Prognoza zanieczyszczenia powietrza przy drogach rozdzielona wg wysokości przy użyciu pomiarów UAV i uczenia maszynowego

Dlaczego zanieczyszczenie przy autostradach ma znaczenie

Wiele osób mieszka, pracuje lub ćwiczy w pobliżu ruchliwych autostrad, gdzie spaliny komunikacyjne mogą cicho wpływać na ich zdrowie. Jednak większość stacji monitorujących jakość powietrza stoi w stałych punktach na ziemi i nie pokazuje, jak zanieczyszczenie zmienia się kilka metrów nad lub w bok od jezdni. To badanie łączy drony i zaawansowane modele komputerowe, by stworzyć trójwymiarowy obraz zanieczyszczenia przy drogach, pomagając planistom miejskim i badaczom zdrowia rozumieć, kto jest najbardziej narażony i kiedy.

Użycie latających czujników do mapowania zanieczyszczonego powietrza

Naukowcy skupili się na głównej koreańskiej autostradzie łączącej Seul i Busan, która obsługuje jeden z największych natężeń ruchu w kraju. Zainstalowali kompaktowy czujnik powietrza na stacji przydrożnej i przymocowali drugi, identyczny czujnik do czterowirnikowego drona. Instrumenty mierzyły cztery kluczowe zanieczyszczenia: tlenek węgla ze spalin, dwutlenek azotu z spalania paliw, ozon przygruntowy powstający w świetle słonecznym oraz drobne cząstki znane jako PM2.5. Przez kilka dni latem i zimą dron latał w górę i w dół nad poboczem na wysokościach od 10 do 60 metrów, a zimą także poruszał się poziomo do 60 metrów od drogi, zatrzymując się w każdym punkcie, by pobrać próbkę powietrza.

Co dron zaobserwował nad drogą

Pomiary ujawniły wyraźne wzorce zmian zanieczyszczeń wraz z wysokością, odległością, porą dnia i porą roku. Dwutlenek azotu i ozon były najwyższe blisko ziemi i malały wraz z wysokością oraz odległością od autostrady, co wskazuje, że pojazdy są dominującym lokalnym źródłem. Dwutlenek azotu osiągał szczyt około godziny 7 rano, pokrywając się z porannym szczytem komunikacyjnym, podczas gdy ozon był wtedy najniższy i wyższy w jasne popołudnia, gdy światło słoneczne napędza reakcje chemiczne w powietrzu. Zimą dwutlenek azotu był zwykle wyższy, wspomagany przez stagnujące, zimne warstwy powietrza, które zatrzymują emisje przy powierzchni. Co zaskakujące, poziomy drobnych cząstek były wyższe latem niż zimą; śledząc drogi mas powietrza na 48 godzin wstecz, zespół stwierdził, że letnie powietrze często nadchodziło z uprzemysłowionych rejonów wschodnich Chin, co sugeruje, że transport na duże odległości dokładał się do lokalnego zanieczyszczenia od ruchu.

Z rozproszonych odczytów do trójwymiarowej mapy zanieczyszczeń

Ponieważ drony mogą latać tylko przez ograniczony czas i muszą podążać bezpiecznymi trasami, ich pomiary są nieciągłe w przestrzeni i czasie. Aby wypełnić luki, zespół wytrenował kilka modeli uczenia maszynowego do przewidywania, jak zanieczyszczenie nad ziemią odnosi się do tego mierzonego przy drodze. Zamiast przewidywać surowe stężenia, skoncentrowali się na stosunku między odczytami drona a odczytami naziemnymi dla każdego zanieczyszczenia. Modele korzystały z pięciu grup danych wejściowych: poziomów zanieczyszczenia przy ziemi, natężenia i prędkości ruchu, pogody (wiatr, temperatura, wilgotność), wysokości drona i odległości od drogi oraz pory roku i pory dnia. Spośród kilku konkurencyjnych algorytmów najlepsze wyniki dała metoda zwana CatBoost, wyjaśniając w przybliżeniu od dwóch trzecich do niemal całej zmienności tych stosunków w zależności od zanieczyszczenia i pory roku.

Co kształtuje wzorce zanieczyszczeń nad ulicą

Analizując wytrenowany model, badacze mogli zobaczyć, które czynniki rzeczywiste najsilniej wpływają na pionowe i poziome rozkłady poszczególnych zanieczyszczeń. W przypadku tlenku węgla ważna była prędkość ruchu: wolniej poruszające się lub zatrzymujące się pojazdy wiązały się z wyższym względnym zanieczyszczeniem blisko drogi, odzwierciedlając silniejsze emisje spalin. W przypadku dwutlenku azotu i drobnych cząstek kluczowe okazało się połączenie tego, co działo się przy powierzchni, i lokalnej pogody—cieplejsze warunki i wyższe stężenia przy ziemi zwykle zwiększały poziomy nad nimi. Wzorce ozonu były bardziej rządzone przez meteorologię i porę roku niż przez same naziemne odczyty ozonu, co odpowiada jego powstawaniu w reakcjach napędzanych światłem słonecznym. Kiedy zespół użył modelu do stworzenia ciągłych map stosunków zanieczyszczeń w zależności od wysokości, odległości, czasu i pory roku, otrzymane wzory dobrze zgadzały się z istniejącą wiedzą: wyższe stężenia dwutlenku azotu przy samej jezdni, narastanie ozonu w ciągu dnia oraz stopniowe mieszanie się cząstek ku górze i w bok od pasów ruchu.

Jak to pomaga lepiej oddychać

Mówiąc prościej, badanie pokazuje, że to, co dron mierzy nad autostradą, można wiarygodnie odtworzyć na podstawie tego, co rejestruje monitor naziemny, liczniki ruchu i instrumenty pogodowe poniżej. Łącząc krótkie loty drona z uczeniem maszynowym, naukowcy uzyskali szczegółowe, trójwymiarowe obrazy jakości powietrza przy drogach, które trudno i drogo byłoby pozyskać wyłącznie pomiarami. Te mapy o wysokiej rozdzielczości mogą poprawić oszacowania, jak mocno mieszkańcy, dojeżdżający i piesi są narażeni na zanieczyszczenia komunikacyjne na różnych wysokościach i odległościach oraz o różnych porach dnia i roku. W dłuższej perspektywie połączenie dronów i modeli może wskazać najlepsze miejsca na nowe drogi, bariery dźwiękochłonne i strefy zielone oraz pomóc władzom miejskim przetestować, w jaki sposób polityki sterowania ruchem mogłyby oczyścić powietrze, którym ludzie rzeczywiście oddychają.

Cytowanie: 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

Słowa kluczowe: zanieczyszczenie powietrza przy drogach, drony, uczenie maszynowe, autostrady, cząstki drobne