La rilevazione spettrale spettrale rappresenta il fulcro della discriminazione accurata degli inquinanti atmosferici in contesti urbani complessi, dove interferenze spettrali e variabilità ambientale mettono a dura prova la sensibilità dei sensori ottici. La calibrazione della soglia di rilevazione non è una mera fase procedurale, ma un processo tecnico critico che determina la capacità di distinguere NO₂, O₃, CO e PM₂.₅ con basso tasso di falsi positivi e alta affidabilità operativa. Come da Tier 2 tier2 illustrato, la metrica spettrale deve essere ottimizzata per il contesto italiano, dove condizioni climatiche variabili, inquinamento misto e densità edilizia influenzano profondamente la risposta ottica. Questo articolo fornisce una metodologia rigorosa, dettagliata e operativa, con esempi concreti, checklist e avvertenze tecniche per implementare una calibrazione spettrale avanzata, superando i limiti delle procedure standard e garantendo sensori urbani realmente intelligenti.

Tier 2 Tier 2: metodologia strutturata per la definizione della soglia spettrale ha posto le basi metodologiche per definire soglie di rilevazione con SNR > 5, integrando dati spettrali certificati, correzione della deriva termica e validazione su campioni ISO 16974. Tuttavia, l’applicazione in campo urbano richiede un’adattazione fine: la calibrazione non può prescindere dall’analisi spettrale dinamica, dalla gestione delle interferenze tra picchi (es. O₃ a 254 nm e NO₂ a 405 nm) e dalla compensazione delle condizioni di irraggiamento solare e umidità. Le tecniche descritte nel Tier 2 necessitano di essere potenziate con strumenti di calibrazione iterativa e feedback ambientale in tempo reale.

## 1. Introduzione: perché la soglia spettrale è un elemento critico nella qualità dell’aria urbana

I sensori ottici di monitoraggio ambientale operano misurando l’assorbimento o l’emissione di luce a specifiche lunghezze d’onda caratteristiche degli inquinanti. La soglia di rilevazione spettrale è il valore di concentrazione (o intensità di picco) al di sotto del quale il segnale rilevato risiede nel rumore di fondo dominante, compromettendo la discriminazione analitica. In contesti urbani italiani, dove la matrice inquinante include NO₂ da traffico, O₃ fotochimico, CO da combustioni e PM₂.₅ associato a polveri sottili, la sovrapposizione spettrale e le fluttuazioni ambientali richiedono una soglia calibrata con precisione, non solo per ridurre falsi allarmi, ma per garantire il rispetto dei limiti ARPA e la tracciabilità secondo ISO 16197. Senza una soglia dinamica e robusta, i dati rischiano di essere inaffidabili, con conseguenze gravi per politiche cittadine basate su dati errati.

Il Tier 1 tier1 ha fornito il contesto normativo, la distinzione tra sensori a banda stretta e multispettrali e le fondamenta della misura spettrale in ambiente urbano, ponendo le basi per una calibrazione mirata alla sensibilità selettiva.

## 2. Fondamenti tecnici: spettro, larghezza di banda e interazioni spettrali

Ogni inquinante presenta uno spettro di assorbimento unico: NO₂ mostra una forte assorbanza a 405 nm, O₃ a 254 nm, CO a 234 nm, mentre il PM₂.₅ induce effetti diffusi ma rilevabili tramite analisi di scattering e assorbimento complessivo. La larghezza di banda ottimale del filtro spettrale deve bilanciare risoluzione e segnale: troppo stretta esclude picchi cruciali, troppo larga integra interferenze. L’effetto della radiazione solare, che varia da 280 a 450 nm, modifica la risposta dei rivelatori, soprattutto nei sensori a banda larga. Inoltre, l’umidità relativa altera l’assorbimento di H₂O e CO₂, influenzando la trasparenza atmosferica e il segnale rilevato.

Modelli di attenuazione atmosferica, come quelli di Beer-Lambert con coefficienti locali ARPA, sono essenziali per correggere l’attenuazione del segnale tra sorgente (es. lampada UV) e rivelatore, specialmente in condizioni di alta turbolenza o presenza di aerosol. Questi modelli, integrati con dati meteorologici in tempo reale, permettono di aggiustare la soglia dinamicamente, compensando variazioni termiche e umidità che altrimenti alterano la risposta spettrale.

Confermato nel Tier 2 tier2, la metrica spettrale deve essere calibrata in funzione della matrice urbana locale: ad esempio, in zone costiere con alta salinità o in aree industriali con emissioni diffuse, la risposta spettrale varia e richiede curve di calibrazione personalizzate.

## 3. Metodologia avanzata per la definizione precisa della soglia di rilevazione

### Fase 1: Acquisizione dati spettrali con spettrometro certificato
Utilizzare uno spettrometro calibrato secondo ISO 16974, con risoluzione FWHM di 0.5 nm, per raccogliere curve di assorbimento di standard tracciabili (gas N₂O per NO₂, O₃ purificato per 254 nm, CO con sorgente a 234 nm). Le misure devono includere baseline in assenza di inquinanti e condizioni ambientali controllate (20°C, 50% UR).

### Fase 2: Fitting spettrale con modelli Gaussiano-Lorentziano
Adattare il segnale a funzioni ibride Gaussiane (per rumore di fondo) e Lorentziane (per picchi di assorbimento), calcolando parametri ottimali: posizione picco (λₚ), ampiezza (Iₚ), larghezza a metà altezza (Wₚ), e coefficiente di attenuazione atmosferica (α). La combinazione fornisce una descrizione unica della risposta spettrale di ciascun analita.

