• Autocorrelazione
• GAM
• Non-lineari
• Particolato
• Residui

La tesi si propone di analizzare un dataset contenente 44 variabili suddivise in 5 macro categorie:
• Variabili identificative
• Indicatori di Qualità dell'Aria (AQ)
• Variabili Meteorologiche (WE)
• Emissioni (EM) e Allevamento di Bestiame (LI)
• Uso del Territorio (LA)
L’obiettivo è quello di stimare un modello GAMM per descrivere il livello del particolato atmosferico tenendo conto dell’autocorrelazione presente nei residui. Questo modello verrà poi utilizzato per fare previsioni. Il dataset è stato creato nell’ambito del progetto AGRIMONIA di indagine ambientale che ha lo scopo di approfondire l’impatto dell’agricoltura sulla qualità dell’aria in Italia.
Nella prima parte è stata condotta un’analisi esplorativa delle variabili quantitative e qualitative. Dopo averle anlizzate si è visto che la maggior parte di esse avevano relazioni non lineari ed è stato utilizzato il modello GAMM sul software R che permette di settare forme non funzionali.
Una volta identificato il modello migliore per spiegare il particolato tendendo conto delle complesse relazioni tra le variabili e tra le variabili e il particolato, questo è stato utilizzato per provare a fare delle previsioni.

This thesis aims to analyze a dataset containing 44 variables divided into 5 macro categories: identification variables, Air Quality (AQ) indicators, Weather (WE) variables, Emissions (EM) and Livestock (LI), and Land Use (LA). The objective is to estimate a GAMM model to describe the level of atmospheric particulate matter, taking into account the autocorrelation present in the residuals. This model will then be used for forecasting. The dataset was created as part of the AGRIMONIA environmental investigation project, which aims to deepen the understanding of the impact of agriculture on air quality in Italy. In the first part, an exploratory analysis of the quantitative and qualitative variables was conducted. After analyzing them, it was found that most of them had non-linear relationships, and the GAMM model was used on the R software, which allows setting non-functional forms. Once the optimal model to explain particulate matter, considering the complex relationships between variables and between variables and particulate matter, had been identified, it was used to attempt to make forecasts.