Inquinamento Ambientale: analisi esplorativa e predittiva delle emissioni globali dal 2000 ad oggi

L’elaborato, che ha come tema le emissioni, si articola in tre capitoli. Nel primo capitolo viene fornita una panoramica sugli agenti inquinanti, esaminando le tecniche di misurazione e il campionamento. Si affrontano le diverse tipologie di gas naturali e prodotti dall’uomo, causa dell’inquinamento atmosferico. Le fonti inquinanti vengono analizzate insieme alle conseguenze impattanti sul pianeta, seguite dalle varie soluzioni adottate fino ad ora. Il secondo capitolo si concentra sull'analisi esplorativa di un dataset sulle emissioni globali nel periodo dal 2000 al 2020. Dopo aver descritto e manipolato i dati, vengono elaborati grafici per illustrare l'evoluzione delle emissioni nel corso dei due decenni. Si identificano come principali emettitori gli Stati Uniti e la Cina, ulteriori analisi rivelano l'Asia come maggiore continente responsabile e la CO2 come gas più inquinante. Si esaminano anche i settori meno sostenibili, come l'utilizzo del suolo e delle foreste, l'energia e la produzione agro-alimentare. Il terzo capitolo adotta un approccio avanzato con l'introduzione dell'analisi predittiva. Utilizzando un dataset del 2023 correlato ad aspetti sociali, ambientali, economici e sanitari, vengono applicati algoritmi di Machine Learning per stimare le emissioni di CO2. L'analisi include l'identificazione di variabili correlate maggiormente attraverso la matrice di correlazione e l'uso di metriche come MSE, RMSE, MAE e R-squared per valutare gli algoritmi. Si applicano gli algoritmi k-Nearest Neighbors, Albero Decisionale e Random Forest, evidenziando le loro capacità predittive. L'analisi combinata descrittiva e predittiva emerge come un approccio completo per esplorare e comprendere le dinamiche delle emissioni globali. La sinergia tra l'analisi dei dati e le tecnologie avanzate di Machine Learning fornisce strumenti per affrontare le sfide ambientali in modo intelligente, automatico e mirato, aprendo prospettive per un futuro più sostenibile.