasi totalità degli studi macroe-pidemiologici che stabiliscono un legame tra inquinamento atmosferico e salute uma-na sono stati realizzati negli Stati Uniti. Per esempio hanno cercato di analizzare la cor-relazione tra morte prematura e inquinamento. Per evidenziare questa correlazionesono ricorsi a un’analisi di regressione multivariata al fine di controllare i fattori chepossono provocare la morte. Interessanti i coefficienti riguardanti le polveri totali so-spese e il valore minimo dei solfati in termini di elasticità:

e = (DMS/DSM) + (DMP/DPM) = 0,116

dove:M mortalità media 9,022 decessi per 1000 abitanti;S media delle concentrazioni minime di zolfo 3,462 (µg/m3);P media delle concentrazioni di polveri totali sospese 95,58 (µg/m3).

In base a questa analisi una riduzione dell’1% delle concentrazioni dei fattori inqui-nanti determinerebbe una riduzione di quasi lo 0,12% della mortalità.

Dopo i lavori di Lave e Seskin altri contributi hanno cercato di migliorare le analisi,considerando nuove variabili, utilizzando formulazioni differenti della relazione in-quinamento-mortalità e ricorrendo a tecniche statistiche supplementari. Nel lavoro diLipfert il coefficiente relativo allo zolfo diminuisce quando si introducono nuove va-riabili e diventa in alcuni casi non significativo. Per contro il coefficiente dei particola-ti, pur diminuendo, rimane significativo.

Quando le analisi hanno preso in considerazione gli effetti di morbilità, la mag-gior parte degli studi epidemiologici lo hanno fatto cercando di verificare la capa-cità di forti peggioramenti di breve periodo della qualità dell’aria di influire sullasalute umana provocando malattie acute o croniche. Le prime sono dovute a breviesposizioni occasionali a concentrazioni particolarmente elevate e sono caratteriz-zate da attacchi improvvisi, in genere di breve durata, e possono essere reversibili.Gli effetti cronici sono invece dovuti a esposizioni prolungate a determinati livellidi concentrazione nell’aria dei fattori inquinanti. In genere essi sono irreversibilicausando talvolta morti premature.

In alcuni studi vengono valutati gli effetti di breve periodo sulla salute umana pro-vocati dall’inquinamento atmosferico derivante dalle fonti mobili, in particolare gliossidanti fotochimici. In altri studi sono stati presi in considerazione i livelli di parti-colato sospeso, il biossido di zolfo, i solfati e altre variabili riguardanti il vento, la tem-peratura, le precipitazioni, la densità urbana ecc. Va sottolineato come i coefficienti re-lativi allo zolfo risultano in genere poco significativi.


2 2 3

Salvo rare eccezioni, la letteratura ha dedicato scarsa attenzione allo studio del pos-sibile ruolo dell’inquinamento nel provocare malattie croniche respiratorie. In questistudi viene evidenziata l’esistenza di correlazione, anche se non sempre significati-va, fra ozono e malattie croniche respiratorie e le polveri totali sospese.

8.6 La dimensione quantitativa dei danni dell’inquinamento atmosfericoderivanti dal trasporto

Nonostante i grandi progressi verificatisi a livello di procedure di valutazione, note-voli sono ancora i problemi teorici da risolvere. L’uso di metodologie di valutazionediverse comporta molte volte risultati univoci notevolmente divergenti i quali, tutta-via, possono essere attribuiti anche alla qualità delle informazioni utilizzate nel pro-cesso di valutazione.

È comunque a causa dei problemi teorici insoluti e della difficoltà di ottenere datisufficientemente affidabili che per quanto riguarda l’inquinamento atmosferico man-ca ancora un quadro di insieme generale sufficientemente attendibile. Di seguito, pri-ma di affrontare il problema della valutazione dei danni alla salute umana derivantidall’inquinamento atmosferico, cercheremo di fornire, sulla base di alcune ricerche ef-fettuate a livello internazionale, un’idea dell’ordine di grandezza dei danni comples-sivi derivanti dal settore del trasporto.

8.6.1 Incidenti alle persone La valutazione degli incidenti può essere effettuata facendo riferimento alla disponi-bilità a pagare per evitare l’incidente oppure, in modo indiretto, moltiplicando il nu-mero di morti, di feriti e dei danni materiali per il rispettivo valore unitario. Quest’ul-timo metodo è quello più seguito.

Il costo sociale degli incidenti viene posto uguale ai costi generati dagli incidenti me-no i premi assicurativi. I costi comprendono:

• il danno ai veicoli, alle infrastrutture, agli edifici e all’ambiente;• i costi legali, di polizia o dei servizi di soccorso;• le spese mediche e funerarie;• le perdite di produzione.È possibile rappresentare i vari elementi del costo sociale mediante un unico mo-

dello dal quale ottenere il costo esterno marginale riguardante gli incidenti. Poiché lavalutazione del costo sociale viene a dipendere da alcune ipotesi e da parametri di dif-ficile determinazione, la sua dimensione presenta notevoli margini di errore:

CTS = (a+c+d) rF (8.1)

dove:a costo atteso per l’utilizzatore della strada e dei passeggeri nel caso di incidenti;c costi amministrativi e spese mediche;d danni pagati dalle persone che causano incidenti;r rischio dell’utilizzatore della strada di incorrere in un incidente per auto/km;F flusso dei veicoli per unità di tempo.

Il numero atteso di incidenti per chilometri è una funzione crescente del flusso ditraffico. Maggiore è la densità del traffico, maggiori le probabilità di incidenti. È cosìpossibile rappresentare tale funzione come di seguito:

R = b f¡ (8.2)

Specificatamente, il raddoppio dell’intensità del traffico determina un raddoppiodel rischio, allora la relazione tra (r) ed (F) è del tipo lineare e (i) è uguale all’unità. Tut-tavia tale relazione soffre di grande incertezza. Sostituendo la relazione precedentenella funzione del costo totale sociale si ottiene:

CTS = (a+c+d) b f 1+¡ (8.3)

Il costo marginale sociale è semplicemente:

CMGS = (¡+1) (a+c+d) bF¡ (8.4)

CMGP = CPm = (a+d) r = (a+d) bF¡ (8.5)

Il costo marginale privato (CMG P) è dato dai costi privati attesi di un incidente ri-guardanti l’ultimo chilometri percorso. Tuttavia non esiste una particolare ragione percui si debba ritenere che l’autista che percorre l’ultimo chilometri sia più sicuro di ognialtro utilizzatore della strada; allora il costo marginale privato sarà uguale al costo me-dio privato (CPm). In questo caso viene ipotizzato che gli utilizzatori della strada per-cepiscano correttamente il rischio connesso alla guida e che omettano i costi copertidall’assicurazione. Il costo marginale esterno (CmGE) sarà dato dal costo marginale so-ciale meno il costo marginale privato moltiplicato per il flusso di traffico:

CmGE = (CMGS-CMGP) F

La valutazione dei danni alle persone richiede dunque prioritariamente che si attri-buisca un valore alla vita umana. Come si vedrà in modo più analitico nei paragrafisuccessivi tale valore varia da paese a paese, ma tale variazione è da attribuirsi preva-lentemente al metodo di stima utilizzato. In genere, le stime basate sul metodo delladisponibilità a pagare danno valori più elevati e, per contro, quelle basate sul metododel capitale umano valori meno rilevanti.

Nella tabella 8.2 vengono riportati i costi attribuiti agli incidenti in percentuale delprodotto nazionale lordo. Va sottolineato come il costo sociale degli incidenti differi-sce notevolmente in base alle modalità di trasporto. Per esempio, tenuto conto delladistanza percorsa, il costo degli incidenti dovuti agli autobus è stato stimato essere undecimo di quello delle automobili. Comunque i costi sociali dovuti agli incidenti au-tomobilistici sono in genere parzialmente internalizzati dai premi pagati per le assi-curazioni. Il costo sociale dovrebbe perciò comprendere solo le voci escluse dai premiassicurativi quali, per esempio, la perdita del valore umano nella forma di disturbo, lecure mediche, i servizi di polizia, il soccorso, i costi legali ecc. In alcuni casi viene con-siderato il costo psicologico del dolore e della sofferenza.



2 2 4


2 2 5

Paese Costo strada Incidenti %PNL Fonte Annoferrovia

Belgio 2.335 8 1,60 Hansson 1986Marckham

Danimarca 635 5 0,65 - 1989

Germania 14.033 1,32-1,31 - -

Finlandia 1.649 60 1,92 - -

Francia 7.423 51 1,00 - -

UK 11.879 86 1,57 - -

Lussemburgo 60 1-0,92 - -

Olanda 1.130 5 0,56 - -

Norvegia 359 5 0,47 - -

Austria 1.973 34 1,74 - -

Portogallo 152 2 0,39 - -

Svezia 2.020 21 1,24 - -

Svizzera 2.137 99 1,45 - -

Spagna 4.426 10 1,26 - -

8.6.2 Inquinamento acustico Vari sono i metodi di valutazione del rumore: prezzi edonici, costi di prevenzione,valutazione dei danni provocati alla salute. Molte valutazioni fanno riferimento almetodo dei prezzi edonici, consistenti nell’isolare la perdita di valore degli immo-bili dovuta al peggioramento o miglioramento delle condizioni ambientali. Talemetodo soffre del problema di individuare le principali variabili che influiscono sulprezzo delle abitazioni e della presenza di distorsioni nel mercato delle abitazioni.Altri ancora hanno basato la stima del costo del rumore sulla base delle spese diprevenzione prendendo in considerazione le spese di insonorizzazione individua-li (doppi vetri, insonorizzazione ambientale) e collettive (costruzione tunnel, bar-riere antirumore ecc.).

Seguendo l’approccio del consumo di risorse alcuni autori stimano il costo del ru-more prendendo in considerazione:

• la perdita di produttività (dovuta alla perdita di concentrazione, alle difficoltà dicomunicazione, alla fatica conseguente alla diminuzione delle ore di sonno);

• le spese sanitarie (per ritrovare il sonno, per recuperare l’udito, per la cura dellostress);

• i costi dovuti alla perdita della serenità psicologica. Le valutazioni risentono dei limiti di tale metodo, in particolare del fatto che il ru-

more dipende dal grado di urbanizzazione e dalla struttura delle aree urbanizzate.

Tabella 8.2 - Costo degli incidenti attribuiti al trasporto (Fonte: OECD, 1994).



2 2 6

Poiché risulta difficile isolare le spese connesse al rumore da quelle originate da altrecause, notevoli sono le differenze nei risultati a cui pervengono le varie ricerche.

