L'identificazione rapida delle sostanze chimiche e delle loro fonti diemissione nei bacini idrografici è fondamentale per la gestionesostenibile delle risorse idriche. Nonostante gli studi sullamisurazione dei micro inquinanti nelle risorseidriche in tutta Europa, attualmente non è disponibile un metodo chesfrutti i dati in fase decisionale e che riesca a proteggereefficientemente le risorse idriche dall'inquinamento da sostanzechimiche. Le nuove tecnologie dell'Internet of Things (IoT),abbinate a strategie avanzate di intelligenza artificiale (AI),potrebbero fornire risposte più rapide ed efficienti a queste sfide,ovvero nelle situazioni che richiedono reazioni in tempo reale, e nellapianificazione a lungo termine. La soluzione propostamira a fornire: una migliore comprensione degli incidenti diinquinamento e una risposta quasi in tempo reale; previsioni miglioridella diffusione dell'inquinamento e contromisure per mitigare glieffetti a lungo termine; una AI che apprende sfruttando idati e un algoritmo di evoluzione dell’AI stessa. Il risultatoprincipale sarebbe un sistema integrato di supporto alle decisioni chesfrutta le rilevazioni dei micro inquinanti insieme a dati idrodinamici emeteorologici raccolti in tempo reale in un bacinoidrografico per una gestione sostenibile della qualità dell'acqua.Poiché i micro inquinanti sono legati alle fonti di emissione, sonobuoni indicatori di inquinamento e identificano irrevocabilmente lefonti di inquinamento. Il nostro approccio si basa sull'introduzionee sulla combinazione di nuove tecnologie per migliorare la gestionedell'inquinamento idrico in diverse fasi critiche. Innanzitutto, ciaffidiamo a una tecnologia IoT avanzata e scalabile che si adatta alleesigenze specifiche del problema considerato: i datiottenuti sono pertanto misurati in posizioni e in orari ottimali peruna ulteriore analisi dei dati. Quindi, introduciamo una nuovametodologia per creare un modello ibrido più accurato che integra unmodello ambientale fisico creato grazie alla conoscenzadi esperti, e un modello basato sui dati e sulle evidenze. A tal scopo,introduciamo una rappresentazione funzionale dei dati basata sui grafi emirata a catturare le affinità e le dipendenze tra i flussi di dati inmodo più efficiente.
Water resource contamination substantially threatens the environment. Rapid identification of chemicals and their emission sources in watersheds is crucial for the sustainable management of water resources. Despite studies on the measurement of micropollutants in the water resources around Europe, efficient data utilization in decision making for the protection of water resources from detrimental chemical pollution is currently not available. Novel IoT technologies coupled with advanced AI strategies may provide faster and more efficient responses to these challenges in near-real-time reactions as well as long-term planning. The proposed solution aims at providing: (i) better understanding and near-real-time response to pollution incidents; (ii) better prediction of pollution spread and improved response for mitigation of effects in the long run; (iii) data-driven AI life-long learning and evolution of the algorithm. The primary outcome would be an integrated decision support system utilizing micropollutant measurements along with near-real-time collected hydrodynamic and meteorological data of a watershed for sustainable water quality management. Since micropollutants have a relation to emission sources and many of them are resistant to degradation, they are good indicators of pollution and fingerprints of the pollution sources.Our approach is based on the introduction and combination of novel technologies in improving water pollution management in several critical phases. First of all, we rely on an advanced scalable IoT technology that adapts to the specific needs of the considered problem through a novel mechanism called viscoelasticity. Therefore, we obtain desirable data from the locations and at the time that is optimized for further data analysis. Then, we introduce a novel methodology for creating a more accurate hybrid model integrating the expert-based physical environment model and data-driven, evidence-based techniques. To that end, we introduce a novel graph-based functional representation of data capturing affinities and dependencies among data streams in a more efficient way.
Last updated:18.06.2022
