Smog in Berlin. (Foto: Tomasz Mazon/ Shutterstock.com)
Eine Gruppe Wissenschaftler an der New Yorker Cornell University hat jetzt ein Datenmodell entwickelt, das die Konzentrationen von Luftverschmutzung besser kalkulieren kann. Dazu verwendet sie Modelle des maschinellen Lernens (ML). Das Team schreibt in der Studie: „Die Gesamtleistung des ML-Modells bei der Vorhersage von Luftverschmutzungskonzentrationen an Rezeptoren übertrifft frühere Methoden.“
Tech Explore prognostiziert, Körperschaften und Stadtplaner hätten in Zukunft detailliertere Daten darüber zu erwarten, wie stark der Auto- und Lkw-Verkehr die Bevölkerung schädigt. Luftverschmutzung sei eine der Hauptursachen für vorzeitige Todesfälle auf der Welt, schreibt die Studie, die bei Science Direct erschienen ist. Alleine 2015 führte man 4,2 Millionen Tode auf diese Ursache zurück.
Feinstaubkonzentrationen bedeutsam für Städte- und Verkehrsplanung
Aufgrund der hohen Sterblichkeit hat sich die Abschätzung der Luftverschmutzung zu einem wichtigen Forschungsschwerpunkt herausgebildet. Verkehrsplanungen, Umweltverträglichkeitsprüfungen und epidemiologische Studien stützen sich auf die Schätzungen der Schadstoffkonzentrationen in der Luft.
Bisher hat man sie über punktuelle Wetter- und Schadstoffdaten mit komplexen Modellierungsschritten berechnet. Die neue Methode verspricht weniger Aufwand bei höherer Genauigkeit.
Weniger Messdaten, mehr gelernte Simulationen
Die datengesteuerten Modelle beziehen im Gegensatz zu konservativen Methoden die Reisetätigkeit ein und liefern eine hochauflösende Schätzung. Hauptautor Oliver Gao erklärt: „Aber wenn man ein leicht zugängliches Datenmodell entwickelt und mithilfe von künstlicher Intelligenz einige der Lücken füllt, kann man ein genaues Modell auf lokaler Ebene erstellen.“
Die Gruppe erprobte vier ML-Modelle anhand der Daten von fünf Wohngebieten in New York mit einer Bevölkerung von insgesamt 8,2 Millionen Menschen und einem Fahrzeugverkehr von täglich 88,5 Millionen Kilometern.
Der Ansatz verwendet wesentlich weniger Modellierungsschritte und eine höhere Auflösung, sagen die Autoren der Studie. Sie stützen ihre Berechnungen auf einfachere Datenmodelle, deren Lücken jedoch mit den KI-Algoritmen gefüllt werden. Das Ergebnis überzeugt die Forscher:innen.
