Machine learning e gestione rifiuti urbani, come prevedere l’aumento delle discariche nelle città

All’Università di Johannesburg è stato sviluppato un algoritmo capace di gestire i rifiuti nelle città. Uno studio accademico dimostra come i sistemi di intelligenza artificiale siano in grado di prevedere, a partire da pochi dati, la probabile espansione delle discariche urbane nei prossimi anni.

TAKEAWAY

  • Nelle grandi città è sempre più arduo controllare la gestione dei rifiuti, soprattutto quando la popolazione è in crescita.
  • Gli algoritmi di intelligenza artificiale hanno le potenzialità per elaborare visioni a lungo termine sulla formazione delle discariche urbane.
  • All’università di Johannesburg è stata possibile una previsione circa l’espansione dei depositi di rifiuti indifferenziati nei prossimi 30 anni attraverso il machine learning.

La correlazione tra algoritmi di machine learning e gestione rifiuti rappresenta, oggi, la pressante richiesta fatta a più voci, dal momento che si stanno esaurendo i luoghi disponibili per la raccolta nelle città.

Le principali opzioni di smaltimento sono sostanzialmente due: una riguarda gli impianti di incenerimento, mentre la seconda si articola nelle cosiddette discariche, che vanno posizionate possibilmente lontano da palazzi e edifici privati per evitare fastidi e, al contempo, l’insorgere di malattie. 

Se da un lato tutti si oppongono alla presenza di siti di smaltimento vicino alle abitazioni, si cercano, dall’altro, dei modi per risolvere la situazione, a patto che essi non influiscano troppo sulla vita di tutti i giorni.

Uno studio recente dà la prova che machine learning e gestione rifiuti possono incontrarsi, al fine di comprendere in che termini una realtà cittadina può reggere tutto ciò e con che modalità. Una tematica al centro dell’opinione pubblica che stavolta si è intrecciata a doppio filo con la tecnologia. Vediamo in che modo.

Machine learning e gestione rifiuti urbani: organizzare la raccolta

Sul tema è stata condotta una ricerca dal Dipartimento di Ingegneria Chimica dell’Università di Johannesburg, in Sudafrica. I risultati sono stati pubblicati sul Journal of Cleaner Production, rivista scientifica che si occupa di ambiente e sostenibilità. A firmare il documento il dottor Olusola Olaitan Ayeleru e il suo collega Lanrewaju Ibrahim Fajimi, che hanno unito assieme machine learning e gestione rifiuti urbani, osservando un territorio di per sé abbastanza esteso.

Il loro studio illustra la quantità di spazzatura che si accumulerà nei prossimi decenni se non dovesse aumentare, i parimenti e la propensione al riciclo, che è tuttora ritenuta la scelta migliore da intraprendere.

Solo così può avvenire una corretta differenziazione, dando nuova vita agli oggetti utilizzati dall’uomo. Al momento soltanto il 12,9% delle famiglie sudafricane residenti in metropoli afferma di effettuare una corretta spartizione tra carta, plastica, vetro e altro.

Nel loro percorso i ricercatori si sono imbattuti in diverse difficoltà, in particolare hanno dovuto fare i conti con l’assenza, molto spesso, di cifre aggiornate sulla questione. Per supplire a tale mancanza è stato necessario, innanzitutto, il contributo della statistica disciplina che si mostra decisiva proprio quando ci sono situazioni di incertezza, intervenendo nel formulare delle analisi sia di tipo quantitativo o numerico, sia qualitativo, e delle leggi, non sempre valide. Ecco perché.

Dai fogli di calcolo all’apprendimento automatico

Nel campo delle tecniche che fanno capo all’ambito di studi dell’intelligenza artificiale, rivestono un ruolo considerevole i fogli di calcolo – detti anche fogli elettronici – ossia quei file con cui è possibile fare operazioni aritmetiche più o meno complesse e impostare grafici o funzioni matematiche.

I documenti descritti, ricavabili da appositi programmi, si configurano come un punto decisivo dello studio, poiché contengono le macro, una serie di comandi che automatizzano i passaggi più oscuri. Si tratta di procedure che non sempre sono adottabili e, d’altronde, lo stesso scenario relativo a machine learning e gestione rifiuti urbani non è riconducibile a standard prefissati, come si accennava prima.