### Fase 3: Validazione con campioni certificati ISO 16974
Testare la soglia su campioni di controllo tracciati (es. NO₂ 40 ppb, O₃ 50 ppb) in condizioni simili a quelle operative. La soglia è valida quando il rapporto segnale-rumore (SNR) supera 5 in tutti i picchi critici, con varianza del rumore di fondo < 8% rispetto alla media.

### Fase 4: Filtri adattivi per ridurre rumore residuo
Implementare algoritmi filtro di Kalman o wavelet per attenuare fluttuazioni rapide causate da turbolenza o luce ambientale, preservando la forma del picco senza distorcerne l’altezza.

### Fase 5: Verifica dinamica con dati meteorologici in tempo reale
Integrare dati ARPA (temperatura, umidità, pressione) per aggiustare dinamicamente la soglia tramite mapping predefinito:
> λₚ(t) = λₚ(base) + 0.8 × (UR(t) – UR_base) – 0.3 × (T(t) – T_base)
Questa equazione corregge la soglia in base a condizioni variabili, mantenendo la sensibilità selettiva anche in ambienti instabili.

Come illustrato nel Tier 2 tier2, questa metodologia supera la staticità dei metodi tradizionali, rendendo possibile il monitoraggio continuo affidabile in contesti urbani complessi.

## 4. Fasi operative dettagliate: da preparazione a calibrazione finale

### a) Preparazione ottica del sensore
Verificare assenza di polvere, ostruzioni o degrado delle ottiche. Pulizia con aria compressa e, se necessario, solvente isopropilico a 99%. Controllare allineamento del fascio con autocollimatore, assicurando che il campione attraversi esattamente la finestra spettrale di analisi.

### b) Configurazione strumentale – scelta FWHM ottimale
Selezionare FWHM tra 0.4 e 0.7 nm per bilanciare risoluzione spettrale e rapporto segnale-rumore. Per NO₂, un FWHM stretto (0.5 nm) massimizza discriminazione; per CO, leggermente più largo (0.6 nm) integra segnale debole senza perdere specificità.

### c) Misura baseline in assenza di inquinanti
Eseguire 30 misure consecutive in condizioni stabili, calcolando media (λₘᵈ) e deviazione standard (σ). La soglia iniziale si fissa a λₘᵈ + 3.2×σ per garantire SNR > 5 e ridurre falsi positivi.

### d) Introduzione di campioni standard
Aumentare gradualmente la concentrazione (es. 10 → 100 ppb NO₂ per 10 minuti) e tracciare curva risposta. Adattare soglia iterativamente per ogni concentrazione, ottimizzando il punto di taglio tra fondo e picco.

### e) Calcolo soglia operativa con analisi statistica
Calcolare per ogni parametro:
– Concentrazione soglia: λₚ (valore di cut-off)
– SNR minimo: 5 (rapporto tra ampiezza picco e deviazione rumore)
– Intervallo di confidenza al 95% per stabilità nel tempo.
Esempio tabella sintetica:

| Parametro | Valore | Metodo Calcolo |
|———————|—————-|———————————|
| λₚ NO₂ (cm⁻¹) | 405.2 ± 0.3 | Fit Gaussiano-Lorentziano |
| Concentrazione soglia| 38.7 ppb | λₘᵈ + 3.2×σ |
| SNR minimo | 5.1 | SNR = Iₚ / σ |

### f) Validazione in campo con condizioni variabili
Ripetere misure in giorni con diverse condizioni: traffico intenso (picco NO₂), periferie con PM₂.₅ elevato, giorni nuvolosi (radiazione solare ridotta). Confrontare sogle calibrate con dati ARPA per verificare robustezza.

Come indicato nel Tier 1 tier1, la validazione su dati reali evidenzia la necessità di aggiornamenti stagionali: in inverno, l’umidità elevata può alzare il rumore di fondo, richiedendo soglie più alte per NO₂, mentre in estate, alte temperature alterano la risposta di O₃. Un checklist operativa si integra qui:

• Verifica ottiche prima ogni campionamento
• Confronta soglia con dati ARPA locali
• Aggiorna soglia ogni 3 mesi o dopo eventi significativi (es. chiusure stradali)
• Applica filtro adattivo in tempo reale

## 5. Errori comuni e risoluzioni: evitare fallimenti operativi

– **Mancata compensazione temperatura:** i sensori a semiconduttore variano λₚ di ±0.2 nm/°C. Ignorare questo causa deriva > 1 nm in 10°C. Soluzione: integra sensore termistor e correzioni in tempo reale.
– **Filtri troppo stretti:** escludono importanti bande di assorbimento (es. CO a 234 nm), riducendo sensibilità. Soluzione: FWHM minimo 0.4 nm, con test di mantenimento SNR > 5.
– **Validazione solo in laboratorio:** i campioni standard non riproducono interferenze atmosferiche. Soluzione: test in campo con misure parallele e validazione statistica su set multipli.
– **Luce ambientale non compensata:** riflessi solari o lampioni alterano picchi. Soluzione: schermatura ottica, algoritmi differenziali e rilevazione differenziale (senza filtro).
– **Aggiornamenti irregolari:** soglie obsolete perdono sensibilità. Soluzione: calendario di calibrazione trimestrale con audit interno.

Confrontato con Tier 2 tier2, l’errore più critico è la mancanza di validazione dinamica in campo: i sensori calibrati staticamente perdono precisione in ambienti variabili. Un sistema statico genera dati “falsamente certi”, mentre uno adattativo fornisce dati affidabili e aggiornati.

## 6. Ottimizzazione avanzata e integrazione con sistemi smart

### a) Machine learning per soglie adattive
Addestrare modelli di regressione o reti neurali su serie storiche spettrali, predittivi della soglia ottimale in base a parametri ARPA (temperatura, ora, traffico). Il modello input include:
– Condizioni meteorologiche (UR, T, RH)
– Frequenza di picchi nei last 24h
– St