Nella tabella 8.3vengono riportati i risultati di alcune ricerche: evidente risulta la di-spersione dei valori. Si può comunque assumere come valore medio lo 0,2%. Il pro-blema sorge nel ripartire il costo del rumore in relazione alle varie modalità di tra-sporto. Ancora una volta le varie ricerche attribuiscono valori che variano notevol-mente da paese a paese. Il libro verde della Commissione delle Comunità Europee(1992) riporta la seguente suddivisione: strada 64%; ferrovia 10%; trasporto aereo 26%.

8.6.3 Inquinamento atmosferico locale I metodi utilizzati per la valutazione sono generalmente quelli indiretti, basati sul-l’approccio del consumo di risorse e perdita di prodotto, consistenti dapprima nellavalutazione della funzione fisica dei danni e quindi nella traduzione in termini mone-tari di tale funzione.

Il modello su cui si basa la stima dei costi esterni dovuti all’inquinamento dell’ariacomporta due fasi: la prima consiste nell’identificare gli effetti dell’inquinamento sul-l’ambiente compreso l’uomo e quindi, in secondo luogo, nel valutare tali effetti in ter-mini monetari.

L’identificazione degli effetti sulla salute umana derivanti dalle emissioni delle so-stanze inquinanti ritiene di individuare la concentrazione nell’aria delle stesse sostan-ze inquinanti, il numero di persone esposte e l’effetto di una unità di sostanze inqui-nanti su ogni persona esposta. Ciò può essere espresso come di seguito:

Tabella 8.3 - Danni da inquinamento acustico (Fonte: OECD,1994).

Paese %PNL Fonte Anno Metodo

Norvegia 0,06 Ringheim 1983 Prezzi edonici

Francia 0,08 Lambert 1986 _

Olanda 0,02 Opschoor 1986 _

Germania 1,4 Weinberger 1992 Disponibilità apagare

e danni salute

Francia 0,2-0,6 Ocse 1990 Spese controllo

Francia 1,5 Merlin 1989 Tutti i metodi

Finlandia 0,3 Himanen et al. 1989 Costo protez.

USA 0,2 The going rate 1992 “

USA 0,10 Bouladon 1990 “

Svezia 0,4 Hansson 1992 Prezzi edoniciMarckham

Germania 0,15 Planco 1985 Costo protez. 55db


2 2 7

D Hij = bij PODAjt

dove:Hi impatto (i) sulla salute (i);j particolare tipo di sostanza inquinante;t tipo di carburante;bij inclinazione della funzione dose - risposta dell’impatto i dovuto alla sostanza

inquinante (j).

La funzione descrive la variazione della salute umana (risposta) in conseguenza diuna data dose di sostanze inquinanti;

PO popolazione esposta alla sostanza inquinante (j);Ajt concentrazione ambientale della sostanza inquinante (j).

La seconda fase del modello richiede la valutazione in termini monetari della varia-zione dello stato di salute della popolazione. Ciò può essere espresso con la seguentefunzione:

Pi D Hij = Pi bij PODAjt

dove:Pi prezzo attribuito alla variazione della salute in conseguenza dell’impatto (i).

In genere, le valutazioni comprendono oltre ai danni sulla salute umana, anchequelli riguardanti il patrimonio immobiliare e la vegetazione. Nella tabella 8.4 vengo-no riportati i risultati di alcune ricerche e, ancora una volta, si nota come le stime otte-nute mediante l’uso di metodi di valutazione diretta siano più rilevanti di quelle ef-fettuate con metodi di valutazione indiretta. Tranne alcuni valori che si discostano no-tevolmente, quello medio è dell’ordine dello 0,4% del PNL.

Tabella 8.4 - Danni derivanti dall’inquinamento atmosferico (Fonte: OECD, 1994).

CostoPaese Salute % PNL Vegetaz. Totale Ricerca Anno

danni cose

Germania 0,11-0,42 0,05-0,06 0,03-0,15 0,19-0,63 Grupp 1986

Germania 0,07-0,18 0,05-0,09 0,13-0,21 0,25-0,48 Planco 1990

Germania 0,59 0,07 0,26-0,41 0,92-1,05 UPI 1991

Svizzera 0,02-0,06 0,21 0,18-0,41 0,41-0,68 Pillet 1988

Svizzera 0,01-0,03 0,07-0,16 0,16-0,45 0,24-0,64 Infras 1992

Svezia 0,02-0,06 0,00-0,03 0,00-0,02 0,03-0,11 Gunnar 1986

Olanda 0,16-0,29 0,08-0,13 0,14-0,18 0,38-0,6 VROM 1985



2 2 8

Problemi di identificazione della relazione dose-risposta sorgono nella valutazionedei danni alla salute, visto che le malattie derivano spesso da un concorso di cause (in-quinamento, ma anche cattive condizioni abitative ecc.).

8.6.4 Congestione I costi riguardanti l’uso della strada sono costituiti da tre elementi:

• il costo riguardante l’uso delle strade non congestionate (tempo, carburante, rischiecc.);

• il costo di congestione sopportato dall’utilizzatore marginale della strada (au-menta all’aumentare del traffico);

• il costo di congestione imposto dall’utilizzatore marginale della strada ad altrisoggetti.

Rappresentiamo tali costi nella figura 8.3. I primi due elementi di costo sono rappre-sentati dalla curva dei costi sociali medi CM S mentre quelli di congestione imposti aterzi dalla curva CMGE. Viene ipotizzato che il costo sociale medio aumenti all’aumen-tare del numero di autoveicoli e pertanto la curva del costo marginale giace al di sopradi quella del costo medio. Il flusso di traffico ottimale è dato dal punto B dove i costimarginali sociali risultano uguali alla curva di domanda.

In un mercato non sottoposto a regolamentazione la tendenza consiste nell’espan-dere il flusso del traffico fino al punto F determinato dall’intersezione della curva delcosto medio con la curva di domanda. In quel punto il costo privato sopportato dal-l’ultimo automobilista è uguale al beneficio ottenuto; egli non considera i costi di con-gestione imposti agli altri utenti. Il punto di ottimo è, come già visto, determinato dalpunto B. Per i punti superiori e inferiori a B i benefici ottenuti dall’utilizzatore dellastrada (curva di domanda) sono inferiori ai costi che vengono imposti agli altri utenti(i costi marginali esterni).

Figura 8.4 - Le esternalità dovute alla congestione del traffico.

CMG

D

B

E

G

F

CMGS

CMS

CMGE

A

C

D

O Traffico


2 2 9

Se risulta facile rappresentare geometricamente i costi di congestione difficile è la lo-ro quantificazione, a causa soprattutto della relazione tra velocità e flusso (quantità diveicoli o numero di passeggeri per auto/h).

Occorre innanzitutto stabilire per una data strada la relazione che descrive il costomarginale privato per chilometri come funzione della velocità (v) misurato in km:

CMGP = CM = a+b/v (8.6)

dove (b) è il valore dell’unità di tempo per gli occupanti dell’autoveicolo e (a) il co-sto fisso per km.

C MG P rappresenta il costo aggiuntivo percepito dall’utilizzatore della strada che sce-glie di percorrere un chilometri addizionale. Esso rappresenta anche il costo medio(CM) del veicolo per chilometri. Non si vede infatti perché debba esistere una diffe-renza tra l’ultimo utilizzatore della strada e gli altri utenti.

Successivamente occorre stabilire un relazione tra velocità e flusso (F). Normalmen-te viene ipotizzata l’esistenza di una relazione lineare:

v = a-b F (8.7)

Si può sostituire questa relazione nella espressione (8.6) in modo da renderla fun-zione di F:

CMGP = CM = a (b/a-b F) (8.8)

Moltiplicando l’equazione (8.8) per il flusso del traffico si ottiene il costo totale so-ciale CTS:

CTS = aF+ bF/(a- b F) (8.9)

Differenziando la (8.9) rispetto al flusso del traffico si ottiene il costo marginale so-ciale CMGS:

CMGS = a + a b/(a-b F)2 (8.10)

Sottraendo il costo marginale privato dal costo marginale sociale e moltiplicandoper F si ottiene il costo marginale esterno CMGE :

CMGE = (CMGS-CMGP) F

Anche in questo caso vari sono i metodi utilizzati nella letteratura per valutare i va-ri elementi di costo. Il metodo a cui si fa normalmente riferimento consiste nel con-frontare il tempo utilizzato per il trasporto con quello che potrebbe essere impiegato insituazione senza traffico. La congestione si può misurare anche indirettamente facen-do riferimento al rapporto fra densità dei veicoli e capacità stradale o al numero di in-gressi in una o più zone predefinite.

Stime di larga massima del danno monetario arrecato ogni anno a livello nazionale



2 3 0

forniscono un ordine di grandezza di 10.000 miliardi. La rilevanza del problema è do-vuta agli effetti cumulativi che derivano dalla congestione riguardanti l’incrementodell’inquinamento atmosferico, la decentralizzazione delle attività economiche e ilproblema del pendolarismo.

8.6.5 Utilizzo del suolo Uno dei problemi che sorge quando si deve valutare il costo sociale del trasporto ur-bano è se prendere in considerazione anche l’uso del suolo urbano. La teoria non èsempre d’accordo, dato che per il terreno utilizzato per la costruzione delle infrastrut-ture stradali viene di solito pagato un prezzo, per cui non dovrebbe essere considera-to un effetto esterno. Considerarlo come tale significa che il prezzo del suolo non ri-flette la scarsità sociale della risorsa.

In relazione alla stima del consumo di suolo urbano dovuto alla sosta dei veicoli disolito vengono proposti tre metodi di stima:

a) il costo-opportunità dello spazio stradale costruito;b) la disponibilità a pagare manifestata dagli automobilisti;c) il costo-opportunità in relazione ai flussi di traffico.Il primo metodo pone problemi soprattutto in relazione all’identificazione del valo-

re dello spazio stradale che dipende principalmente dalla localizzazione e dalla den-sità dell’area. La determinazione della disponibilità a pagare, ricavabile dalle tariffeper i parcheggi e dal valore di un posto macchina in un garage, è posta in relazione allivello di controllo e sanzionamento del divieto di parcheggio illegale, al periodo e al-la localizzazione del parcheggio. Il terzo metodo stima invece il rallentamento del traf-fico sulla base di un modello di simulazione della velocità di percorrenza in relazionealla larghezza della strada. Sono ovviamente necessarie ipotesi sulla distribuzione delflusso di traffico nell’arco della giornata e una stima del valore del tempo.

