Project Work Master Business Intelligence & Big Data Analytics

1. Tracciamento all’indietro
(backward) del percorso delle
particelle inquinanti situate
nelle falde acquifere del
Milanese.
Dato un output costituito dai risultati di n simulazioni Montecarlo
elaborare i dati in modo da leggere correttamente i risultati
Davide Stucchi

2. Contesto
Il Dipartimento di Ingegneria
Ambientale del Politecnico di Milano
si è occupato di tracciare il moto
all’indietro delle particelle
inquinanti contenute nelle falde
acquifere di una porzione di
territorio situata a nord ovest di
Milano.
Davide Stucchi

3. Obiettivi
u Costruire un DB pulito ed integrato pronto per l’analisi
u Costruire un dataset contenente le celle e le coordinate da cui è costituito il
modello x y di partenza.
u Ricavare e visualizzare quali sono le zone (celle) di cui si rileva maggior
concentrazione di particelle inquinanti
u Sulla base delle zone maggiormente inquinate, estrarre e visualizzare i
percorsi delle particelle nel tempo
Davide Stucchi

4. Descrizione del progetto
u Costruzione di un dataset pulito ed integrato contenente i movimenti di ogni
particella per tutte le simulazioni.
Ogni riga del db rappresenta la posizione ad un determinato istante,
per una determinata particella, per una determinata simulazione.
u La porzione di territorio considerata è stata tradotta in un dataset
dove ad ogni cella vengono assegnate delle coordinate geografiche x
y.
u Interrogazione del dataset:
- metodo SQL
- metodo Python
Davide Stucchi

5. Descrizione del progetto (2)
u Ottenuti i risultati dalle interrogazioni del DB, occorre un modo opportuno per
visualizzare. Tra le analisi svolte le più importanti sono state:
- distribuzione di frequenze per cella
- tracciamento percorsi relativamente ad alcune zone particolarmente
soggette a inquinanti.
u Al fine di ottenere informazioni su una determinata particella è stato
elaborato uno script Python che dato l’identificativo della particella
di input, restituisce dati come punti di inzio e fine, distanza percorsa
e velocità media di spostamento.
Davide Stucchi

6. Risultati: Frequenze celle
Per comprendere quanto
importante sia la
presenza di particolato
tra le diverse aree sono
state conteggiate le
frequenze per ogni cella.
Il filtro layer identifica lo strato
del sottosuolo al quale si fa
riferimento.
Davide Stucchi

7. Risultati: movimento particelle
è stato tracciato il movimento
delle particelle aventi origine da
alcune aree particolarmente
soggette alla presenza di
inquinanti.
Il risultato è stato visualizzato
su Carto attraverso una mappa
dinamica.
Link1
Davide Stucchi

8. Risultati: grafico tempo/layer
Le particelle inquinanti oltre a muoversi nel piano lungo gli assi “x” e “y”, si spostano anche
in profondità attraversando i vari layer.
Per comprendere come le varie particelle si muovano attraverso i vari layer nel tempo è stato
creato questo grafico tempo/layer con la possibilità di filtrare per zona di provenienza del
particolato inquinante e per intervallo di simulazione
Davide Stucchi

9. Conclusioni e possibili sviluppi
u Il dataset di partenza grazie alle opportune azioni di data cleaning e integrazioni è
stato oggetto di diverse analisi.
Gli script Python hanno permesso un efficace svolgimento delle operazioni e sono
tornati utili più volte, sia per questioni di manipolazione dei dati, sia per le
analisi.
u Attraverso le mappe dinamiche su Carto è stato possibile avere una visione globale
e puntuale degli spostamenti del particolato inquinante nel tempo.
u Carto si è dimostrato un valido strumento per la visualizzazione. Uno tra i possibili
sviluppi del lavoro sarebbe ottimizzare la dinamica delle particelle aggregando i
moti delle diverse simulazioni, trovando un percorso comune a livello
probabilistico.
u Per quanto riguarda la data extraction è possibile riutilizzare lo script Python per
elaborare i risultati delle future analisi.
Tuttora è sufficiente inserire il numero di simulazioni e assicurarsi che i nomi dei
file di input siano corretti per ottenere il dataset integrato pronto per l’analisi.
u Ottenuti i dati relativi ai rilevamenti sulla concentrazione degli inquinanti sarà
opportuno confrontare tali dati con i risultati delle simulazioni.
Davide Stucchi

10. Strumenti utilizzati
u Data extraction,cleaning and integration: Python (libreria Pandas)
u Interrogazione DB : mySQL, Python
u Data visualization: Carto, Tableau
Davide Stucchi