移動センシングとトランスフォーマーを用いた大気汚染、気象、土地被覆の近隣スケールの相互依存性の学習

なぜあなたの通りの空気は隣の通りと違うのか

都市の大気質はしばしば、近隣全体や町全体を代表する単一の数値で表されます。しかし実際には、汚染は数十メートルの範囲でも鋭く変化します—交通量の多い道路と静かな中庭の間、あるいは建設現場と公園の間などです。本研究は、センサーを積んだ電動カートと最先端の人工知能を組み合わせることで、こうした隠れたパターンを明らかにできることを示し、その知見がより賢い大気の観測と管理につながる可能性を示しています。

キャンパス周回の移動ラボ

研究チームは電動ゴルフカートを移動式大気ラボに改造し、イスラエルのワイツマン科学研究所キャンパス（面積約1.1平方キロメートル）を繰り返し走行しました。車上には窒素酸化物（交通由来のガス）、オゾン、微粒子（PM1、PM2.5）、温度、湿度、気圧、風向風速を測る機器が搭載されていました。2024年の3つのシーズンにわたって固定ルートを66回走行し、17か所の計画停車地点を含む経路上の約5メートルごとに合計約18万件の測定を収集しました。これらの測定を、建物、道路、植生、裸地などの位置を示す詳細な空中画像と組み合わせることで、汚染とそれが相互作用する地表面の高解像度な“地図”を作成しました。

隠れたホットスポットと日々のリズム

地図は、汚染物質濃度が短い距離で劇的に変わることを明らかにしました。キャンパスの一部では窒素酸化物濃度が他の場所の最大で2倍に達し、特に大通りや近隣の高速道路、セメント工場の近くで顕著でした。建設現場は粗大粒子の強い発生源として目立ちましたが、乾燥した条件に限られ、湿った朝には砂が湿ってほとんど粉じんが発生しませんでした。日内変動も強く、窒素酸化物と微粒子は通勤時間帯の朝に上昇し、日照で生成されるオゾンは昼に向けて増加しました。オゾン自体は空間的には比較的均一でしたが、時間的変動は大きかった。これらの結果は、いわゆる“平均”的な都市の観測値が、ほんの数本の通り先にある強く短時間の被曝ポケットを見逃しがちであることを強調します。

欠測を埋めるようにAIを訓練する

どこでも同時に測定することは不可能なため、チームはトランスフォーマーと呼ばれる現代的なAIに着目しました—高度な言語ツールを支えるモデルに近い仕組みです。彼らはトランスフォーマーに基づくマスク付きオートエンコーダを訓練し、測定点と変数のわずか4分の1の限られた観測から残りの4分の3を復元するように学習させました。実世界データが比較的小さいことを補うため、まず複雑だが現実的なパターンを模した合成の計算フィールドで事前学習を行い、その後キャンパスデータで微調整しました。結果として、AIは詳細な汚染と気象の地図を高精度で再現でき、真の変動の約89%を捉え、低〜極端レベルを10カテゴリに正確に分類する信頼性を示しました。

モデルが「注目」するもの

多くのブラックボックス型AIと異なり、トランスフォーマーは“注意”パターンを通じて決定過程の可視化を提供します—どの入力が各予測に影響を与えているかを示す数値です。注意の追跡により、例えばモデルが窒素酸化物を推定する際に近接する粒子データに依存することが多いこと、風データや道路・建物・植生といった土地被覆情報が単純な相関は弱くとも大きな役割を果たしていることがわかりました。特に植生と建物は窒素酸化物とPM2.5の予測に重要であり、樹木や壁が微気候と汚染物質の局所的な滞留を如何に形作るかを示しています。移動するカート上でノイズの多い風データであっても、汚染プルームの拡散と希釈に関する有益な手がかりを含んでいました。

より少ない測定で賢い監視を設計する

トランスフォーマーは柔軟な入力点のセットで動作できるため、チームは注意マップで特定された「情報量の多い」場所だけを使うことを試しました。ランダムにキャンパスの25%をサンプリングする代わりに、サイト全体で多い時でもわずか15点ほどの重要な地点を選ぶだけで、従来の統計手法よりも主要な汚染・気象パターンを再構築できることがわかりました。これは、監視ルートやセンサー配置を計画する新しい手法を示唆します。過去の調査で訓練されたAIに、新しい測定が最も多くの情報をもたらす場所を示してもらうことで、コストを削減しつつ科学的価値を保てます。

呼吸する人々にとっての意味

専門外の人にとっての核心は明快です：自分の通りを歩くときに体験する空気の質は、遠くの観測所が報告する値と大きく異なることがあり、その違いは近隣の交通、建物、樹木、さらに建設の時期に依存します。本研究は、説明可能なAIで導かれ解釈された少数の移動式センサー群が、近隣スケールの変動を驚くほど詳細に描けることを示しています。長期的には、こうした手法が都市計画で樹木の配置や交通の経路変更を決めるのに役立ち、実際の被曝をよりよく反映する健康調査を導き、玄関から玄関までの実際に人々が吸う空気をより緻密に追跡する、より効率的で賢い監視ネットワークの実現につながる可能性があります。

引用: 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

キーワード: 都市大気汚染, 移動センシング, トランスフォーマーモデル, 近隣スケールのマッピング, 大気質モニタリング