8.6.6 Costi totali esterni dei trasporti Alcuni studi hanno cercato di quantificare il costo sociale dei trasporti. Per esempio,secondo uno studio condotto da ECOTEC (1994) riguardante i paesi della comunitàeconomica europea, le esternalità derivanti dall’uso dei trasporti su gomma (inquina-mento atmosferico, rumore, incidenti, altri effetti ambientali) risultano equivalenti acirca il 2% del PIL dei paesi presi in considerazione (Francia, Germania, Italia, Olan-da, Inghilterra e Spagna). La percentuale non comprende i costi di congestione e in re-lazione ai costi degli incidenti viene considerata solo la quota non compresa nei premidi assicurazione (perdita di produzione, costi legali, perdita di valore umano in ter-mini di dolore ecc.). Volendo applicare tale percentuale alla realtà italiana e conside-rando anche i costi di congestione, stimati pari al 2,1% del PIL, si ottiene una dimen-sione dei costi esterni equivalente al 4% del PIL e cioè in valori assoluti circa 65.000 mi-liardi di lire 1994.

Il dato a cui si fa riferimento è certamente grossolano e va preso in considerazionesolo come grandezza di prima approssimazione, da utilizzarsi quindi con estremacautela. Come risulta infatti dalla tabella 8.5, dove vengono riportati i risultati di alcu-ne ricerche riguardanti la valutazione dei costi esterni relativi al trasporto, l’elementocaratterizzante è costituito dalla loro estrema variabilità. I dati assumono infatti valo-ri compresi tra 1% e 10% del PIL.


2 3 1

Va sottolineato come altre ricerche riguardanti la valutazione del costo sociale deltrasporto attribuiscano a tale attività stime ancora più elevate. Per esempio, in una ras-segna effettuata dall’OCSE (O E C D, 1994), la valutazione dei danni derivanti dal tra-sporto è significativamente più elevata variando tra 1,5 e 10,7 del PNL così suddivisi:

• incidenti 1,5-2% • rumore 0,3% • inquinamento locale 0,4%• congestione: 2-3% tempo addizionale di un percorso urbano

confrontato con situazione senza traffico

I dati citati sono valori medi ottenuti sulla base dei risultati di varie ricerche condot-te a livello internazionale utilizzanti metodologie di valutazione diverse. Ancora unavolta, tali dati rappresentano valori approssimativi e devono essere utilizzati con cau-tela. Essi forniscono comunque un ordine di grandezza a cui fare riferimento.

Tabella 8.5 - Costi esterni dovuti al trasporto % PI L (Fonte: T&E, Getting the price right, 1993).

Inq. aria Rumore Altri c.e. Incidenti Congestione Totale

Grupp, 1986 0,41 0,08 0,08 0,79 - 1,35

Placo, 1990 0,67 0,09 0,18 1,08 - 2,06

Upi, 1991 1,39 1,98 3,34 3,16 - 9,86

Ecoplan, 0,68 0,52 0,21 0,28 0,07 1,761992

Infras, 1992 0,72 0,71 0,47 0,26 0,21 2,36

MacKenzie, 0,71 0,17 0,48 1,05 1,91 4,321992

Ce, 1988 0,27-0,38 0,06 0,49 0,14 1,02

Willeke, 0,901990

Cetur,1984 0,35

Cost, 313 0,36-0,78

Ecoplan, 1991 0,57



2 3 2


2 3 3

Agence Internationale de l’energie , 1992.L’utilisation rationelle de l’énergie et de l’envi-ronnement. Paris, OCDE.

Agence Internationale de l’energie, 1993.Taxing energy: why and how? Paris, OECD.

Arnott, R., Kraus, M. 1993. The Ramsey Pro-blem for Congestible Facilities. Journal of PublicEconomics, 50: 371-396.

Barde, J. P., Button, K. (eds.) 1990. TransportPolicy and the Environment, EarthscanPublications.

B a t e m a n et al. 1994. Extending Cost BenefitAnalysis of UK Highway Proposals.Environmental Evaluation and Equity. ProjectAppraisal, 8, 4, 213-224.

Bayliss, D. 1990. Urban Traffic Management.In: ECMT e OECD (eds.).

Blomquist, G. 1979. Value of Life Saving:Implications of Consumption Activity. Journalof Political Economy, 78, 3.

Bruno, S., Mazzocchi, G. (a cura di) 1973. Lacongestione del traffico: effetti e rimedi. Angeli,Milano.

Button, K. 1990. Environmental externalitiesand transport policy. Oxford Review ofEconomic Policy, 6, (2), 61-75.

Button, K. 1992. Alternatives to Road Pricing.In: Frey e Langloh.

Button, K. 1993. Transport Economics.Edward Elgar, Cheltenham.

Cameron, M . 1991. Transportation Efficiency:Tackling Southern California’s Air Pollutionand Congestion, Environmental Defence Fund,Regional Institute of Southern California.

Cellerino, R. 1995. Effetti ambientali del settoretrasporti e provvedimenti fiscali. Unicrea, Pavia.

Chillemi, O. 1994. Una Stima del Valore per l’I-talia del Valore Economico di una Vita UmanaAnonima. Economia Pubblica, 6, 299-303.

Commission of the European Communities1991. CORINAIR Working Group on EmissionFactors for Calculating 1990 Emissions fromRoad Traffic, Bruxelles.

Commission of European Communities1992. Green Book on the Impact of Transporton the Environment, Brussel.

Dahl, C., Sterner, T. 1991. Analysing GasolineDemand Elasticity: A Survey, EnergyEconomics.

Danielis, R.1993. Trasporti e ambiente: tenden-ze e politiche nel Regno Unito. Economia Pubbli -ca, 6, 267-279.

Danielis, R. 1995. La valutazione del costo so-ciale dei trasporti: metodi e risultati. E c o n o m i apubblica, 2, 75-101.

Deakin, E. 1990. The United States. In: Barde,J. P. e Button, K.

Dehez, P. e Drèze, J. 1982. State DependentUtility, the Demand for Insurance and the Valueof safety. In Jones-Lee M. (eds.). The Value ofLife and Safety, North-Holland, Amsterdam.

Bibliografia



2 3 4

Dockery, D.W. et al. 1993. An Associationbetween Air Pollution and Mortality in USCities. New England Journal of Medicine, 329:1753-59.

Downs, A. 1962. The Law of Peak-HourExpressway Congestion. Traffic Quarterly, 16:393-409.

Dublin, L.I. e Lotka, A.J. 1946. The MoneyValue of a Man, London, Ronald Press.

E C M T 1994. Charging for the Use of UrbanRoads. OECD, Paris.

E C M T e O E C D 1990. Transport Policy and theEnvironment. EC M T Ministerial Session, Paris.

E c o t e c 1994. Cost Benefit Evaluation of the FifthEnvironmental Action Programme: TransportSector. Final Report to the Commission of theEuropean Communities, Brussel.

Externe Project 1995. Externalities of FuelCycles. Commission of European Communities,DGXII Working Document, Brussel.

Frankel, M. 1979. Hazard Opportunity andthe Valuation of Life, Unpublished Manu-script. Department of Economics, Universityof Illinois, Champaign-Urbana, IL.

Frey, R., Langloh, P. (eds.) 1992. The Use ofEconomic Instruments in Urban TravelManagement, WWZ, Basel.

Ghosh, D., Lees, D., Seal, W. 1975. OptimalMotorway Speed and Some Valuation of Timeand Life. Manchester School of Economic andSocial Studies, 43, 134-143.

Hansson, L. Marckham, J. 1992. Interna-lization of External Effects in Transportation.IRU, Paris.

Hurley, F. 1994. Health Effects: Air Pollutionfrom Power Generation. Mimeo, Institute ofOccupational Medicine, Edinburgh.

Jansson, J.O. 1994. Accident ExternalityCharges. Journal of Transport Economics andPolicy, 28, 31-43.

Jones-Lee, M. 1976. The Value of Life: AnEconomic Analysis. University of ChigacoPress, Chicago.

Jones-Lee, M. 1979. Trying to Value a Life:Why Broome do not Sweep Clean? Journal ofPublic Economics, 10, 249-256.

Jones-Lee, M. 1990. The Value of TransportSafety. Oxford Review of Economic Policy, 6, 2,39-58.

Jones-Lee, M., Hammerton, M., Philips, P.1985. The Value of Transport Safety: Results ofa National Sample Survey. The EconomicJournal, 95, 49-72.

Kanafani, A. 1983. The Social Cost of RoadTransport. OECD, Paris.

Kling, C. 1994. Emission Trading vs. RigidRegulations in Control of Veichle Emissions.Land Economics, May, 74-118.

Lave, L., Seskin, E. 1973. An Analysis of theAssociation between US Mortality and AirPollution. Journal of the American StatisticalAssociation, 68, 342, 284-290.

Lave, L., Seskin, E. 1977. Air Pollution andHuman Health . Johns Hopkings UniversityPress, Baltimore.

Le Net, M. 1992. Le Prix de la Vie Humaine,Report for General Commission for the Plan,Paris.

Lipfert, F.W. 1984. Air Pollution andMortality: Specification Searches Using SMSA-Based Data. Journal of Enviromnental Econ. andManagement, 11, 371-382.

Litai, D. 1980. A Risk Comparison Metho-dology for the Assessment of Acceptable Risk.PhD Thesis, MIT.

M & T 1991. Revisioni delle auto in linea conl’Europa, marzo, 8-12.

Maclean, A. 1979. The Value Of Public Safety:Results of a Pilot Scale Survey. Home OfficeScientific Advisor Branch, London.


2 3 5

Maddala, G. S. 1977. Econometrics. McGrawHill, New York.

Maddison, D. et al. 1996. The True Costs ofRoad Transport. Earthscan, London.

Maier, G., Gerking, S., Weiss, P. 1989. TheEconomics of Traffic Accidents on AustrianRoads: Risk Lovers or Policy Deficit? Mimeo,Wirtschaftuniversitaet, Vienna.

Marin, A., Psacharopoulos, G. 1982. TheReward for Risk in the Labour Market:Evidence from United Kingdom and aReconciliation with Other Studies. Journal ofPolitical Economy, 904, 827-853.

May, A. 1986. Traffic Restraint: a Review ofthe Alternatives. In: Button.

Melinek, S. 1974. A Method for EvaluatingHuman Life for Economic Purposes. A c c i d e n tAnalysis and Prevention, 6, 103-114.

Ministero dell’Ambiente 1992. Relazione sullostato dell’ambiente. Istituto Poligrafico e Zeccadello Stato, Roma.

