Erlernen nachbarschaftsweiter Kreuzabhängigkeiten zwischen Luftschadstoffen, Meteorologie und Landbedeckung mithilfe von mobiler Messtechnik und Transformern

Warum die Luft auf Ihrer Straße anders ist als bei Ihrem Nachbarn

Die Luftqualität in Städten wird häufig mit einer einzigen Zahl für ein ganzes Viertel oder sogar eine ganze Stadt beschrieben. In Wirklichkeit kann die Verschmutzung jedoch schon über wenige Dutzend Meter stark variieren – zwischen einer vielbefahrenen Straße und einem ruhigen Hof oder zwischen einer Baustelle und einem Park. Diese Studie zeigt, wie eine Kombination aus einem mit Sensoren ausgestatteten Elektrofahrzeug und moderner künstlicher Intelligenz diese verborgenen Muster enthüllen kann und wie dieses Wissen zu intelligenteren Methoden zur Überwachung und Steuerung der Luft, die wir einatmen, führen könnte.

Ein rollendes Labor auf einer Campusrunde

Die Forschenden verwandelten einen elektrischen Golfwagen in ein mobiles Luftlabor und fuhren damit wiederholt um den Campus des Weizmann Institute of Science in Israel, ein Gebiet von nur 1,1 Quadratkilometern. An Bord befanden sich Instrumente zur Messung von Stickstoffdioxid (ein verkehrsbedingtes Gas), Ozon, feinen Partikeln (PM1 und PM2.5), Temperatur, Luftfeuchtigkeit, Druck und Wind. Innerhalb von drei Jahreszeiten im Jahr 2024 führten sie 66 Erhebungen entlang einer festen Route mit 17 geplanten Stopps durch und sammelten etwa 180.000 Messwerte in Abständen von ungefähr 5 Metern entlang der Strecke. Diese Messwerte kombinierten sie mit detaillierten Luftbildern, die zeigten, wo Gebäude, Straßen, Vegetation und freie Flächen liegen, und verwandelten den Campus so in eine hochaufgelöste „Karte“ sowohl der Verschmutzung als auch der Oberflächen, mit denen sie interagiert.

Verborgene Hotspots und tägliche Rhythmen

Die Karten zeigten, dass die Schadstoffkonzentrationen über kurze Distanzen dramatisch variieren können. In einigen Campusbereichen war die Konzentration an Stickstoffdioxid bis zu doppelt so hoch wie in anderen, insbesondere in der Nähe einer Hauptstraße sowie nahe einer Autobahn und einer Zementfabrik. Baustellen traten als starke Quellen grober Partikel hervor, allerdings nur unter trockenen Bedingungen – an feuchten Morgen erzeugter nasser Sand deutlich weniger Staub. Das Team beobachtete auch ausgeprägte Tagesverläufe: Stickstoffdioxid und feine Partikel stiegen morgens mit dem Verkehr an und fielen dann, während Ozon, das im Sonnenlicht gebildet wird, gegen Mittag zunahm. Ozon selbst war räumlich überraschend gleichmäßig, variierte jedoch stark im Tagesverlauf. Diese Ergebnisse unterstreichen, dass „durchschnittliche“ städtische Messwerte intensive, kurzlebige Belastungshotspots, die nur wenige Straßen entfernt liegen, übersehen können.

Einer KI beibringen, die Lücken zu füllen

Da es unmöglich ist, überall gleichzeitig zu messen, wandte sich das Team an eine moderne KI-Klasse, bekannt als Transformer – verwandt mit den Modellen, die auch fortschrittliche Sprachwerkzeuge antreiben. Sie trainierten einen transformerbasierten Masked Autoencoder so, dass er aus einer sehr begrenzten Menge von Messungen (nur ein Viertel aller Kartenpunkte und Variablen) die fehlenden drei Viertel rekonstruiert. Um dem relativ kleinen realen Datensatz Rechnung zu tragen, pretrainierten sie das Modell zunächst auf synthetischen, computergenerierten Feldern, die komplexe, aber realistische Muster nachahmten. Nach dem Feinabstimmen an den Campusdaten konnte die KI detaillierte Karten von Verschmutzung und Wetter mit hoher Genauigkeit reproduzieren, erfasste etwa 89 % der tatsächlichen Variabilität und klassifizierte niedrige bis extreme Werte in zehn Kategorien mit hoher Zuverlässigkeit korrekt.