Si è constatato, a tal proposito, che sono molte le variabili in ballo, dalla crescita della popolazione alla tipologia dei materiali scartati, fino alle condizioni meteorologiche che si avvicenderebbero nel corso del tempo.

Le potenzialità dell’apprendimento automatico diventano dunque centrali, perché agli algoritmi bastano solamente poche informazioni, dalle quali ricavano le altre, senza alcun supporto da parte dell’utente. Il contributo dei sistemi AI è stato fondamentale per il team, poiché ha offerto l’opportunità di sfruttare più dataset grazie ad un’enorme velocità di elaborazione.

L’esempio di Johannesburg

Johannesburg, pur non essendo la capitale, è la città più popolosa del Sudafrica nonché meta ambita da individui in cerca di lavoro e provenienti dalle regioni circostanti. Per una corretta applicazione di machine learning e gestione rifiuti, gli studiosi hanno deciso di circoscrivere il campo dell’indagine, non prendendo in esame l’intera provincia, ma esclusivamente la superficie metropolitana.

Nel 2011 gli abitanti erano quasi 4 milioni e mezzo i quali hanno prodotto 59 milioni di tonnellate di rifiuti, di cui addirittura il 90% è finito in discarica. Commentando questi dati il dottor Ayeleru ha affermato:

Ci si può aspettare che la produzione di rifiuti aumenti in misura proporzionale rispetto alle persone, ma non bisogna dimenticare ulteriori fattori. Si pensi alla variazione del potere d’acquisto e le fonti di reddito. Sono elementi che rappresentano il presupposto per tante scelte quotidiane, come decidere se cucinare il cibo a casa propria, acquistarlo da asporto o consumarlo al ristorante

A confermare le supposizioni esposte è stato l’impiego delle reti neurali artificiali. Per leggerne l’apporto, è stato utilizzato un computer abbastanza comune che ha portato a conclusioni interessanti, partendo da un caso ben connotato a livello spaziale e temporale.

Si è capito come l’evoluzione delle discariche non dipenda soltanto, come dichiarato da Ayeleru, da andamenti demografici, ma da tanti altri aspetti comunque rilevanti.

Machine learning e gestione rifiuti, un occhio al futuro

Il software ha agito in maniera completamente autonoma, detta “non supervisionata”, dopo aver ricevuto input iniziali, andando in seguito a disegnare le evoluzioni future.

L’attenzione su Johannesburg è dovuta al fatto che, nel corso del 2021, si dovrebbero superare di gran lunga i 5 milioni di individui, secondo il Piano dello Sviluppo Integrato stilato di recente. Per far fronte all’incremento registrato sono attualmente quattro i siti attivi, ad ognuno dei quali sono rimasti, in media, poco meno di cinque anni di vita.

Il riferimento al quale hanno guardato costantemente gli accademici è un accurato censimento nazionale, effettuato dieci anni fa da un’agenzia governativa del Paese, la StatSA – Statistics South Africa.

Nell’articolo si precisa che, per semplicità, sono stati esclusi dal computo finale centri confinanti, ossia Ekhurhuleni, Tshwane, Mogale, Merafong, Rand West, Emfuleni, Midvaal e Lesed.

Si punta ora a prospettare gli eventuali guadagni che ciascuna amministrazione potrebbe ricavare da quello che apparentemente sembra un problema ma che può diventare presto uno spunto per innovare.

“Abbiamo riscontrato progressi importanti riguardo machine learning e gestione rifiuti urbani – conclude Ayeleru – Un modello di previsione, basato su sistemi AI, può facilitare nel prossimo futuro la progettazione di nuove infrastrutture”.

Default image
Emanuele La Veglia
Giornalista professionista, collabora con testate online nazionali (tra cui Affari Italiani) dopo aver maturato esperienze in Sky e AdnKronos. Ha già vinto diversi premi giornalistici ed oggi scrive di sostenibilità, women empowerment e innovazione. Scrive di IT anche per il portale https://www.sergentelorusso.it/
Articles: 43