Vai al contenuto
iQualitAria – Air Quality Measurement Intelligence

Misurare l'inquinamento dell'aria dove nasce e dove si sposta

iQualitAria sviluppa un sistema di monitoraggio della qualità dell'aria basato su un drone ad ala fissa. A bordo, sensori per le misure in tempo reale e campionatori passivi per le analisi in laboratorio. I dati raccolti in volo, integrati con fonti esterne, servono a capire da dove arrivano gli inquinanti e come si muovono nell'atmosfera.

Mese 14 di 36 Progetto di ricerca e sviluppo, da settembre 2025 ad agosto 2028

Scopri il progetto Vedi lo stato di avanzamento

Un drone sorvola un'area industriale e campiona l'aria a quote diverse, attraversando il pennacchio di un camino quota
Il drone attraversa il pennacchio a quote diverse: i punti indicano dove si campiona l'aria, il colore la concentrazione. Illustrazione schematica.

Il progetto

Le centraline a terra misurano la qualità dell'aria in un punto fisso. I droni commerciali usati oggi per il monitoraggio hanno autonomia, raggio d'azione e quota operativa limitati. Fenomeni di inquinamento estesi, come le emissioni di un'area industriale o il fumo di un incendio, restano così difficili da seguire nello spazio e in quota.

iQualitAria realizza un sistema pensato per questi scenari: un drone progettato per il monitoraggio ambientale, un apparato di misura dedicato e una piattaforma che raccoglie, integra e analizza i dati. Algoritmi di Machine Learning e di Intelligenza Artificiale aiutano a individuare le sorgenti degli inquinanti e a ricostruirne gli spostamenti.

Il progetto rientra nella traiettoria della Strategia nazionale di specializzazione intelligente dedicata ai sistemi per la sicurezza dell'ambiente urbano, il monitoraggio ambientale e la prevenzione di eventi critici.

Un drone ad ala fissa a decollo verticale
Decolla e atterra come un elicottero e vola come un aereo, per coprire distanze lunghe. L'elica è posteriore, così i sensori, montati davanti, misurano aria non disturbata dal flusso del motore.
Misure attive e passive
I sensori attivi misurano in tempo reale particolato, gas inquinanti e composti organici volatili. I campionatori passivi raccolgono l'aria su supporti analizzati poi in laboratorio, per misure più accurate.
Dati integrati
Le misure del drone, delle centraline fisse e dei mezzi mobili confluiscono in uno schema dati comune, basato su uno standard aperto, insieme a dati meteorologici e delle reti di monitoraggio ufficiali.
Analisi e sicurezza del volo
Modelli di analisi ricostruiscono la diffusione degli inquinanti. Algoritmi di TinyML a bordo valutano in tempo reale i rischi del volo, anche quando manca il collegamento con la stazione di terra.

Cosa si misura: particolato (PM1, PM2.5, PM10), biossido di azoto, monossido di carbonio, ozono, composti organici volatili e anidride carbonica, oltre a temperatura e umidità.

Come funziona

Dalla missione alla mappa, il sistema segue cinque passaggi.

  1. Pianificazione

    Traiettoria, quota, velocità e punti di campionamento si definiscono in base allo scenario, al territorio e alle condizioni meteo.

  2. Volo e misura

    I sensori a bordo misurano durante il volo; i campionatori passivi raccolgono i campioni per il laboratorio.

  3. Trasmissione

    Le misure georeferenziate arrivano in tempo reale alla stazione di terra. Senza collegamento vengono salvate a bordo e inviate appena possibile.

  4. Analisi

    I dati si integrano con fonti esterne e vengono analizzati per riconoscere le sorgenti e prevedere gli spostamenti degli inquinanti.

  5. Visualizzazione

    Mappe 2D e 3D consultabili da qualsiasi dispositivo con un browser web.

Dove può servire

  • Aree urbane Qualità dell'aria nei centri abitati e nelle zone a traffico intenso.
  • Siti industriali e discariche Emissioni di impianti ad alto rischio, depuratori e siti di smaltimento dei rifiuti.
  • Emergenze ambientali Incendi e altri eventi che richiedono un intervento di monitoraggio immediato.

Partner

Il progetto unisce un dipartimento universitario e due imprese campane, ciascuno responsabile dei propri obiettivi realizzativi (OR).

  • Università degli Studi di Salerno

    Dipartimento di Informatica, Fisciano (SA)

    Definisce lo schema dei dati e le sorgenti per l'analisi, gli strumenti per la raccolta dei dati e la pianificazione delle missioni, i modelli di Machine Learning, Intelligenza Artificiale e TinyML, e ne cura la validazione.

    https://www.di.unisa.it

    OR3, OR6, OR7, OR11

  • Sense Square S.r.l.

