L’uso della geostatistica ambientale per la caratterizzazione geochimica dei suoli del sito inquinato di interesse nazionale di Tito, di Pietro Lucia, Achille Palma, Adriano Sofo, Antonio Scopa
Fuzzy viewshed: uno strumento per l’analisi di visibilità in ambiente di ince...
L’uso della geostatistica ambientale per la caratterizzazione geochimica dei suoli del sito inquinato di interesse nazionale di Tito, di Pietro Lucia, Achille Palma, Adriano Sofo, Antonio Scopa
1. L'uso della geostatistica ambientale per la caratterizzazione geochimica dei suoli del Sito Inquinato di Interesse Nazionale di Tito (PZ) Pietro Lucia, Achille Palma, Adriano Sofo, Antonio Scopa Potenza, 13-15 settembre 2010 Conferenza Nazionale INPUT 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale
2. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale Lo scopo di questo lavoro è stato quello di fornire informazioni riguardanti la distribuzione dei metalli pesanti nei suoli di un ecosistema inquinato al fine di predire potenziali rischi ambientali e porvi rimedio con adeguate misure correttive. Il lavoro si è focalizzato sulla caratterizzazione geochimica dell'area industriale di Tito (PZ), sito incluso dal D.M. 8/7/2002 tra i siti d'interesse nazionale da sottoporre a bonifica. Lo stato di contaminazione dei suoli è stato analizzato affiancando ad una valutazione di tipo chimico-fisico un approccio modellistico attraverso l’uso di tecniche geostatistiche.
3. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale Il data-set è composto dai risultati di un campionamento (n= 70) su maglia regolare con lato di 200 m.
4. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale Sui campioni prelevati sono state rilevate le concentrazioni dei seguenti elementi: Al, As, Be, Cd, Co, Cr, Cu, Hg, Mn, Ni, Pb, Sb, Se, Sn, Tl, V e Zn Le soluzioni standard di mineralizzazione e gli estratti sono stati analizzati con l’ICP-MS (Inductively Coupled Plasma – Mass Spectrometry)
5.
6. Tutte le analisi statistiche sono state effettuate utilizzando l’ambiente statistico opensource “R” . Le analisi geostatistiche sono state effettuate utilizzando il pacchetto “geoR” . R è un linguaggio di programmazione integrabile in script AWK e Bash. É possibile, quindi, implementare degli script che consentono di automatizzare molti passaggi ripetitivi. R, inoltre, tramite il pacchetto “spgrass6” si interfaccia con GRASS e tutti i layer che si producono sono integrabili in un GIS. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale
7. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale OUTLIERS Per individuare i punti anomali che corrispondono a valori molto più elevati o più bassi rispetto agli altri sono stati usati, come rappresentazioni grafiche dei dati, i box plot ed i normal Q-Q plot . I box plot affiancano la presentazione in forma tabellare, con lo scopo di semplificarne l'analisi e il ragionamento
8. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale I normal Q-Q plot riescono a discriminare la presenza, in un set di dati, di gap o “salti” ovvero variazioni di pendenza della curva ottenuta che possono essere considerati dei valori soglia tali da individuare due o più popolazioni.
9. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale La presenza di ouliers è stata confermata dal test statistico di Grubbs. In tabella sono riportati, per ogni elemento, la statistica G e il p-value per l’elemento più estremo, il test è stato reiterato più volte fino ad individuare il numero di outlier. Gli outlier sono stati esclusi nell’analisi geostatistica in quanto generati verosimilmente da apporti antropici puntuali. 3 0 0 1 2 3 2 n. outliers 2.2e-16 0.1149 0.6165 3.96e-11 1.281e-09 1.974e-10 1.024e-09 p-value 7.0601 2.8590 2.3337 5.9886 5.6967 5.8591 5.7168 G Zn V Tl Sn Se Sb Pb Heavy metals 0 3 2 3 2 0 0 n. outliers 0.05961 2.2e-16 6.026e-05 3.821e-08 2.2e-16 0.769 0.03004 p-value 3.0380 8.0374 4.4217 5.3649 7.6516 2.2555 3.2127 G Ni Cu Cr Co Cd Be As Heavy metals
10. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale BACKGROUND La popolazione di dati senza outlier è stata considerata rappresentativa del fondo e su di essa è stato calcolato il 95° percentile come indicativo del valore di background . 151.39 140.69 1.55 4.61 1.19 1.17 49.93 Fondo 1500 250 10 350 15 30 1000 Tab B 150 90 1 1 3 10 100 Tab A Zn V Tl Sn Se Sb Pb D.lgs. 152/2006 55.72 54.04 81.07 28.69 0.35 4.60 20.52 Fondo 500 600 800 250 15 10 50 Tab B 120 120 150 20 2 2 20 Tab A Ni Cu Cr Co Cd Be As D.lgs. 152/2006
11. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale STUDIO DELLA DISTRIBUZIONE DEI DATI 133.41 118.88 1.49 4.19 0.94 1.06 44.59 3-rd Quartile 125.72 106.30 1.16 3.73 0.81 0.87 36.87 Median 109.69 84.61 0.85 3.31 0.66 0.75 29.47 1-st quartile 1.71 0.48 0.04 5.98 -0.49 1.26 1.17 Kurtosis -1.20 -0.67 0.52 0.73 0.04 0.30 0.27 Skewness 22.85 30.84 0.53 1.15 0.22 0.25 12.92 Std.Dev. 120.21 100.05 1.20 3.73 0.80 0.90 36.82 Mean 153.85 172.44 2.43 8.83 1.26 1.56 76.82 Max 41.70 11.87 0.22 0.50 0.37 0.20 4.74 Min 67 70 70 69 68 68 67 Count Zn V Tl Sn Se Sb Pb 42.60 44.71 64.18 24.07 0.22 4.20 18.98 3-rd Quartile 36.25 39.12 53.47 18.87 0.18 3.21 16.69 Median 29.54 33.59 43.57 15.51 0.14 2.46 14.73 1-st quartile 0.76 2.59 -0.11 -0.25 6.89 -0.19 0.84 Kurtosis 0.31 0.98 -0.09 -0.34 2.21 0.16 0.33 Skewness 11.47 13.26 16.34 6.73 0.10 1.41 4.27 Std.Dev. 36.57 39.87 53.82 18.93 0.20 3.29 16.78 Mean 71.42 85.77 87.22 31.34 0.63 6.46 30.50 Max 9.98 12.42 15.47 1.86 0.05 0.26 6.95 Min 70 67 68 67 68 70 70 Count Ni Cu Cr Co Cd Be As
12. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale
13. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale Risultati del Lilliefors (Kolmogorov-Smirnov) test 0.01 0.13 67 Zn 0.05 0.11 70 V 0.13 0.09 70 Tl 0.01 0.13 69 Sn 0.93 0.05 68 Se 0.18 0.09 68 Sb 0.60 0.07 67 Pb 0.16 0.09 70 Ni 0.02 0.12 67 Cu 0.76 0.06 68 Cr 0.07 0.10 67 Co 0.28 0.08 68 Cd 0.48 0.07 70 Be 0.18 0.09 70 As p-value D Numero di Campioni Heavy metals
14. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale ANALISI GEOSTATISTICHE La geostatistica si occupa di valutare l'autocorrelazione spaziale dei dati, cercando di verificare se osservazioni effettuate su punti vicini presentino effettivamente una minore variabilità rispetto ad osservazioni effettuate tra punti distanti Tale variabilità viene di solito elaborata con lo strumento del semivariogramma, che è un algoritmo geostatistico impiegato per valutare l'autocorrelazione spaziale di dati osservati in punti georeferiti; Z è il valore di una misura in un particolare punto, h è un intervallo di distanza tra punti di misurazione ( lag ) e N(h) rappresenta il numero di coppie di osservazioni effettuate alla distanza h
15. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale Semivariogramma sperimentale - nugget - sill - range Interpolazione di un modello
16. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale La variabilità spaziale per tutti gli elementi analizzati è stata valutata interpolando il modello sferico ai semivariogrammi 0.57 942.70 279.41 210.32 spherical Zn 0.66 626.34 653.49 338.65 spherical V 0.54 583.20 0.15 0.13 spherical Tl 0.40 800.00 0.51 0.75 spherical Sn 0.66 900.00 0.04 0.02 spherical Se 0.19 900.00 0.01 0.05 spherical Sb 0.35 856.65 56.05 102.66 spherical Pb 0.40 993.09 53.32 79.29 spherical Ni 0.13 837.61 19.43 132.73 spherical Cu 0.54 737.35 156.72 131.64 spherical Cr 0.46 724.54 21.76 25.87 spherical Co 0.68 643.10 0.17 0.08 spherical Cd 0.54 583.04 1.11 0.96 spherical Be 0.58 890.90 11.40 8.33 spherical As Q Range Partial Sill Nugget Model
17. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale I parametri dedotti dal semivariogramma (nugget, partial sill, range e indice Q), relativi alla distribuzione dei metalli studiati mostrano una dipendenza spaziale fino ad una distanza che va da circa 600 m fino a 900 m 0.57 942.70 279.41 210.32 spherical Zn 0.66 626.34 653.49 338.65 spherical V 0.54 583.20 0.15 0.13 spherical Tl 0.40 800.00 0.51 0.75 spherical Sn 0.66 900.00 0.04 0.02 spherical Se 0.19 900.00 0.01 0.05 spherical Sb 0.35 856.65 56.05 102.66 spherical Pb 0.40 993.09 53.32 79.29 spherical Ni 0.13 837.61 19.43 132.73 spherical Cu 0.54 737.35 156.72 131.64 spherical Cr 0.46 724.54 21.76 25.87 spherical Co 0.68 643.10 0.17 0.08 spherical Cd 0.54 583.04 1.11 0.96 spherical Be 0.58 890.90 11.40 8.33 spherical As Q Range Partial Sill Nugget Model
18. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale L’indice Q mostra per quasi tutti i metalli una struttura spaziale media che consente di spiegare buona parte della varianza con il modello adottato. 0.57 942.70 279.41 210.32 spherical Zn 0.66 626.34 653.49 338.65 spherical V 0.54 583.20 0.15 0.13 spherical Tl 0.40 800.00 0.51 0.75 spherical Sn 0.66 900.00 0.04 0.02 spherical Se 0.19 900.00 0.01 0.05 spherical Sb 0.35 856.65 56.05 102.66 spherical Pb 0.40 993.09 53.32 79.29 spherical Ni 0.13 837.61 19.43 132.73 spherical Cu 0.54 737.35 156.72 131.64 spherical Cr 0.46 724.54 21.76 25.87 spherical Co 0.68 643.10 0.17 0.08 spherical Cd 0.54 583.04 1.11 0.96 spherical Be 0.58 890.90 11.40 8.33 spherical As Q Range Partial Sill Nugget Model
19. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale Il valore di Q risulta basso per Cu, Pb e Sb, suggerendo la permanenza di una significativa varianza residuale alla distanza zero. Questo consiglia di infittire i punti di campionamento per approfondire lo studio della variabilità alla piccola scala 0.57 942.70 279.41 210.32 spherical Zn 0.66 626.34 653.49 338.65 spherical V 0.54 583.20 0.15 0.13 spherical Tl 0.40 800.00 0.51 0.75 spherical Sn 0.66 900.00 0.04 0.02 spherical Se 0.19 900.00 0.01 0.05 spherical Sb 0.35 856.65 56.05 102.66 spherical Pb 0.40 993.09 53.32 79.29 spherical Ni 0.13 837.61 19.43 132.73 spherical Cu 0.54 737.35 156.72 131.64 spherical Cr 0.46 724.54 21.76 25.87 spherical Co 0.68 643.10 0.17 0.08 spherical Cd 0.54 583.04 1.11 0.96 spherical Be 0.58 890.90 11.40 8.33 spherical As Q Range Partial Sill Nugget Model
20. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale Fittato il modello sul semivariogramma sperimentale si è effettuata l’interpolazione con il kriging. Il kriging consiste essenzialmente in una media pesata: dove i pesi sono determinati dal modello di variogramma.
21. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale CROSS VALIDATION I risultati della cross validation indicano la compatibilità fra l’insieme dei dati sperimentali e il modello strutturale adottato. Infatti, la media degli errori e degli errori standardizzati è prossima a zero per tutti gli elementi, mentre la deviazione standard degli errori standardizzati è prossima a 1.
23. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale CONCLUSIONI L’impiego di tecniche geostatistiche nella caratterizzazione geochimica dei suoli si è dimostrato molto utile per almeno due motivi principali : - il primo deriva dalla possibilità di distinguere la doppia natura dell’inquinamento: “naturale”, legato a quelle che sono le caratteristiche qualitative intrinseche delle rocce ( weathering ), e “antropico”, derivante, invece, dalle attività industriali ; - queste tecniche, inoltre, consentono di produrre delle mappe di distribuzione dei valori di background , che possono rappresentare un valido strumento decisionale nelle mani di amministratori e pianificatori delle risorse naturali, in quanto permettono di individuare le aree di rischio e pianificare le più efficaci azioni di risanamento.
24. Potenza, 13-15 settembre 2010 Sesta Conferenza Nazionale in Informatica e Pianificazione Urbana e Territoriale GRAZIE