Mishan, E. J. 1971. Cost benefit Analysis. Lon-don, George Allen and Unwin.

Needleman, L. 1980. The Valuation of Changein the Risk of Death by Those at Risk. Univer-sity of Waterloo, Working Paper n. 103.

Newbery, D. M. 1990. Pricing and Conge-stion: Economic Principles Relevant to PricingRoads. Oxford Review of Economic Policy, vol. 6,2, 22-38.

OE C D 1988. Transport and the environment.Paris.

OECD 1992. Market and Government Failuresin Environmental Management. The Case ofTransport, Paris.

OE C D 1994. Internalising the Social Cost ofTransport. ECMT, Paris.

OE C D 1995. Motor Vehicle Pollution. Reduc-tion Strategies Beyond 2010, Paris.

O R N L / R F F 1992. US-EC fuel Cycle Study:Background Document to the Approach and Is-sue. Prepared by Oak Ridge National Labora-tory and Resources for the Future ORNL/M-2500, November.

Ostro, B. 1983. The Effects of Air Pollution onWork Loss and Morbidity. Journal of Environmen -tal Economics and Management, 10, 371-382.

Ostro, B. 1987. Air Pollution and MorbidityRevisited : a Specification Test. Journal ofEnvironmental Economics and Management, 14,87-98.

Pearce, D., Crowards, T. 1995. Assessing theHealth Costs of Particulate Air Pollution in theUK. CSERGE Working Paper, London.

Pearce, D., Bahn, C., Georgiou, S. 1991. TheSocial Cost of Fuel Cycle. Report to the UKDepartment of Energy, CSERGE, UniversityCollege London and University of East An-glia. Also referenced in an earlier version as1 9 9 1 .

Pearce, D., Markandya, A. 1989. Environmen-tal Policy Benefits: Monetary Valuation. OECD,Paris.

Persson, U. 1989. The Value of Risk Reduc-tion: Results of a Swedish Sample Survey.Mimeo, The Swedish Institute of HealthEconomics.

Peterlini, E.M. 1993. Gestione integrata delladomanda di trasporto stradale: il Road Pricing.Economia Pubblica, 6, 281-288.

Piacentino, D. 1987. La tassazione dell’auto-mobilismo in Italia. Economia pubblica, 12, 611-625.

Pierantoni, I. 1987. La valutazione della vitaumana nella giurisprudenza. Quaderni per laricerca, Serie Studi 13, Istituto di Studi sulle Re-gioni, CNR, Roma.

Pierantoni, I. 1989. La valutazione del dannoalla salute: il punto di vista economico, Quader-ni per la ricerca, Serie Studi 17, Istituto di Studisulle regioni, CNR, Roma.



2 3 6

Pigou, A.C. 1932. The Economics of Welfare,London. Mac Millan trad. it., 1953, L’economiadel benessere, Torino, UTET.

Polidori, G. 1970. Congestione urbana: alcunequestioni sulla tassazione per l’uso delle strade.Economia Pubblica, 19, 16-25.

Pompili, T. 1995. Road pricing: uno strumentocontro i costi della congestione del traffico urba-no, (dattiloscritto). Università di Pavia.

Pompili, T. 1997. Aspetti Economici del RoadPricing. Economia Pubblica, 3, 117-136.

Ponti, M. 1993. Elementi innovativi nelle analisidi fattibilità dei progetti: tre ricerche nel settore deitrasporti. Economia Pubblica, 7-8, 359-364.

Portney, P., Mullahy, J.1983. Ambient Ozone andHuman Health: an Epidemiological Analysis. En-vironmental Protection Agency, Washington.

Portney, P., Mullahy, J. 1986. Urban Air Qua-lity and Acute Respiratory Illness. Journal of Ur -ban Economics, 13.

Quinet, E. 1990. Le Cot Social des TransportsTerrestre, Monographies sur l’Environnement.OCDE, n. 32.

Quinet, E. 1991. Pour une Définition de la No-tion du Cot Social de l’Environnement, Econo-mie Appliquée, 4, 67-77.

Quinet, E. 1994. The Social Costs of Transport:Evaluation and Links with Internalisation Poli-cies. In: OECD, 31-73.

Road transport Research 1985. Co-ordinatedurban transport pricing. OECD, Paris.

Robotti, L. 1985. Aspetti del trattamento fiscaledell’energia. Economia pubblica, luglio-agosto,363-372.

Rothengatter, W. 1990. Economic Aspects. In:ECMT, OECD.

Schelling, T.C. 1968. The life you safe may beyour own, in Chase, S.B. Jr. 1978. Problems inPublic Expenditure Analysis, Washington, DC,The Brookings Institution.

Seskin, E. 1979. An Analysis of Some Short-Term Health Effects of Air Pollution in theWashington DC Metropolitan Areas. Journal ofUrban Economics, 6, 275-291.

Shultz, F. 1987. The Economic Cost of AirPollution. Seminario The Future for Forest,Londra.

Starr, C. 1976. General Philosophy of RiskBenefit Analysis. In: Ashley, Rudman.

Tasgian, A. 1980. La valutazione economicadella vita umana. Aspetti teorici ed empirici,Università di Torino, Giappichelli, Torino.

Tedeschi, P., Corielli, F . , Frigieri , P. ,Messori, A. 1995. Hedonic Prices and AirPollution in Milan. Terza RiunioneScientifica degli Economisti AmbientaliItaliani, Pavia.

Thompson, J.M. 1977. Great Cities and theirTraffic. London, Peregrine (eds.).

Tietenberg, T. 1988. Environmental andNatural Resource Economics. Glenview,Illinois, Scott, Foresman and Co.

U S E P A 1986. Environmental ProtectionAgency, Health Effects Assessment SummaryTables, Washington DC.

Vigotti, M.A. et al. 1995. Inquinamento atmo-sferico e mortalità giornaliera nei residenti a Mi-lano 1980/89. Risultati preliminari. E p i d e m i o l o -gia e Prevenzione, 19, 85-89.

Walters, A. 1961. The Theory and Mana-gement of Private and Social Cost of HighwayCongestion. Econometrica, 29, 676-699.

Weitzman, M.L. 1977. Is the Price System orRationing More Effective in Getting aCommodity to Those who Need it Most. B e l lJournal of Economics, 8.

W h i p p l e (eds.) Energy and Environment: ARisk-Benefit Approach, Pergamon, Oxford.

Wilson J. 1983. Optimal Road Capacity in thePresence of Unpriced Congestion. Journal ofUrban Economics, 13.

Sintesi delle attività del progetto

2 3 8

Coordinamento del Progetto

Responsabile: Prof. Paolo BeltrameCollaboratori: Dr. Claudia Bianchi, Dr. Claudia Chiodaroli

Dipartimento di Chimica Fisica ed Elettrochimica -Università di Milano

Unità operativa No. 1

Responsabile: Prof. Michele GiuglianoCollaboratori: Dr. Stefano Cernuschi, Dr. Andrea Cemin, Dr. France-

sco Marzolo, Dr. Giovanni LonatiDipartimento di Ingegneria Idraulica, Ambientale edel Rilevamento - Politecnico di Milano (UOPOLIMI-1)

Tema: Elaborazione dei dati di qualità dell’aria per il suppor-to alle decisioni metodologiche e parametri per la va-lutazione delle emissioni da traffico in aree urbane

Risultati ottenuti:Il corpus di dati elaborati comprende tutti i rilevamenti effettuati dalla rete regiona-

le di monitoraggio della qualità dell’aria per il periodo 1989/94 nell’area omogenea diMilano. Tale area è stata identificata in via sperimentale, stanti i rischi per la salutepubblica dovuti al verificarsi di episodi acuti di inquinamento atmosferico nel territo-rio del comune di Milano e dei comuni viciniori, sulla base dei dati storici, meteocli-matici, dei dati riguardanti la densità della popolazione e della topografia del territo-rio interessato, nella Deliberazione della Giunta Regionale della Regione Lombardia11 gennaio 1991, V/4780 e successivamente formalizzata in maniera definitiva nellalegge regionale 16 dicembre 1991, n. 36.

L’acquisizione dei principali parametri della statistica descrittiva delle serie tem-porali di dati ha permesso una prima valutazione della variabilità spazio-tempora-le delle grandezze in esame, fornendo inoltre delle indicazioni che hanno consenti-to di considerare tra loro omogenee le serie di dati utilizzate nelle successive ela-borazioni. Questa iniziale valutazione ha anche evidenziato significative differen-ze tra i livelli di concentrazione dei diversi inquinanti osservati nelle stazioni dimonitoraggio, individuando gruppi di stazioni caratterizzate da livelli di concen-trazione simili. La possibilità di descrivere le serie annuali dei dati orari di concen-trazione con modelli di distribuzione teorici è stata verificata considerando l’adat-tabilità ai dati osservati della distribuzione lognormale a due parametri e della di-stribuzione di Weibull. Test statistici e valutazioni di tipo grafico hanno portato aritenere preferibile il modello lognormale in quanto più cautelativo nella stima deivalori estremi delle distribuzioni osservate.

La dipendenza osservata è risultata ben descrivibile con una semplice formulazionedi tipo empirico, la cui struttura considera adeguatamente la natura dei principalimeccanismi di trasformazione fotochimica che ne determinano i livelli di concentra-zione relativi in atmosfera.



2 3 9

Con tecniche svariate, di cui si è valutato anche il riscontro nei risultati, basate sulrapporto NO2/ N Ox e su approcci di tipo “modelli al recettore”, si è stimato il contri-buto delle fonti di NOx in ciascun punto di misura dell’area.

Sull’ipotesi di quasi fotostazionarietà a lungo termine è stato sviluppato un model-lo semiempirico per la descrizione delle concentrazioni medie annuali di O3 in funzio-ne della corrispondente grandezza per gli NOx, mentre con approccio totalmente em-pirico ne è stato formulato un successivo affinamento per la stima delle concentrazio-ni su base mensile. Con il medesimo approccio è stato infine messo a punto un mo-dello per la descrizione del numero mensile di superamenti dello standard in funzio-ne della corrispondente concentrazione media mensile di ozono.


