Emberek milliói halnak meg a rossz levegő miatt. A városi légszennyezés, különösen a szálló por pontos koncentrációja még pontosabban kimutathatóvá vált.

A New York-i Cornell Egyetem tudóscsoportja egy olyan gépi tanulási modellt dolgozott ki, amellyel jobban kiszámítható a légszennyezés koncentrációja. A vállalati szervek és a várostervezők a jövőben részletesebb adatokra számíthatnak arról, hogy a személygépkocsi- és teherautó-forgalom mennyire károsítja a lakosságot. A légszennyezés a korai halálozás egyik vezető oka a világon - szerepelt a Science Direct című szaklapban megjelent tanulmányban. Csak 2015-ben 4,2 millió haláleset volt ennek az oknak tulajdonítható. A magas halálozási arányok miatt a légszennyezés becslése fontos kutatási témává vált.

A közlekedési tervezés, a környezeti hatásvizsgálatok és a járványügyi tanulmányok a levegőben lévő szennyezőanyag-koncentráció becslésén alapulnak. Eddig ezeket az értékeket az időjárási és szennyezőanyag-adatok alapján számították ki, összetett modellezési lépésekkel. Az új módszer kevesebb erőfeszítést és nagyobb pontosságot ígér. Az adatvezérelt modellek a konzervatív módszerekkel ellentétben magukban foglalják az utazási tevékenységet és nagy felbontású becslést adnak.

"Az infrastruktúra határozza meg az életkörnyezetünket, a kitettségünket. A közlekedés okozta légszennyezés hatása - amelyet az utcáinkon közlekedő autók és teherautók kipufogógázaként bocsátanak ki - nagyon bonyolult. Az infrastrukturális, a közlekedési és az energiapolitikánk hatással van a légszennyezésre és ezáltal a közegészségügyre. A légszennyezés mérésének korábbi módszerei nehézkesek voltak és rendkívüli mennyiségű adatpontra támaszkodtak. A szálló por kiszámítására szolgáló régebbi modellek számításigényesek és feleslegesen bonyolultak voltak. De ha egy könnyen hozzáférhető adatmodellt dolgozunk ki a mesterséges intelligencia segítségével, amely kitölti az üres helyek egy részét, akkor helyi léptékben is pontos modellt hozhatunk létre" - magyarázta Oliver Gao, a Cornell Atkinson Fenntarthatósági Központ oktatója.

A kutatócsoport négy gépi tanulási modellt tesztelt öt New York-i lakónegyed adatai alapján, ahol összesen 8,2 millió ember él és a járműforgalom napi 88,5 millió kilométert tesz ki. A tanulmány szerzői szerint a megközelítés sokkal kevesebb lépést és nagyobb felbontást alkalmaz. A számításaikat egyszerűbb adatmodellekre alapozták, de a hiányosságokat mesterséges intelligencia algoritmusokkal töltötték ki. Az eredmény meggyőzte a kutatókat.

Az egyenletek kevés bemeneti adatot - például forgalmi adatokat, topológiát és meteorológiát - használnak fel a mesterséges intelligencia algoritmusban, hogy szimulációkat tanuljanak a közlekedéssel kapcsolatos légszennyezettségi koncentrációs forgatókönyvek széles skálájára. "Az adatvezérelt megközelítésünk - amely elsősorban a járműkibocsátási adatokon alapul - lényegesen kevesebb modellezési lépést igényel" - mondta Salil Desai vezető szerző. A módszer ahelyett, hogy helyhez kötött helyszínekre összpontosítana, a város utcai szennyezési felületének nagy felbontású becslését biztosítja. A nagyobb felbontás segíthet a közlekedési és járványtani tanulmányokban az egészség, a környezeti igazságosság és a levegőminőség hatásainak értékelésében.