Tecniche di Machine Learning per la gestione e il monitoraggio delle emissioni odorigene negli allevamenti avicoli

Nel settore avicolo, la gestione delle emissioni odorigene rappresenta una sfida cruciale per ridurre l’impatto ambientale e garantire il rispetto delle normative vigenti. Non sono infatti rari i casi di azioni legali contro i titolari di allevamenti avicoli ritenuti responsabili di emissioni odorigene eccessive, con conseguenti sanzioni e restrizioni operative. Questo lavoro di tesi, svolto presso VEM Sistemi S.p.A., ha l’obiettivo di esplorare il potenziale del Machine Learning nell’utilizzo quotidiano per ottimizzare alcune strategie aziendali, con particolare attenzione alla gestione sostenibile degli allevamenti. L’attività ha previsto la raccolta, il preprocessing e l’analisi di dati ambientali acquisiti da sensori installati presso un allevamento avicolo. Successivamente, sono stati addestrati modelli di regressione e classificazione per prevedere le concentrazioni di odori derivanti dall’allevamento, in funzione di variabili meteorologiche e di qualità dell’aria. Il lavoro descritto in seguito si concentra principalmente sulla realizzazione di un progetto aziendale, rappresentando però un primo passo per dimostrare il potenziale rivoluzionario del Machine Learning nell’ottimizzazione dei processi di management strategico. Sono stati testati diversi algoritmi, soprattutto modelli di apprendimento supervisionato, tra cui alberi decisionali, foreste di alberi e reti neurali di piccole dimensioni, valutandone l’accuratezza e l’affidabilità attraverso metriche standard. I risultati ottenuti evidenziano il valore del Machine Learning nei progetti aziendali innovativi come questo, che rappresentano sfide sempre più frequenti nel contesto attuale. Il modello più performante è in grado di predire l’intensità delle emissioni odorigene dai dati dei sensori ed ha raggiunto un’accuratezza del 90%.