Responsabile: Prof. Giovanna FinziCollaboratori: Dr. Giuseppe Calori, Dr. Carlo Mazzola, Dr. Antonio

Visioli, Dr. Luisa VoltaDipartimento di Ingegneria Idraulica, Ambientale e delRilevamento - Politecnico di Milano (UOPOLIMI-2)

Tema: Un sistema di supporto alle decisioni per la valutazio-ne della qualità dell’aria in area urbana. Implementa-zione e applicazione alla città di Milano

Risultati ottenuti:Oggetto dello studio è l’analisi del fenomeno dell’inquinamento fotochimico in un’area

di circa 100 km2 centrata sulla città di Milano, interessata da un’intensa attività antropica.L’obiettivo fondamentale del lavoro è consistito nell’esaminare, attraverso un ap-

proccio modellistico, il problema fotochimico nella sua globalità, studiando la corre-lazione fra lo spettro emissivo inquinante e le principali reazioni chimico-fisiche inor-ganiche e organiche presenti in atmosfera.

Tale approccio può costituire uno strumento essenziale per il controllo dell’inqui-namento, la pianificazione del territorio e la programmazione delle attività industria-li e urbane, la valutazione dello stato attuale della qualità dell’aria e la progettazionedi interventi mirati al risanamento.

Parallelamente la ricostruzione del campo meteorologico e termodinamico ha mes-so in evidenza che il periodo scelto per la simulazione era contraddistinto da una de-bole circolazione anemologica, con direzione dei venti prevalente S SO e da assenza diprecipitazioni, forte irraggiamento solare e conseguenti significative inversioni termi-che in quota durante il giorno.

I risultati ottenuti simulando l’episodio di inquinamento estivo della durata di cin-que giorni hanno mostrato un buon accordo con i dati sperimentali disponibili, evi-denziando una significativa correlazione sia per quanto riguarda i trend evolutivi cheper i valori assoluti dei livelli di concentrazione al suolo dei diversi inquinanti.

Particolarmente interessanti si sono rivelati i risultati relativi all’ozono, comune-mente assunto come indicatore della presenza di smog fotochimico, e quelli delle spe-cie acide, di particolare importanza nelle problematiche ambientali urbane.

SINTESI DELLE ATTIVITÀ DELPROGETTO



2 4 0

La simulazione ha messo inoltre in evidenza una certa sottostima dei livelli di con-centrazione del monossido di carbonio, pari in alcuni casi anche al 100% del valore mi-surato. La causa di tale discordanza è prevalentemente da attribuire alla difficoltà dieffettuare una corretta ricostruzione delle emissioni da traffico, in quanto il profiloemissivo di CO dipende fortemente (varia di due o tre volte) anche dallo stato di ma-nutenzione dei veicoli, parametro non facilmente quantificabile.

Un altro risultato emerso dalle simulazioni è lo stretto legame fra il trasporto dellemasse d’aria inquinate e la loro trasformazione chimica a seconda che attraversino si-ti urbani o rurali.

La simulazione, inoltre, ha evidenziato la possibilità di ricostruire e comprendere irapporti e le correlazioni fra i fattori meteorologici, i contributi emissivi e gli equilibricinetici e termodinamici che si instaurano fra le specie chimiche prese in esame, equindi l’influenza relativa fra zone a diverso grado di urbanizzazione.


Responsabile: Prof. Luigi FortinaDipartimento di Ingegneria Idraulica e Ambientale -Università degli Studi di Pavia (UOUNIPV)

Tema: Analisi dei parametri e dei meccanismi di trasforma-zione e rimozione degli inquinanti in atmosfere ur-b a n e

Risultati ottenuti: Nel caso specifico di Milano e della zona omogenea i dati attualmente disponibili re-

lativamente alle specie organiche sono estremamente pochi sia per quanto concerne itermini di generazione sia per quanto attiene alla loro concentrazione nell’atmosfera;questo implica la necessità di disaggregare più che di aggregare le informazioni suiCOV. Si sottolinea inoltre la scarsa conoscenza delle caratteristiche quali-quantitativedelle emissioni, fatto che rende problematico definire tanto le condizioni al contornoquanto disaggregare i COV al punto da renderli utilizzabili da parte del modello.


Responsabile: Ing. Antonio NegriCollaboratore: Dr. Giorgio Catenacci

CISE-Segrate (UOCISE)Tema: Organizzazione e analisi dei dati di qualità dell’aria

nell’area urbana di Milano

Risultati ottenuti: Il territorio della provincia di Milano è sede di un’articolata rete di monitoraggio au-

tomatica, che conta qualche decina di stazioni ed è in funzione, con continui aggior-namenti, da circa un ventennio.


2 4 1

Inoltre, la qualità dell’aria nell’area urbana di Milano è stata oggetto, specialmente apartire dagli anni Ottanta, di intense attività di studio e di rilievo sul campo, condotteda numerosi enti e istituti, sia pubblici che privati.

Va sottolineato che le ricerche condotte durante gli ultimi vent’anni hanno prodot-to una notevole mole di dati, sicuramente indispensabili a completare il panoramadelle conoscenze sull’area milanese, ma certamente non omogenei tra loro e non tuttidisponibili e di facile accesso.

Si è ritenuto, pertanto, che fosse un obiettivo utile al miglioramento delle conoscen-ze tecnico-scientifiche in materia di qualità dell’aria il reperire e rendere disponibiliagli addetti e ai ricercatori tali dati e informazioni, ma anche che occorresse, a valle delloro reperimento, prevederne una fase di analisi e di organizzazione, che implicassela loro classificazione e la valutazione della relativa completezza, affidabilità, compa-rabilità e utilizzabilità ai fini del progetto.

La ricerca in oggetto è dunque finalizzata a censire, raccogliere, organizzare e valu-tare criticamente le informazioni esistenti, rendendole, infine, disponibili, in formatoquanto più generalizzato possibile, a tutti i soggetti interessati.


Responsabile: Dr. Roberto FanelliCollaboratore: Dr. Enrico Davoli

Istituto di Ricerche Farmacologiche “Mario Negri” (UOMANE-1)

Tema: Identificazione e misura di inquinanti volatili da traf-fico nell’aria di Milano

Risultati ottenuti:L’obiettivo di questa ricerca è stato quello di ottenere dati sulle concentrazioni di

alcuni inquinanti presenti comunemente nelle aree urbane ad alta intensità di traf-fico e per i quali esiste una carenza di informazione per l’area metropolitana di Mi-lano. È da ricordare che la scarsità di informazioni è in genere legata al fatto checomposti come quelli oggetto dell’indagine quali idrocarburi policiclici aromatici(IPA), policlorobifenili (PCB), policlorodibenzo-p-diossine (PCDD), policlorodi-benzofurani (PCDF) e, fino a poco tempo fa, il benzene non sono attualmente rego-lamentati nell’atmosfera; l’ottenimento di dati sulle concentrazioni atmosferiche diquesti composti è quindi generalmente frutto di iniziative sporadiche di ricercache, per quanto non sistematiche, possono dare informazioni utili a determinareseppure con approssimazione lo stato dell’atmosfera in termini di rischio tossico-l o g i c o .

È stata programmata una settimana di campionamenti con inizio il martedì 16 e ter-mine la domenica 21 maggio 1995. Il campionamento veniva effettuato in continuo peril benzene e il toluene e dalle ore 7:00 alle ore 19:00 di ogni giorno, fascia oraria in cuisi registrava la maggior densità di traffico autoveicolare.

È stato inoltre monitorato il volume del traffico, in questa settimana, dalle ore 6:00alle ore 22:00, con una telecamera in postazione fissa.



2 4 2

È stata effettuata la campagna invernale di monitoraggio durante il periodo tra il 19e il 27 febbraio 1996. Le attività di rilevamento sono state svolte presso l’Istituto “Ma-rio Negri” come nella campagna precedente.

È stato reso operativo il monitoraggio del benzene su di un mezzo mobile. Sono in-fatti state eseguite delle modifiche allo strumento automatico perché potesse funzio-nare a batterie, ed è stato approntato un veicolo elettrico, a zero emissioni, che per-mettesse un rilevamento delle concentrazioni di benzene nella cabina di guida duran-te la circolazione nel traffico cittadino.


Responsabile: Dr. Antonio RollaStazione Sperimentale per i Combustibili - San Do-nato Milanese (Milano) (UOCOMB)

Tema: Valutazione della concentrazione nell’aria di Mila-no dei microinquinanti organici volatili, tra cui ben-zene, butadiene e aldeidi ad alta rilevanza tossicolo-g i c a

Risultati ottenuti:Si può affermare che le determinazioni eseguite in due distinte campagne di misura,

nell’estate 1995 e nella primavera 1996, hanno evidenziato valori di qualità dell’ariaestremamente simili, in particolare per quanto riguarda gli idrocarburi aromatici piùrappresentativi (benzene, toluene, xileni, etilbenzene) e per i composti carbonilici adalta tossicità (formaldeide, acetaldeide).

Le concentrazioni di questi inquinanti appaiono decisamente basse e comunquedi molto inferiori a quelle solitamente riscontrate in postazioni in aree cittadine aminor traffico; ciò è giustificato dal fatto che, essendo il traffico di tipo autostrada-le solitamente scorrevole e caratterizzato da autoveicoli che procedono a velocitàsostenuta, l’efficienza di combustione dei motori è elevata e ciò comporta una bas-sa emissione di inquinanti dagli scarichi degli autoveicoli.

Un altro fattore che può aver provocato condizioni favorevoli per la qualità del-l’aria è la circostanza che la postazione dove sono state effettuate le indagini nonpresenta nelle vicinanze grossi ostacoli che possano in qualche modo opporsi alladispersione degli inquinanti.

L’incidenza delle condizioni climatiche inoltre influisce in modo decisivo sullaqualità dell’aria; come già affermato precedentemente, le condizioni di stabilità at-mosferica che prevalgono nelle ore notturne favoriscono valori di concentrazionedegli inquinanti durante la notte spesso superiori rispetto alle ore diurne.

A causa del basso inquinamento nella zona sottoposta all’indagine non è statopossibile ottenere informazioni sulla presenza dell’1,3-butadiene, sostanza inqui-nante particolarmente tossica che è presente nelle emissioni dei veicoli con motorialimentati a benzina.

Particolarmente interessante il fatto che i valori di formaldeide, acetaldeide, ben-zene ed etilbenzene siano molto simili tra loro. Mentre il benzene e la formaldeide,


2 4 3

con l’impiego delle attuali benzine, sono presenti in concentrazioni simili anchenelle emissioni degli autoveicoli, la quantità di acetaldeide e di etilbenzene negliscarichi è decisamente inferiore.

Ciò fa presumere che un sostanziale contributo alla quantità di acetaldeide e dietilbenzene sia dovuto a sorgenti non di origine autoveicolare e/o a trasformazio-ni da altri componenti organici presenti nell’aria.


