Höhenaufgelöste Vorhersage von Straßenluftverschmutzung mittels UAV-Messungen und maschinellem Lernen

Warum Verschmutzung in Autobahnnähe wichtig ist

Viele Menschen leben, arbeiten oder treiben Sport in der Nähe stark befahrener Autobahnen, wo Abgase unbemerkt ihre Gesundheit beeinträchtigen können. Die meisten Luftqualitätsmessstationen stehen jedoch an festen Punkten am Boden und zeigen nicht, wie sich die Verschmutzung ein paar Meter über oder von der Fahrbahn entfernt verändert. Diese Studie kombiniert Drohnen und fortgeschrittene Computermodelle, um ein dreidimensionales Bild der Straßenluftverschmutzung zu erstellen und Stadtplanern sowie Gesundheitsforschern zu helfen zu verstehen, wer wann am stärksten exponiert ist.

Mit fliegenden Sensoren verschmutzte Luft kartieren

Die Forschenden konzentrierten sich auf eine wichtige koreanische Autobahn, die Seoul und Busan verbindet und zu den verkehrsreichsten Strecken des Landes gehört. Sie installierten einen kompakten Luftsensor an einer Straßenstation und befestigten einen zweiten, identischen Sensor an einem Quadrocopter. Die Instrumente maßen vier Schlüsselschadstoffe: Kohlenmonoxid aus Abgasen, Stickstoffdioxid aus der Verbrennung, bodennahes Ozon, das sich bei Sonnenlicht bildet, und Feinstaub bekannt als PM2,5. Über mehrere Tage im Sommer und Winter flog die Drohne bis in Höhen von 10 bis 60 Metern über der Straße auf und ab; im Winter flog sie zusätzlich horizontal bis zu 60 Meter von der Straße weg und verharrte an jedem Punkt, um Luftproben zu entnehmen.

Was die Drohne über der Straße beobachtete

Die Messungen zeigten deutliche Muster, wie sich die Verschmutzung mit Höhe, Abstand, Tageszeit und Jahreszeit verändert. Stickstoffdioxid und Ozon waren nahe dem Boden am höchsten und nahmen mit zunehmender Höhe und Entfernung von der Autobahn ab, was zeigt, dass Fahrzeuge eine dominante lokale Quelle sind. Stickstoffdioxid stieg um etwa 7 Uhr morgens an und deckte sich mit dem Berufsverkehr, während Ozon zu dieser Zeit am niedrigsten und am hellen Nachmittag am höchsten war, wenn Sonnenlicht chemische Reaktionen in der Luft antreibt. Im Winter war Stickstoffdioxid insgesamt tendenziell höher, begünstigt durch ruhige, kalte Luftschichten, die Emissionen in Bodennähe einschließen. Überraschenderweise waren die Feinstaubwerte im Sommer höher als im Winter; durch Zurückverfolgen der Luftmassenpfade über 48 Stunden fand das Team, dass Sommerluft oft aus Industriegebieten im Osten Chinas ankam, was darauf hindeutet, dass Ferntransport zur lokalen Verkehrsverschmutzung beitrug.

Von verstreuten Messwerten zu einer 3D-Verschmutzungskarte

Da Drohnen nur begrenzt fliegen können und sichere Flugrouten einhalten müssen, sind ihre Messungen räumlich und zeitlich lückenhaft. Um die Lücken zu schließen, trainierte das Team mehrere Modelle des maschinellen Lernens, um vorherzusagen, wie die Verschmutzung in der Höhe im Vergleich zu den Messungen am Straßenrand ausfällt. Anstatt rohe Konzentrationen vorherzusagen, konzentrierten sie sich auf das Verhältnis zwischen Drohnenmessungen und Bodensensoren für jeden Schadstoff. Die Modelle nutzten fünf Gruppen von Eingangsvariablen: Bodenverschmutzungswerte, Verkehrsaufkommen und -geschwindigkeit, Wetter (Wind, Temperatur, Luftfeuchte), Höhe der Drohne und Abstand zur Straße sowie Jahreszeit und Tageszeit. Unter mehreren konkurrierenden Algorithmen erzielte eine Methode namens CatBoost die besten Ergebnisse und erklärte je nach Schadstoff und Saison etwa zwei Drittel bis nahezu die gesamte Variation dieser Verhältnisse.

Was die Verschmutzungsmuster über der Straße antreibt

Durch Analyse des trainierten Modells konnten die Forschenden erkennen, welche realen Faktoren die vertikalen und horizontalen Muster jedes Schadstoffs am stärksten beeinflussen. Beim Kohlenmonoxid spielte die Fahrgeschwindigkeit eine große Rolle: Langsamerer oder stop-and-go-Verkehr korrelierte mit relativ höherer Verschmutzung in Straßennähe, was auf intensivere Abgasemissionen hinweist. Bei Stickstoffdioxid und Feinstaub war die Kombination aus Bodensituation und lokalem Wetter entscheidend—wärmere Bedingungen und höhere Bodenkonzentrationen führten tendenziell zu erhöhten Werten in der Höhe. Die Ozonmuster wurden mehr von der Meteorologie und der Jahreszeit bestimmt als von den Bodenzahlen selbst, was mit seiner Entstehung durch sonnenlichtgetriebene Chemie übereinstimmt. Als das Team das Modell nutzte, um kontinuierliche Karten der Verschmutzungsverhältnisse über Höhe, Abstand, Zeit und Saison zu erstellen, stimmten die resultierenden Muster gut mit dem etablierten Verständnis überein: dicht an der Fahrbahn hohe Stickstoffdioxid-Werte, am Tag ansteigendes Ozon und Partikel, die sich allmählich nach oben und weg von den Fahrspuren vermischen.

Wie das den Menschen das Atmen erleichtert

Einfach ausgedrückt zeigt die Studie, dass das, was eine Drohne über einer Autobahn misst, zuverlässig aus den Beobachtungen eines Bodensensors, Verkehrszählern und Wetterinstrumenten rekonstruiert werden kann. Durch die Kombination kurzer Drohnenflüge mit maschinellem Lernen erzeugten die Forschenden detaillierte dreidimensionale Ansichten der Straßenluftqualität, die allein mit Messungen schwer und teuer zu erhalten wären. Diese hochaufgelösten Karten können die Abschätzung verbessern, wie stark Anwohner, Pendler und Fußgänger in verschiedenen Höhen und Entfernungen sowie zu unterschiedlichen Tages- und Jahreszeiten Verkehrsemissionen ausgesetzt sind. Langfristig könnte dieser kombinierte Drohnen‑und‑Modell‑Ansatz die Platzierung neuer Straßen, Lärmschutzwände und Grüngürtel leiten und Stadtverwaltungen helfen zu prüfen, wie Verkehrssteuerungsmaßnahmen die Luft verbessern könnten, die die Menschen tatsächlich atmen.

Zitation: Kho, C.J., Seo, S., Hwang, H. et al. Altitude-resolved prediction of roadside air pollution using UAV measurements and machine learning. Sci Rep 16, 13925 (2026). https://doi.org/10.1038/s41598-026-44153-9

Schlüsselwörter: Straßennahe Luftverschmutzung, Drohnen, Maschinelles Lernen, Autobahnen, Feinstaub