Worauf das Modell „seine Aufmerksamkeit“ richtet

Im Gegensatz zu vielen Black-Box-KI-Systemen bieten Transformer Einblicke in ihre Entscheidungsfindung über ihre „Aufmerksamkeits“-Muster – numerische Maße dafür, welche Eingaben eine Vorhersage beeinflussen. Durch die Verfolgung dieser Aufmerksamkeit konnten die Forschenden beispielsweise sehen, dass das Modell oft auf nahe gelegene Partikeldaten zurückgriff, um Stickstoffdioxid abzuschätzen, und dass Wind- und Landbedeckungsinformationen – wo sich Straßen, Gebäude und Vegetation befinden – trotz schwacher einfacher Korrelationen eine überproportionale Rolle spielten. Vegetation und Gebäude waren besonders wichtig für die Vorhersage von Stickstoffdioxid und PM2.5 und verdeutlichen, wie Bäume und Mauern die Luftströmung und die Anreicherung von Schadstoffen auf sehr kleinen Skalen formen. Winddaten lieferten, auch wenn sie in einem fahrenden Wagen verrauscht waren, dennoch wertvolle Hinweise darauf, wie Schadstofffahnen sich ausbreiten und verdünnen.

Intelligentere Überwachung mit weniger Messungen planen

Weil der Transformer mit flexiblen Mengen von Eingabepunkten arbeiten kann, testete das Team den Einsatz nur der „informativen“ Standorte, die durch die Aufmerksamkeitskarten identifiziert wurden. Sie fanden heraus, dass sie statt einer zufälligen Abtastung von 25 % des Campus eine Handvoll Schlüsselstellen wählen konnten – manchmal so wenige wie 15 Punkte über das gesamte Gelände – und dennoch die wichtigsten Verschmutzungs- und Wettermuster besser rekonstruieren konnten als mit einer Standardstatistikmethode. Das deutet auf eine neue Möglichkeit hin, Überwachungsrouten und Sensorplatzierungen zu planen: Eine KI, trainiert an früheren Erhebungen, zeigt die Orte auf, an denen jede neue Messung den größten Informationsgewinn bringt, was Kosten senken kann, ohne den wissenschaftlichen Mehrwert zu opfern.

Was das für die Menschen bedeutet, die die Luft atmen

Für Nicht-Fachleute ist die Kernbotschaft einfach: Die Luftqualität, die Sie beim Spaziergang in Ihrer Straße erleben, kann deutlich anders sein als das, was eine entfernte Messstation meldet, und diese Unterschiede hängen von nahegelegenem Verkehr, Gebäuden, Bäumen und sogar vom Zeitpunkt von Bauarbeiten ab. Die Studie zeigt, dass eine kleine Flotte mobiler Sensoren, gesteuert und interpretiert durch erklärbare KI, diese Variationen im Nachbarschaftsmaßstab in bemerkenswertem Detail erfassen kann. Langfristig könnten solche Ansätze Stadtplaner dabei unterstützen, zu entscheiden, wo Bäume gepflanzt oder Verkehrsströme umgeleitet werden sollten, Gesundheitsstudien besser an die reale Exposition anpassen und sparsamere, intelligentere Überwachungsnetze ermöglichen, die die Luft, die wir von Tür zu Tür tatsächlich einatmen, näher überwachen.

Zitation: Nissenbaum, D., Bagon, S., Sarafian, R. et al. Learning neighborhood-scale cross-dependencies among air pollutants, meteorology and land cover using mobile sensing and transformers. npj Clean Air 2, 13 (2026). https://doi.org/10.1038/s44407-026-00054-9

Schlüsselwörter: städtische Luftverschmutzung, mobile Messtechnik, Transformer-Modelle, Kartierung im Nachbarschaftsmaßstab, Luftqualitätsüberwachung