Responsabile: Dr. Anna Maria RonchiFondazione Clinica del Lavoro - Pavia (UOCLPV-1)

Tema: Profilo, quali-quantitativo di metalli in traccia e ul-tratraccia nel particolato ambientale nella città di Mi-l a n o

Risultati ottenuti: La ricerca è stata condotta nei giorni compresi tra lunedì 19 e lunedì 26 febbraio

1 9 9 6 .Si riportano di seguito i parametri chimici monitorati: anidride solforosa - SO2 ; monossido di carbonio - CO; ozono - O3; monossido di

azoto - NO; biossido di azoto - NO2; metano - CH4; idrocarburi non metanici totali(TNMH); particolato totale.

Per quanto riguarda i parametri metereologici, sono stati determinati:temperatura dell’aria; umidità relativa percentuale; pressione atmosferica; dire-

zione del vento; velocità del vento; irraggiamento; precipitazioni (pioggia).


Responsabile: Dr. Antonio FeboIstituto dell’Inquinamento Atmosferico - CNR, Areadella Ricerca di Roma (UOCNR)

Tema: Evoluzione chimica e fisica degli inquinanti atmosferi-ci nella città di Milano

Risultati ottenuti: I risultati della ricerca condotta nell’area urbana di Milano hanno evidenziato:• l’importanza fondamentale di acquisire informazioni quali-quantitative sulle con-

dizioni dinamiche dei livelli più bassi dello strato limite planetario, al fine di potereffettuare una corretta interpretazione degli andamenti temporali delle concen-trazioni degli inquinanti;

• la rilevanza dei processi fotochimici sia nei mesi estivi che in quelli invernali; talestudio ha permesso di evidenziare come la città di Milano sia fortemente interes-sata da questo tipo di fenomeni, a causa della frequente occorrenza di condizionimeteorologiche particolarmente sfavorevoli.



2 4 4


Responsabile: Prof. Marco MaroniCollaboratori: Dr. Daniela Alcuni, Dr. Paolo Carrer, Dr. Domenico Ca-

vallo, Sig. Franco Visigalli, Prof. Antonio Colombi, Dr.Marina Buratti, Dr. Andrea Basso, Dr. Elisabetta Ploia Istituto di Medicina del Lavoro - Università di Milano(UOCLMI)

Tema: Caratterizzazione dell’esposizione a inquinanti atmo-sferici aerodispersi in soggetti residenti a Milano

Risultati ottenuti: Lo studio ha eseguito la caratterizzazione dell’esposizione personale ai principali in-

quinanti presenti nell’aria di 100 soggetti mediante monitoraggio ambientale e perso-nale, monitoraggio biologico, e la valutazione di alterazioni del comfort e di effetti sul-la salute di tipo acuto a breve termine mediante questionario standardizzato che i sog-getti allo studio hanno compilato. Ogni soggetto è stato monitorato per un’intera gior-nata mediante campionamento personale frazionato in più fasi in modo da quantifi-care separatamente i livelli di esposizione relativi al tempo trascorso nei diversi am-bienti di vita.

L’analisi dei risultati del monitoraggio dell’esposizione personale e lo studio del-le associazioni tra dati ambientali, dati biologici, alterazioni del comfort ed effettisulla salute di tipo acuto rilevati come sopra descritto, ha condotto ad alcuni rilievii n t e r e s s a n t i :

• Gli ambienti i n d o o r, abitazione e ufficio, sono risultati determinare la porzione pre-valente di esposizione ai vari inquinanti indagati (dall’80 al 95% a seconda del-l’inquinante).

• Le concentrazioni più elevate sono state riscontrate nel comparto ufficio, mentreappare di interesse il rilievo nel comparto tragitti, di livelli di esposizione signi-ficativamente più elevati nei soggetti che avevano utilizzato l’automobile ri-spetto a quelli che avevano utilizzato il tram o la metropolitana. L’esposizioneattiva e passiva a fumo di sigaretta è risultata importante nel determinare i livellidi esposizione a questi composti.

• Per quanto concerne la sintomatologia riferita dai soggetti si è evidenziataun’associazione significativa tra i livelli di TVOC e la prevalenza di sintomi di ti-po neurosensoriale (testa pesante e mal di testa) lamentati dai soggetti di sessofemminile durante i tragitti.

• Per quanto concerne gli effetti di tipo cancerogeno, i dati di esposizione a ben-zene consentiranno la stima di rischio di casi aggiuntivi di leucemia per la po-polazione di Milano.

• L’esposizione personale a formaldeide è risultata nel complesso contenuta e nontale da determinare effetti avversi sulla salute. Per quanto concerne il sospetto dicancerogenicità di questo composto, al momento le indicazioni sono molto limita-te e non consentono valutazioni a tale proposito.

• Allo stesso modo sono risultati correlati tra loro i livelli di esposizione a compostiorganici volatili totali, benzene, toluene e xileni; per tali composti le principali sor-


2 4 5

genti di esposizione appaiono essere costituite dal fumo attivo e passivo e dalleemissioni dei gas di scarico.

• Il fumo attivo e quello passivo sono risultati influenzare in maniera importantel’esposizione ai composti organici volatili totali e singoli. Una discreta percentua-le di soggetti (40%) si è lamentata per la presenza di fumo eccessivo negli ambien-ti di lavoro. Per quanto concerne la valutazione dell’esposizione a fumo medianteindicatori biologici, benzene e toluene ematici e acido trans,trans-muconico e coti-nina urinaria sono risultati discriminare i soggetti fumatori dai soggetti non fu-matori. La determinazione della cotinina urinaria appare essere l’indicatore discelta per caratterizzare l’esposizione a fumo.


Responsabile: Dr. Claudio MinoiaFondazione Clinica del Lavoro - Pavia (UOCLPV-2)

Tema: Indicazione di dose esterna e di dose interna nella va-lutazione dell’esposizione ambientale a metalli e aidrocarburi policiclici aromatici in residenti della cittàdi Milano

Risultati ottenuti:Lo studio dei microinquinanti in area urbana, in particolare per sostanze “possibili”

cancerogene quali per esempio il benzo[a]pirene, richiede metodi di valutazione neiquali venga privilegiata la disponibilità di dati mirati alla quantificazione delle dosi dixenobiotici inalati dalla popolazione generale piuttosto che a valori limitati ai livelli diinquinamento esterno.

In questo contesto l’impiego di campionatori personali, in sostituzione dei conven-zionali “campionatori d’area” o “postazioni fisse” rappresenta un elemento di novitàin quanto permette, predisponendo opportuni protocolli e strategie di monitoraggio,di arrivare a disporre di livelli di inquinamento ambientale sia in ambiente esterno chein ambiente confinato (abitazione, ufficio).

Nella presente ricerca, che ha interessato 50 soggetti residenti a Milano, è stata im-piegata la dosimetria individuale nel monitoraggio ambientale degli idrocarburi po-liciclici aromatici (IPA) e di cinque elementi in traccia, quali Pb, Pd, Pt, Ni e V.

Accanto al monitoraggio ambientale degli IPA è stata altresì valutata la possibilità diutilizzare un b i o m a r k e r come l’1-idrossipirene che costituisce un indicatore biologico il cuiuso è stato già convalidato per soggetti professionalmente esposti a IPA. Concordemen-te con altri recenti studi condotti sulla popolazione generale è emerso che l’abitudine alfumo costituisce una variabile significativa in grado di elevare sensibilmente l’escrezioneurinaria del metabolita. Ne deriva che l’apporto di pirene col fumo di sigaretta, senza sot-tovalutare l’apporto alimentare della stessa sostanza con la dieta, rendono di fatto nonproponibile l’impiego dell’1-idrossipirene urinario come b i o m a r k e r per la popolazione ge-nerale. Un suo utilizzo potrebbe essere limitato al monitoraggio di gruppi di popolazio-ne esposti a sorgenti di IPA di origine non veicolare (per esempio derivanti da insedia-menti industriali localizzati in aree periferiche della città).

DA T I D I I N Q U I N A M E N T O A T M O S F E R I C OD E L L’A R E A M E T R O P O L I T A N A M I L A N E S E


2 4 6


Responsabile: Prof. Carlo La VecchiaCollaboratore: Dr. Luisa Airoldi

Istituto di Ricerche Farmacologiche “Mario Negri” (UOMANE-2)

Tema: Misura degli addotti all’emoglobina di inquinanti atmosfe-rici specifici come indice di esposizione e di rischio

Risultati ottenuti:Il benzo[a]pirene (BP), il più studiato degli IPA, esercita la sua azione solo dopo conver-

sione citocromo P-450 dipendente a diidrodiolo e successivamente a dioloepossido, il qua-le forma legami covalenti con il DNA e con le proteine. In seguito a idrolisi enzimatica oacida dell’emoglobina si libera il tetraolo del BP (BPT), la cui misura può essere utilizzatacome indicatore di esposizione.

La misura di marcatori biologici di esposizione a cancerogeni ambientali e l’uso di questimarcatori in studi di epidemiologia molecolare sono spesso resi difficili dalla mancanza dimetodi adeguati. Tali metodi devono essere in grado di rilevare esposizioni a basse concen-trazioni ambientali di cancerogeni ed è quindi richiesta una elevata sensibilità e specificità.

Nell’ambito di questo studio è stato messo a punto un metodo per la purificazione/estra-zione selettiva di BPT dai campioni biologici mediante cromatografia di immunoaffinità e l’a-nalisi quantitativa del composto mediante gascromatografia ad alta risoluzione accoppiataalla spettrometria di massa con ionizzazione chimica e registrazione di ioni negativi selezio-nati (HRGC-NICI-SIR).

Il metodo è stato utilizzato per misurare l’esposizione a IPA ambientali in un gruppo di di-pendenti del Comune di Milano. Il limite di sensibilità del metodo era ≤ 0,05 fmol BPT/mg Hb.

I risultati indicano che il 12% dei soggetti reclutati durante il periodo estivo aveva livelli diBPT misurabili, mentre nella rimanente parte dei campioni il livello degli addotti era inferio-re al limite di sensibilità del metodo (≤ 0,05 fmol/mg Hb). Nei soggetti reclutati in inverno lapercentuale di positivi era simile (16%). La media dei valori osservati in inverno era circa 4,5volte superiore a quella osservata in estate. Questa differenza era al limite della significatività.


Responsabile: Prof. Paolo CarnitiCollaboratori: Prof. Vittorio Ragaini, Prof. Pierluigi Beltrame, Dr. Anto-

nella Gervasini, Dr. Antonella CastelliDipartimento di Chimica Fisica ed Elettrochimica - Uni-versità di Milano (UOCFMI).

