Leren van wijkbrede kruisafhankelijkheden tussen luchtverontreinigende stoffen, meteorologie en landbedekking met mobiele sensoren en transformers

Waarom de lucht op jouw straat anders is dan bij de buren

De luchtkwaliteit in steden wordt vaak met één enkel cijfer voor een hele wijk of zelfs een hele stad weergegeven. In werkelijkheid kan de vervuiling echter sterk veranderen over slechts enkele tientallen meters—tussen een drukke weg en een stille binnenplaats, of tussen een bouwplaats en een park. Deze studie laat zien hoe een combinatie van een sensorbeladen elektrische kar en geavanceerde kunstmatige intelligentie deze verborgen patronen kan blootleggen, en hoe die kennis kan leiden tot slimmer toezicht en beheer van de lucht die we inademen.

Een rijdend laboratorium op een campuslus

De onderzoekers bouwden een elektrische golfkar om tot een mobiel luchtlaboratorium en reden er herhaaldelijk mee rond de campus van het Weizmann Institute of Science in Israël, een gebied van slechts 1,1 vierkante kilometer. Aan boord bevonden zich instrumenten die stikstofdioxide (een verkeersgerelateerd gas), ozon, fijne deeltjes (PM1 en PM2.5), temperatuur, luchtvochtigheid, druk en wind maten. In drie seizoenen in 2024 voltooiden ze 66 metingen langs een vaste route met 17 geplande stops, waarbij ze ongeveer 180.000 metingen verzamelden op ruwweg elke 5 meter langs het traject. Ze combineerden deze metingen vervolgens met gedetailleerde luchtfoto’s die lieten zien waar gebouwen, wegen, vegetatie en open grond zich bevonden, waardoor de campus werd omgezet in een zeer fijnmazige “kaart” van zowel vervuiling als de oppervlakken waarmee die in wisselwerking staat.

Verborgen hotspots en dagelijkse ritmes

De kaarten toonden aan dat vervuilingsniveaus dramatisch kunnen variëren over korte afstanden. In sommige delen van de campus was de concentratie stikstofdioxide tot twee keer zo hoog als elders, vooral nabij een hoofdstraat en dicht bij een snelweg en een cementfabriek. Bouwplaatsen vielen op als sterke bronnen van grovere deeltjes, maar alleen onder droge omstandigheden—op vochtige ochtenden leverde vochtig zand veel minder stof. Het team zag ook sterke dagpatronen: stikstofdioxide en fijne deeltjes piekten vaak ’s ochtends door verkeer en daalden daarna, terwijl ozon, dat in zonlicht ontstaat, richting het midden van de dag toenam. Ozon zelf was verrassend gelijkmatig verspreid over de ruimte maar varieerde sterk tijdens de dag. Deze bevindingen onderstrepen dat “gemiddelde” stadsmetingen intensieve, kortdurende blootstellingszones kunnen missen die maar een paar straten verderop liggen.

Een AI leren de ontbrekende stukken in te vullen

Aangezien het onmogelijk is overal tegelijk te meten, wendde het team zich tot een moderne soort AI die bekendstaat als een transformer—in soort verwant aan de modellen achter geavanceerde taaltools. Ze trainden een transformer-gebaseerde masked autoencoder om vanuit een zeer beperkt aantal metingen (slechts een kwart van alle kaartpunten en variabelen) de ontbrekende drie kwart te reconstrueren. Om het relatief kleine reële dataset te compenseren, pretrainen ze het model eerst op synthetische, computergegenereerde velden die complexe maar realistische patronen nabootsten. Na fijnslijpen op de campusdata kon de AI gedetailleerde kaarten van vervuiling en weersomstandigheden met hoge nauwkeurigheid reproduceren, waarbij ongeveer 89% van de werkelijke variabiliteit werd gevangen en lage tot extreme niveaus in tien categorieën betrouwbaar werden geclassificeerd.

Waar het model “aandacht” aan besteedt

In tegenstelling tot veel black-box AI-systemen geven transformers inzicht in hun besluitvorming via hun “attention”-patronen—numerieke maten welke inputs elke voorspelling beïnvloeden. Door deze aandacht te volgen konden de onderzoekers bijvoorbeeld zien dat het model vaak leunde op nabijgelegen deeltjesmetingen om stikstofdioxide te schatten, en dat wind- en landbedekkingsinformatie—waar wegen, gebouwen en vegetatie lagen—een veel grotere rol speelde dan eenvoudige correlaties deden vermoeden. Vegetatie en gebouwen bleken vooral belangrijk voor het voorspellen van stikstofdioxide en PM2.5, wat benadrukt hoe bomen en muren luchtstromen en het ophopen van vervuiling op zeer kleine schaal vormgeven. Windgegevens, zelfs wanneer ze ruis bevatten op een rijdende kar, boden nog steeds waardevolle aanwijzingen over hoe vervuilingspluimen zich verspreiden en verwateren.

Slimmer monitoren met minder metingen ontwerpen

Aangezien de transformer met flexibele sets invoerpunten kan werken, testte het team het gebruik van alleen de meest “informatieve” locaties die door de attention-kaarten waren geïdentificeerd. Ze ontdekten dat ze, in plaats van willekeurig 25% van de campus te bemonsteren, een handvol sleutelpunten konden kiezen—soms slechts 15 punten over het hele terrein—en toch de belangrijkste vervuilings- en weerpatronen beter konden reconstrueren dan met een standaard statistische methode. Dit suggereert een nieuwe manier om monitoringsroutes en sensorplaatsing te plannen: laat een AI die op eerdere onderzoeken getraind is de plekken aanwijzen waar elke nieuwe meting het meeste toevoegt, waardoor kosten worden bespaard zonder wetenschappelijke waarde in te leveren.

Wat dit betekent voor mensen die de lucht inademen

Voor niet-specialisten is de kernboodschap eenvoudig: de luchtkwaliteit die je ervaart als je over je eigen straat loopt kan sterk afwijken van wat een verre meetpost rapporteert, en die verschillen hangen af van lokaal verkeer, gebouwen, bomen en zelfs het tijdstip van bouwwerkzaamheden. Deze studie toont aan dat een kleine vloot mobiele sensoren, aangestuurd en geïnterpreteerd door uitlegbare AI, deze wijkgeschaalde variaties met opmerkelijke detailrijkdom in kaart kan brengen. Op de lange termijn zouden dergelijke benaderingen stadsplanners kunnen helpen beslissen waar bomen geplant of verkeer omgeleid moet worden, gezondheidsonderzoeken beter laten aansluiten bij echte blootstelling, en efficiëntere, slimmere monitoringsnetwerken mogelijk maken die de lucht die we daadwerkelijk van deur tot deur inademen nauwkeuriger volgen.

Bronvermelding: 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

Trefwoorden: stedelijke luchtvervuiling, mobiele detectie, transformermodels, wijkgeschaalde kaartvorming, luchtkwaliteitsbewaking