    Environmental Intelligence, Fisciano (SA)

    Seleziona e verifica i sensori, realizza l'apparato di misura installato sul drone e sviluppa i casi d'uso e la piattaforma di visualizzazione dei dati.

    https://sensesquare.eu/

    OR1, OR4, OR9

  • ISARail S.p.A.

    Valutazione di sicurezza e operazioni con droni, Nola (NA)

    Progetta e realizza il drone e la stazione di terra, sviluppa il software di gestione delle missioni e del volo e conduce le prove di campo e il collaudo del sistema.

    https://isarail.com/

    OR2, OR5, OR8, OR10

Stato di avanzamento

Il progetto è al mese 14 di 36. La sensoristica è stata selezionata e provata, il dispositivo di misura è in fase di integrazione sul drone e lo schema dei dati è in revisione finale. Aggiornato al 20 ottobre 2026.

Risultati finora

  • Prima campagna di misura

    A settembre 2025 una centralina fissa e un bus attrezzato hanno raccolto i primi dati di campo nell'area di Fisciano. Sono serviti a definire le regole di qualità e lo schema dei dati.

    Misure
  • Dispositivo di misura

    La scheda elettronica che gestisce i sensori è stata progettata e realizzata in più versioni, fino a un formato compatto. È in corso l'integrazione sul drone.

    Scheda
  • Schema dei dati comune

    Un unico modello descrive misure fisse, mobili e da drone, campioni passivi e dati esterni, ed è stato verificato sui dati reali della campagna.

    shemi
  • Piattaforma di visualizzazione

    Le interfacce web 2D sono operative; la visualizzazione 3D è in sviluppo.

  • Il drone

    Prototipo di drone ad ala fissa, con decollo verticale e propulsione spingente.

    Drone
  • Modelli di analisi

    Modelli di Machine Learning distribuiti per l'analisi dei dati e l'istradamento del drone durante la missione.

    shemi

Cronoprogramma

  1. OR1 Analisi e definizione della sensoristica Sense Square Concluso
    mesi 1–6
  2. OR2 Analisi e progettazione del drone ISARail In corso
    mesi 3–18
  3. OR3 Schema dei dati, dataset e sorgenti UNISA In chiusura
    mesi 1–12
  4. OR4 Hardware e firmware dell'apparato di misura Sense Square In corso
    mesi 7–18
  5. OR5 Hardware e firmware del drone ISARail In corso
    mesi 7–33
  6. OR6 Strumenti e procedure per la raccolta dei dati UNISA In corso
    mesi 4–24
  7. OR7 Modelli di analisi dei dati UNISA In corso
    mesi 4–33
  8. OR8 Sottosistemi e servizi software della piattaforma ISARail Da avviare
    mesi 19–33
  9. OR9 Definizione e implementazione dei casi d'uso Sense Square In corso
    mesi 1–16
  10. OR10 Prove di campo e collaudo ISARail Da avviare
    mesi 25–36
  11. OR11 Validazione dei modelli di analisi UNISA Da avviare
    mesi 25–36
  12. Verifiche Intermedia al mese 18, finale al mese 36
    verifica intermedia, mese 18 verifica finale, mese 36

Deliverable

Verifica intermedia, febbraio 2027 (mese 18)

  • D1 Specifica del sistema di sensoristica
  • D2 Documento di progetto del sistema UAV
  • D3 Struttura dei dati, dataset e sorgenti dati utili all'analisi
  • D4 Realizzazione del sistema di monitoraggio ambientale
  • D9 Report sui casi d'uso studiati

Verifica finale, agosto 2028 (mese 36)

  • D5 Prototipo del drone
  • D6 Stato dell'arte e procedure per la pianificazione delle missioni
  • D7 Algoritmi e analisi preliminari
  • D8 Prototipo della piattaforma software
  • D10 Risultati del collaudo
  • D11 Risultati dei test sperimentali

I deliverable sono documenti riservati ai partner e al soggetto finanziatore.

Notizie ed eventi

    Evento di disseminazione dei risultati del progetto, collocato durante "International Workshop on Distributed Intelligent Learning for Internet of Things (DISTIL-IoT-2027)", che si terrà a Tirana, Albania, dal 24-26 marzo 2027.

    shemi

Contatti

Responsabile del progetto
Prof. Massimo Ficco
Dipartimento di Informatica, Università degli Studi di Salerno

Email
mficco@unisa.it