Tema: Eliminazione di effluenti tossici gassosi nella termodistru-zione di rifiuti e scarti industriali

Risultati ottenuti:Si sono condotte prove di deidroclorurazione di PVC in ambiente acquoso. Tuttavia si è po-

tuto evidenziare che la hydrous pyrolysis del PVC può essere ottenuta facilmente con una de-


2 4 7

gradazione molto spinta del polimero a dare una fase gassosa costituita essenzialmenteda idrogeno, acido cloridrico che rimane nella fase acquosa, e un residuo solido carbo-nioso, che spingendo ulteriormente la degradazione dovrebbe dar luogo a un solido po-roso utilizzabile come supporto o materiale assorbente. Conducendo la reazione in con-dizioni più blande in vetro Pyrex si è evidenziato l’effetto catalitico di alcuni cloruri, inparticolare cloruro di ferro e di zinco, sulla degradazione del PVC. L’impiego di alcunemolecole modello, in grado di simulare la struttura regolare e i difetti del PVC, suggeri-sce che con cloruro di zinco in acido cloridrico acquoso la reazione di deidroclorurazionepuò iniziare anche su siti in cui il Cl è legato ad atomi di carbonio primario o secondario.La reazione sul PVC potrebbe quindi iniziare anche sulla struttura ordinata e non solo sudifetti strutturali costituiti da atomi di cloro legati a carboni terziari. Ovviamente essendogli atomi di Cl terziari più reattivi, la presenza di tali difetti facilita la reazione.

Nel campo della combustione di COV, è stata studiata la combustione catalitica assisti-ta da ozono di inquinanti appartenenti a diverse classi di prodotti, anche clorurati, tra i piùimportanti reflui industriali. I COV sono stati impiegati sia singolarmente che in miscela.

Le prove di abbattimento di diossine clorurate, condotte alimentando 1,2,3,4-TCDDnell’impianto di combustione dei COV hanno mostrato la totale assenza di diossinanegli effluenti con l’impiego della ionizzazione/ozonizzazione, mentre la sola tecnicatermocatalitica classica lascia tracce (1%) dell’inquinante alimentato.

È stata studiata la combustione catalitica di COV assistita da ozono operando in im-pianto in scala di laboratorio e in impianto pilota. Si sono utilizzate diverse metodolo-gie per valutare gli effetti della presenza dell’ozono e della possibile ionizzazione deicomposti organici nella combustione catalitica. Come composti organici da abbatteresono stati considerati stirene puro, miscele di stirene e altri COV anche clorurati. Par-ticolare attenzione è stata rivolta alla valutazione quali-quantitativa di sottoprodottitossici presenti negli effluenti gassosi della combustione. Tra i vari catalizzatori im-piegati il cromito di rame si è mostrato particolarmente interessante mostrando atti-vità paragonabile a quella dei più pregiati metalli nobili.

Nel campo dell’abbattimento di NOx, sono stati preparati nuovi catalizzatori per ladecomposizione catalitica di NO. Ci si è rivolti a catalizzatori amorfi a base di silice-allumina che presentano una maggiore stabilità meccanica e termica, oltre che una piùelevata resistenza al vapor d’acqua, rispetto ad analoghi catalizzatori cristallini (zeoli-tici), che rappresentano attualmente i sistemi più attivi per questo tipo di reazione.

I catalizzatori preparati sono stati caratterizzati nelle loro proprietà morfologiche e chi-miche fondamentali, comparandole con quelle degli analoghi sistemi zeolitici. Si è inoltreprovveduto all’allestimento di una linea di reazione automatizzata per le successive pro-ve di reattività. È stata poi studiata l’attività, nella reazione di decomposizione diretta diNO, dei catalizzatori amorfi (a base di silice-allumina) e cristallini (zeolitici) caricati con io-ni metallici Co, Cu e Ni, che sono stati preparati e caratterizzati nel corso del primo anno diattività. I catalizzatori più attivi sono risultati quelli a base di Cu; tra questi il catalizzatoreamorfo è meno attivo ma più stabile se impiegato in condizioni reali. È stata inoltre pre-parata una nuova serie di catalizzatori a base di ossidi misti (cromiti di rame) che sono sta-ti caratterizzati (in termini di area superficiale e porosità, e analisi XRD e XPS). La loro at-tività è stata valutata sia nella reazione di decomposizione diretta di NO che nella reazio-ne di decomposizione riduttiva utilizzando etilene come specie riducente. L’attività in ter-mini di produzione di N2 è risultata proporzionale al rapporto Cr/Cu di superficie.



2 4 8

Nelle prove di decomposizione riduttiva con etilene condotte in presenza di ossi-geno, il catalizzatore con il maggiore rapporto Cr/Cu (rapporto = 3,94) dava il 25%di produzione di N2 ed è risultato anche il più selettivo, avendo una maggiore ca-pacità di favorire la reazione di ossidazione dell’idrocarburo da parte dell’NO piut-tosto che dell’O 2. Le interessanti relazioni tra proprietà e attività catalitica di questanuova serie di catalizzatori saranno utili per dirigere la futura preparazione di ca-talizzatori di maggiore attività e selettività.


Responsabile: Dr. Emilio Benfenati Collaboratori: Dr. Andrea Bienati, Dr. Giovanni C. Viezzoli

Istituto di Ricerche Farmacologiche “Mario Negri”(UOMANE-3)

Tema: Caratterizzazione di microinquinanti organici nelleemissioni di impianti sperimentali di combustione e ditrattamento di materiali plastici

Risultati ottenuti:Sono state eseguite determinazioni analitiche con spettrometria di massa accoppia-

ta alla gascromatografia (GC-MS) di campioni di effluenti gassosi (dopo raccolta econdensazione) e di residui solidi prelevati dall’impianto di combustione dei COV .

Un particolare riguardo è stato rivolto alla ricerca di idrocarburi policiclici aromati-ci (IPA) negli effluenti della combustione dello stirene e di policlorodibenzodiossine(PCDD) e policlorodibenzofurani (PCDF) negli effluenti derivanti dalla combustionedi miscele di composti clorurati e aromatici. Gli IPA sono risultati trascurabili per tra-sformazioni dello stirene prossime al 100%; i PCDD e i PCDF sono stati rilevati conconcentrazioni inferiori ai limiti di legge. Nell’abbattimento di COV costituiti da mo-lecole aromatiche e clorurate, condotto in impianto da laboratorio, la formazione dimicroinquinanti del tipo policlorodibenzodiossine (PCDD) e policlorodibenzofurani(PCDF) è risultata al di sotto dei limiti di legge, secondo la normativa CEE.


Responsabile: Dr. Giorgio Panella Collaboratori: Centro Ricerca Economia Ambiente, Università degli

Studi di Pavia (UOREAPV)Dr. Sergio Ascari, Dr. Barbara Cavalletti

Tema: Aspetti economici del controllo dell’inquinamento atmosferico urbano: una politica di intervento

Risultati ottenuti:A causa delle difficoltà di valutazione che di solito si incontrano nel valutare la

funzione dei danni (l’ambiente non è un bene di mercato per il quale esistano dei


2 4 9

prezzi), il problema viene risolto dall’operatore pubblico stabilendo in modo eso-geno il livello ottimale d’inquinamento da tollerare, cercando quindi di minimiz-zare la funzione dei costi di disinquinamento. Quest’ultimo approccio non permet-te di stabilire se la collettività è in grado di ottenere un vantaggio netto. Per fare ciòoccorrerebbe conoscere, come già detto, sia la funzione dei costi di disinquinamen-to che quella dei danni all’ambiente.

Il problema che viene affrontato in questa ricerca è dato appunto dalla valutazionedi quest’ultima funzione. Ciò significa, in altri termini, valutare la curva di domandadi aria pulita. Il problema è che tale bene presenta le caratteristiche di bene pubblico.L’aria pulita è un bene né esclusivo né rivale: è difficile impedire a una persona di be-neficiare di essa, e inoltre, se noi sfruttiamo l’aria pulita ciò non impedisce che lo fac-ciano anche gli altri. A causa di tali caratteristiche risulta difficile stimarne la doman-da da parte degli individui e pertanto non si ha la possibilità di ottenere dei prezzi dimercato direttamente osservabili che possano essere interpretati come il saggio al qua-le la gente desidera scambiare aria pulita per altri beni. Tuttavia, in assenza di un mer-cato, possiamo ottenere delle stime del prezzo dell’aria pulita utilizzando altri stru-menti. Esistono infatti delle tecniche che permettono di valutare direttamente o indi-rettamente la disponibilità a pagare dei consumatori per ottenere un dato bene, nellafattispecie l’aria pulita.

Nella prima parte della ricerca vengono esaminate tali tecniche e i problemi teoricied empirici che derivano dalla loro applicazione. Detto in altri termini sono stati ana-lizzati i vari metodi di stima delle funzioni dei danni derivanti dall’inquinamento at-mosferico e, successivamente, sono stati presi in considerazione i metodi che megliosi prestano per valutare la funzione dei danni derivanti dall’inquinamento atmosferi-co alla salute umana in relazione a un’area metropolitana: quella milanese.

In particolare, di seguito viene presentato un algoritmo che permette di valutare glieffetti sulla salute umana derivanti dall’inquinamento atmosferico da polveri, ossididi azoto, anidride solforosa e benzene, provenienti dal traffico autoveicolare. Le emis-sioni del parco circolante generano variazioni nelle concentrazioni atmosferiche e, at-traverso queste, danni alla salute umana in termini di mortalità acuta e cronica e dimorbilità, che vengono quantificati per mezzo di funzioni dose-reazione ricavate daipiù recenti studi epidemiologici o sperimentali. Alla stima quantitativa dei danni allasalute viene sovrapposta una valutazione monetaria, basata sul criterio della disponi-bilità a pagare per una riduzione del rischio (nel caso della mortalità) e sui costi di cu-ra (per la morbilità).

La metodologia che è stata utilizzata ha il vantaggio di poter essere trasferita adaltre realtà territoriali. Le funzioni epidemiologiche utilizzate per quantificare idanni alla salute umana sono state elaborate a livello internazionale e rappresenta-no l’attuale stato dell’arte. Tali funzioni sono certamente suscettibili di migliora-menti; in tale caso è sufficiente procedere alla loro sostituzione nell’ambito del pro-cesso di stima senza dovere modificare l’intero metodo. Date le funzioni dose-rea-zione, i dati addizionali necessari per estendere il metodo di stima ad altre realtàsono costituiti dai consumi dei combustibili e dal numero medio di chilometri per-corsi dal parco veicoli. La disponibilità di tali dati permette di calcolare le emissio-ni e quindi le concentrazioni degli inquinanti e, da queste, tramite le funzioni dose-reazione, i danni alla salute umana.



