Hoogteregelgebonden voorspelling van wegvervuiling met behulp van UAV-metingen en machine learning

Waarom vervuiling bij snelwegen ertoe doet

Veel mensen wonen, werken of sporten in de buurt van drukke snelwegen, waar uitlaatgassen stilletjes hun gezondheid kunnen beïnvloeden. De meeste luchtkwaliteitsmeters staan echter op vaste punten op de grond en laten niet zien hoe vervuiling verandert enkele meters boven of uit de buurt van de weg. Deze studie combineert drones en geavanceerde rekenmodellen om een driedimensionaal beeld te maken van vervuiling langs de weg, waarmee stedenbouwers en gezondheidsonderzoekers beter kunnen begrijpen wie het meest blootgesteld is en wanneer.

Vliegende sensoren gebruiken om vuile lucht in kaart te brengen

De onderzoekers concentreerden zich op een belangrijke Zuid-Koreaanse snelweg die Seoel en Busan verbindt en een groot deel van het landverkeer vervoert. Ze plaatsten een compact luchtmeter op een wegstation en bevestigden een tweede, identieke sensor aan een quadcopter-drone. De instrumenten maten vier belangrijke verontreinigingen: koolmonoxide uit uitlaatgassen, stikstofdioxide uit verbranding, ozon dicht bij de grond gevormd door zonlicht, en fijnstof bekend als PM2.5. Gedurende meerdere dagen in zomer en winter vloog de drone op en neer boven de weg op hoogtes van 10 tot 60 meter, en in de winter bewoog hij zich ook horizontaal tot 60 meter van de weg, waarbij hij bij elk punt pauzeerde om de lucht te bemonsteren.

Wat de drone boven de weg zag

De metingen onthulden duidelijke patronen in hoe vervuiling verandert met hoogte, afstand, tijd van de dag en seizoen. Stikstofdioxide en ozon waren het hoogst nabij de grond en namen af met de hoogte en afstand vanaf de snelweg, wat aangeeft dat voertuigen een dominante lokale bron zijn. Stikstofdioxide piekte rond 7 uur 's ochtends, in overeenstemming met de ochtendspits, terwijl ozon op dat moment het laagst was en hoger in de heldere namiddag, wanneer zonlicht chemische reacties in de lucht aandrijft. In de winter was stikstofdioxide over het algemeen hoger, geholpen door stagnante, koude luchtlagen die emissies dicht bij het oppervlak vasthouden. Verrassend genoeg waren de niveaus van fijnstof in de zomer hoger dan in de winter; door luchtmassapaden 48 uur terug te traceren, vond het team dat zomerse lucht vaak uit industriële gebieden van Oost-China kwam, wat wijst op toevoeging door langeafstandsvervoer boven lokale verkeersvervuiling.

Van verspreide metingen naar een 3D-kaart van vervuiling

Aangezien drones slechts beperkt kunnen vliegen en veilige routes moeten volgen, zijn hun metingen ruimtelijk en temporeel onsamenhangend. Om de gaten op te vullen trainde het team meerdere machine-learningmodellen om te voorspellen hoe vervuiling op hoogte zich verhoudt tot wat aan de weg wordt gemeten. In plaats van ruwe concentraties te voorspellen, richtten ze zich op de verhouding tussen drone-metingen en grondmetingen voor elke verontreiniging. De modellen gebruikten vijf groepen invoervariabelen: vervuilingsniveaus op de grond, verkeersvolume en -snelheid, het weer (wind, temperatuur, vochtigheid), de hoogte van de drone en afstand tot de weg, en seizoen en tijd van de dag. Van de verschillende algoritmen presteerde een methode genaamd CatBoost het beste, en verklaarde ongeveer twee derde tot vrijwel al de variatie in deze verhoudingen, afhankelijk van de verontreiniging en het seizoen.

Wat de patronen van vervuiling boven de straat stuurt

Door het getrainde model te onderzoeken konden de onderzoekers zien welke factoren in de echte wereld de verticale en horizontale patronen van elke verontreiniging het sterkst bepaalden. Voor koolmonoxide speelde de rijsnelheid een grote rol: langzamer rijdende of stop-and-go voertuigen werden gekoppeld aan hogere relatieve vervuiling nabij de weg, wat duidt op intensievere uitlaat. Voor stikstofdioxide en fijnstof was de combinatie van grondniveaucondities en het lokale weer doorslaggevend—warmere omstandigheden en hogere concentraties op de grond verhoogden vaak de niveaus hogerop. Ozonpatronen werden meer door meteorologie en seizoen bepaald dan door grondozonmetingen zelf, wat overeenstemt met de vorming door zonlichtgestuurde chemie. Toen het team het model gebruikte om continue kaarten van vervuilingsverhoudingen over hoogte, afstand, tijd en seizoen te maken, kwamen de resulterende patronen goed overeen met bestaande kennis: verhoogde stikstofdioxide langs de weg, opbouw van ozon gedurende de dag, en de geleidelijke menging van deeltjes omhoog en weg van de rijstroken.

Hoe dit mensen helpt makkelijker te ademen

Kort gezegd laat de studie zien dat wat een drone boven een snelweg meet betrouwbaar gereconstrueerd kan worden uit wat een grondmeter, verkeersdetectoren en weersinstrumenten onderaan waarnemen. Door korte dronevluchten te koppelen aan machine learning produceerden de onderzoekers gedetailleerde driedimensionale beelden van luchtkwaliteit langs de weg die met metingen alleen moeilijk en kostbaar te verkrijgen zouden zijn. Deze hoge-resolutie kaarten kunnen de schattingen verbeteren van hoe sterk bewoners, forenzen en voetgangers worden blootgesteld aan verkeersvervuiling op verschillende hoogtes en afstanden, en op verschillende tijden van dag en jaar. Op de lange termijn kan deze gecombineerde drone-en-modelbenadering de plaatsing van nieuwe wegen, geluidswallen en groene buffers sturen, en stadsbestuurders helpen toetsen hoe verkeersmaatregelen de lucht kunnen schonen die mensen daadwerkelijk inademen.

Bronvermelding: 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

Trefwoorden: vervuiling langs de weg, drones, machine learning, snelwegen, fijnstof