Kriging su network per il monitoraggio dello stato di qualità delle acque superficiali del Piemonte.

This thesis examines the problem of monitoring the quality status of the surface waters in the Italian region of Piedmont. The main objective of the thesis is to identify a methodology, for the prediction of pollutant distributions along the entire Piedmont water network, in areas where data have not been directly observed, in order to map pollutants concentration for the assessment of river quality status, useful for future management and protection interventions. A classical geostatistical methodology is based on Kriging applied to the river network. The characteristics of the domain mean that the spatial process is characterised by anisotropy caused by the influence of flowing water. The characteristics of the domain mean that the spatial process is characterised by anisotropy, caused by the influence of flowing water. Under these conditions, Spatial Stream Network Models, extensions of classical kriging, are more suitable, using hydrological distance and specific covariance models to consider the complex spatial dependence between observations. The concentration levels of specific pollutants were therefore mapped for summer and winter 2020: Nitric Nitrogen, Ammoniacal Nitrogen, Total Phosphorous and Dissolved Oxygen (% saturation). These variables are necessary for the calculation of the multimetric index of the Pollution Level of Macro- descriptors for Ecological Status (LIMeco), which, in the analysis, was chosen as the water quality index. The results show how Spatial Stream Network Models are an effective methodology for modelling river environmental variables, especially for gathering information related to the small-scale component and hydrological information related to river structure. In conclusion, an application of how the obtained concentration level predictions can be used to propose an alternative way of calculating the LIMeco, i.e. in a pointwise manner and with the inclusion of the associated uncertainty.

Questo elaborato prende in esame il problema del monitoraggio dello stato di qualità delle acque superficiali della regione Piemonte in Italia. L’obiettivo principale dell’elaborato è di individuare una metodologia per la previsione dei livelli degli inquinanti lungo l’intera rete fluviale piemontese, nelle zone in cui i dati non sono stati direttamente osservati, al fine di mappare la concentrazione degli inquinanti per la valutazione dello stato di qualità dei fiumi, utile per futuri interventi di gestione e protezione. Una metodologia classica geostatistica si basa sul Kriging applicato sulla rete fluviale. Le caratteristiche del dominio fanno si che il processo spaziale sia caratterizzato dall’anisotropia causata dall’influenza dei flussi dell’acqua corrente. In queste condizioni, gli Spatial Stream Network Models, estensioni del kriging classico, risultano essere maggiormente indicati, utilizzano la distanza idrologica e modelli di covarianza specifici per considerare la complessa dipendenza spaziale tra le osservazioni. Sono stati dunque mappati i livelli di concentrazione di specifici inquinanti per l’estate e l’inverno 2020: Azoto Nitrico, Azoto Ammoniacale, Fosforo Totale e Ossigeno Disciolto (% saturazione). Queste variabili risultano essere necessarie per il calcolo dell’indice multimetrico del Livello di Inquinamento dei Macrodescrittori per lo Stato Ecologico (LIMeco), il quale, nell’analisi, è stato scelto come indice di qualità delle acque. I risultati mostrano come i modelli Spatial Stream Network Models rappresentino una metodologia efficace per modellare variabili ambientali fluviali, specialmente per raccogliere informazioni legate alla componente di piccola scala e le informazioni idrologiche legate alla struttura dei corsi d’acqua. In conclusione, è stata fornita un’applicazione di come le previsioni dei livelli di concentrazione ottenute possano essere utilizzate per proporre un modo alternativo del calcolo dell’indice LIMeco, ossia in maniera puntuale e con l’inclusione dell’incertezza associata.