2 5 0

Le stime in termini monetari dei danni rappresentano un parametro di riferimentoper la valutazione di politiche di contenimento del traffico, di tipo strutturale e in con-dizioni di emergenza. Le stime consentono di valutare l’efficacia di strumenti quali,per esempio, la tassazione dei carburanti, i permessi di circolazione a pagamento perle aree urbane, o gli interventi tecnologici sul parco circolante.

Nel valutare l’efficacia di tali strumenti occorre tenere presente che il miglioramen-to dell’efficienza dei carburanti e degli autoveicoli può essere più che compensato intermini di emissioni dall’aumento del parco automobili e dal numero di chilometripercorsi. In altri termini, occorre fare riferimento a politiche sia di breve che di lungoperiodo che tengano conto, oltre che degli standard alle emissioni anche di quelli am-bientali. In tale contesto occorre valutare politiche di intervento che prendano in con-siderazione la riduzione dell’uso degli autoveicoli e dei chilometri percorsi in date zo-ne, il miglioramento dell’efficienza o la sostituzione dei carburanti, la diversificazio-ne delle modalità di trasporto.

Indice analitico

Acetone, 166

Acidi, 174, 183, 201

Acido cloridrico (HCl), 24

Acido nitrico (HNO3), 165-166, 194, 196, 201-202,204, 216, 218

Acido nitroso (HNO2), 23, 30, 97, 165, 201-202, 204, 216

Aerosol, 30, 164

Alcani, 172, 178, 179, 180, 181, 182, 183, 202

Alcheni, 172, 179, 180, 182, 183, 202

Alcoli, 183

Ammoniaca, 47

Analisi cluster, 138, 146

Anidride solforosa (SO2), 23, 53, 54, 58, 64, 65, 66,68, 71, 72, 176, 227

Benzene, 30, 31, 32, 33, 53, 180, 227

Biossido di carbonio (CO2), 233

CALGRID, 161, 162, 178, 179, 180, 186, 187,195-223

Campo di vento, 161, 198, 205, 206

Carbonile, 181

CISE, 23, 24, 36, 206

CNR, 23, 36

Combustione, 39

Composti Organici Volatili (COV e VOC), 23, 33, 40, 42, 46, 47, 48, 53,

6 0 - 6 1, 97, 138, 174-175, 177-178, 186, 207, 233

CORINAIR, 38, 39, 40, 207

COV, vedi Composti Organici Volatili

Deposizione secca, 199-200, 201, 216

Deposizione umida, 203

Diffusione, 22, 39, 55, 71, 125, 147, 160, 161, 162,164, 165, 172, 173, 196, 197, 1 9 8 - 1 9 9, 200, 201

Doppi legami, 179

Emissione, 30, 37-49, 55, 65, 68, 69, 70, 71, 72,97,105, 123-157, 161, 162, 173, 175, 176,177, 179, 186, 187, 195, 196, 199-200,203, 207, 214, 215, 218, 220, 226, 227, 233, 234, 240

ENEL, 30, 206

Epidemiologici (studi), 227, 235-237

Etanolo, 179, 180

Eteri, 183

Fattori di emissione 38, 39, 40-42, 43, 46, 47

Formaldeide (CH2O), 30, 178, 179, 181, 185

2 5 1



2 5 2

Idrocarburi (HC), 23-24, 60-61

Idrocarburi non metanici (NMHC), 60-61, 67, 166

Inquinamento acustico, 71, 210, 239-240

Isoprene, 179, 180

Metalli, 24

Metano (CH4), 29, 60, 166-167

Metanolo, 179, 180

Modelli a box, 164

Modelli a box lagrangiani, 164, 165

Modelli a particelle, 164-165

Modelli analitici, 42, 85, 162-163,

Modelli empirici, 71, 72-73, 81, 82-88, 95, 96, 98,99, 100, 101, 102, 103, 126, 186

Modelli euleriani, 161-162, 197

Modelli semiempirici, 73-74, 75, 76, 77, 78, 79, 80,82-83, 89-94, 95, 96, 99, 100, 101, 106-107

Modello concettuale, 138, 147-154

Modello di dispersione, 160-161, 165, 176, 196

Modello di Weibull, 71, 75,76, 79, 80, 90, 91, 94, 96, 106, 107

Modello lognormale, 78, 79, 81, 82, 89, 90, 92, 93,94, 95, 96, 101, 151, 152

Modello roll-back, 72, 97, 124, 125-127, 128

Modulo chimico, 172, 173, 174-176, 179, 186, 187, 201-202

Monossido di carbonio (CO),23-24, 29-30, 33, 39-40, 46-47, 53, 54-55, 57-60, 62-63,68-70,72-73, 74-85, 110, 113-114, 115,124, 133-135, 1 3 7 ,149, 151, 165, 168,179, 194, 196, 201, 214, 215, 219, 232

MTBE (Metil t-Butiletere), 204, 210

Nitrato/i, 97, 201, 202, 219

N2O, 41, 47

NO, 29-30, 33, 47, 52-54, 58,60, 68, 110, 124,136, 138-139, 160, 162, 172, 176, 185, 187,200, 202, 204, 205, 208, 214, 215, 216, 219

NO2, 47, 63, 68, 85, 95, 96, 97, 98, 99, 100, 101, 102,104, 105, 128, 129, 130, 131, 132, 133, 135,136, 137, 138, 140, 141, 142, 143, 144, 145, 176, 185, 202, 204, 205, 208, 216, 220

Nuvole, 162, 205

Olefine, 158, 166

Ossidazione, 104, 105, 138, 139, 214, 215, 216, 217, 220

Ozono (O3), 23-24, 29-30, 33, 53-55, 60, 62-67, 68,97, 1 0 6 - 1 0 7, 125, 163, 165-166, 170-172,190, 194-199, 202-204

Paraffine, 158, 166

Parco circolante, 38, 40, 42, 43, 44, 45, 47, 68, 70, 227

Particolato (PTS), 23, 24, 29, 30, 55, 58, 62-63, 68-69, 138, 200, 201, 236, 233

Perossiacetilnitrato (PAN), 209, 210, 217, 218, 219, 220

PMIP, 23, 28, 30, 31, 32, 33, 35, 53, 60-61, 67

Preprocessore metereologico, 165, 197

Radicale perossido, 169

Radicale ossidrile (OH), 170, 188, 202-203

Radicale nitrato, 201

Radio (onde), 206

Regione Lombardia, 22, 29, 30, 52, 68, 203

Riduzione, 44, 47, 68, 69, 70, 72, 123-157, 185, 196,226, 227, 228, 229, 231, 236

INDICE ANALITICO

2 5 3

Simulazione, 46, 161, 164, 165, 171-193, 197, 198,199, 202, 2 0 3 - 2 0 5, 207, 2 0 9 - 2 1 5, 234, 244

Smog fotochimico, 172, 174, 185, 186, 203, 217

Solfato, 236

Solvente, 33

Sorgente, 38, 68, 70, 97, 124, 125, 126, 127, 130, 138-154, 161, 162, 164, 166, 174, 175, 176, 177, 186, 198, 199, 209

Statistica descrittiva, 52-58, 71, 89

Toluene, 30-32, 165

Valutazione diretta, 233-234, 241

Valutazione indiretta, 233, 234-235

Velocità di reazione, 176, 184, 202

Vento, 161, 162, 163, 164, 165, 172, 198, 199, 205,206, 236

VOC, vedi Composti Organici Volatili

Xileni, 31, 32, 179, 180

COPIA NON COMMERCIABILEE IN DISTRIBUZIONE GRATUITA

Finito di stamparepresso “Arti Grafiche by Juri Iodice”

di Sannazzaro, Pavianel mese di aprile 1998.

La Fondazione Lombardia perl’Ambiente è stata istituita dalla Regione Lombardia nel 1986come ente di carattere morale e scientifico per valorizzarel’esperienza e le competenzetecniche acquisite in seguito alnoto incidente di Seveso del 1976.La Fondazione ha come compitostatutario lo svolgimento di attivitàdi studi e ricerche volte a tutelarel’ambiente e la salute dell’uomo conparticolare attenzione agli aspetti relativi all’impattoambientale di sostanze inquinanti.A tal fine collabora, nei propri programmi di ricerca e formazione, con le universitàlombarde – rappresentate nelconsiglio di amministrazione – ilCNR, il Centro Comune di Ricerca di Ispra e gli organismitecnici dei principali enti di ricerca nazionali e regionali.

ISBN 88–8134–033–X

Lo sviluppo di varie reti di monitoraggio e larealizzazione di numerose campagne di misura hareso disponibile una grande quantità di dati sul -l’inquinamento atmosferico registrato nella Regio -ne Lombardia.

Questa forte disponibilità di dati rappresentauna grande risorsa di conoscenze che non vienesempre utilizzata al pieno delle potenzialità. I n f a t -ti spesso le elaborazioni condotte sui dati si limita -no all’esigenza istituzionale di verifica dei limiti dilegge, mentre è noto che, con approcci orientati “alrecettore” si possono ricavare informazioni di gran -de utilità nella gestione della qualità dell’aria e inparticolare nell’impostazione dei piani di risana -m e n t o . L’uso di questo approccio statistico, tutta -via, richiede un’integrazione con un approccio de -t e r m i n i s t i c o .Quest’ultimo presenta ancora nume -rosi aspetti problematici sia per la difficoltà di re -perire dati affidabili sulle emissioni degli inqui -nanti e sui parametri meteorologici sia perché i co -dici disponibili sono stati generalmente ideati persituazioni ambientali molto differenti da quelle ca -ratteristiche della Regione Lombardia.

In questo contesto il presente lavoro, dopo unadettagliata descrizione dei dati attualmente dispo -nibili per la Regione Lombardia, si propone di dis -cutere il ruolo dell’approccio statistico e determini -stico nella gestione dell’inquinamento atmosferico.

Per quanto riguarda l’approccio statistico, inparticolare, ci si propone di evidenziare come essopossa essere utilizzato nell’ambito della risoluzio -ne di problematiche connesse con l’individuazionedegli obiettivi di riduzione delle emissioni richie -sti dalla stesura di piani di risanamento. Per l’ap -proccio deterministico, invece, viene presentatauna simulazione dell’inquinamento atmosferico inuna zona della Lombardia e un sistema espertoche consente di individuare il modello più idoneoalle sue problematiche.

Inquinamento atmosferico

Documents

Transcript of Inquinamento atmosferico