Ponad modelowaniem spatio‑czasowym: przegląd zastosowań uczenia maszynowego do badania zanieczyszczeń powietrza związanych z ruchem drogowym ze szczególnym uwzględnieniem emisji niepochodzących ze spalin

Dlaczego uliczny pył wciąż ma znaczenie

Wiele miast ogranicza emisje z układów wydechowych, a mimo to ruch drogowy pozostaje ważnym źródłem szkodliwego zanieczyszczenia powietrza. Artykuł przeglądowy wyjaśnia, jak nowoczesne metody komputerowe, zwane uczeniem maszynowym, są wykorzystywane do lepszego śledzenia i rozumienia zanieczyszczeń związanych z ruchem drogowym, zwłaszcza drobnych cząstek pochodzących ze zużycia hamulców, opon i pyłu drogowego, a nie z rur wydechowych. Te wnioski mogą pomóc urbanistom i specjalistom zdrowia publicznego w projektowaniu bardziej przemyślanych polityk chroniących osoby mieszkające, pracujące i spędzające czas w pobliżu ruchliwych ulic.

Od spalin do niewidocznego zużycia nawierzchni

Zanieczyszczenie powietrza związane z ruchem obejmuje zarówno gazy, jak i cząstki stałe. Przez lata największą uwagę poświęcano spalinom powstałym przy spalaniu paliw, takim jak tlenki azotu i drobne cząstki szkodzące płucom i sercu. Przepisy i czystsze silniki stopniowo zmniejszyły te emisje z rur wydechowych. Jednak obecnie coraz większą część tego, czym oddychamy w pobliżu jezdni, stanowią cząstki z zużycia hamulców, zużycia opon, ścierania nawierzchni i wznowionego pyłu. Źródła niepochodzące ze spalin są trudniejsze do pomiaru i kontroli, a nierzadko zawierają metale i inne substancje powiązane z astmą, chorobami serca, a być może także z zaburzeniami takimi jak autyzm dziecięcy i choroba Parkinsona.

Nauczanie komputerów mapowania zanieczyszczeń

Ponieważ niemożliwe jest umieszczenie monitorów powietrza na każdym rogu, badacze wykorzystują uczenie maszynowe, aby wypełnić luki pomiarowe. Karmiąc modele danymi o natężeniu ruchu, zagospodarowaniu terenu, pogodzie oraz odczytami z czujników stacjonarnych i mobilnych, można tworzyć szczegółowe mapy zanieczyszczeń, takich jak drobne cząstki, metale i gazy drogowe w całym mieście. Metody oparte na drzewach decyzyjnych i głębokie uczenie często uchwytują złożone wzorce w tych danych, podczas gdy nowsze metody grafowe traktują punkty pomiarowe i drogi jako powiązaną sieć. Techniki te pomagają ujawnić, kiedy i gdzie ludzie są najbardziej narażeni, ale borykają się też z niepełnymi danymi, niespójnymi wejściami oraz trudnością przenoszenia modeli wytrenowanych w jednym mieście do innego.

Wyszukiwanie najważniejszych czynników na drodze

Poza mapowaniem, uczenie maszynowe potrafi wskazać, które czynniki najsilniej wpływają na poziomy zanieczyszczeń. Analizując, jak zmieniają się przewidywania modelu przy zmianie wejść, takich jak zachowania kierowców, typ pojazdu, intensywność hamowania czy warunki pogodowe, badacze mogą wnioskować, które wzorce zasługują na bliższą uwagę. Badania sugerują na przykład, że gwałtowne hamowanie, starsze pojazdy i pewne materiały klocków hamulcowych zwiększają emisję drobnych cząstek. Jednak takie rankingi ważności nie dowodzą związku przyczynowo‑skutkowego i mogą być zniekształcone przez ukryte powiązania między zmiennymi. Autorzy podkreślają, że wyniki te muszą być sprawdzane w świetle wiedzy fizycznej i testowane w różnych miastach, zanim posłużą do kształtowania polityk.

Zbliżenie na cząstki z hamulców i opon

Niektóre z najbardziej innowacyjnych prac wykorzystują uczenie maszynowe do sortowania i klasyfikowania pojedynczych cząstek z pyłu drogowego i próbek powietrza. Wydajne mikroskopy i sensory chemiczne generują ogromne zbiory obrazów i danych składu dla tysięcy cząstek. Algorytmy uczą się potem rozróżniać zużycie opon, zużycie hamulców, minerały drogowe i inne typy cząstek, których klasyfikacja ręczna byłaby żmudna i podatna na błędy. Badania laboratoryjne nad układami hamulcowymi i opon stosują podobne modele, aby powiązać decyzje projektowe, takie jak zawartość metali w klockach czy wzorce hamowania, z ilością emitowanej materii stałej. Metody te zaczynają oddzielać zanieczyszczenia niepochodzące ze spalin od innych źródeł, otwierając drogę do bardziej ukierunkowanych testów toksyczności i doboru czystszych materiałów.

Śledzenie, skąd pochodzi zanieczyszczenie

Wiedza o tym, jaka część zanieczyszczeń pochodzi od konkretnych źródeł, jest kluczowa dla racjonalnej regulacji. Tradycyjne narzędzia statystyczne szacują, jaka część zmierzonych cząstek da się przypisać ruchowi drogowemu, przemysłowi czy innym źródłom. Uczenie maszynowe oferuje teraz nowe sposoby grupowania próbek o podobnych chemicznych „odciskach palców” oraz klasyfikowania prawdopodobnych źródeł na podstawie właściwości, takich jak zachowanie magnetyczne. Wstępne prace sugerują, że te narzędzia mogą dorównywać lub uzupełniać starsze metody, radząc sobie z bardziej złożonymi danymi, choć wciąż wymagają starannej interpretacji ekspertów, by uniknąć błędnego przypisywania źródeł.

Co to oznacza dla jakości powietrza w miastach i zdrowia

Podsumowując, przegląd stwierdza, że uczenie maszynowe stało się potężnym partnerem w badaniu zanieczyszczeń powietrza związanych z ruchem drogowym, zwłaszcza rosnącego problemu emisji niepochodzących ze spalin. Pomaga budować bardziej szczegółowe mapy narażenia, ujawniać wzorce w zachowaniach kierowców i projektowaniu pojazdów wpływające na emisje oraz rozplątywać mieszaninę cząstek unoszących się wzdłuż dróg. Jednocześnie ograniczone dane, niejasne wybory modeli i słaba przenośność między miejscami pozostają znaczącymi przeszkodami. Autorzy argumentują, że postęp zależeć będzie od lepszych czujników, współdzielonych zbiorów danych i metod łączących wiedzę ekspercką z przejrzystymi algorytmami. Wspólnie te kroki mogą wspierać polityki redukujące szkodliwe cząstki z ruchu drogowego i pomagać chronić zdrowie publiczne w coraz bardziej zmotoryzowanych miastach.

Cytowanie: Ho, N., Dhayade, S., Zhang, Y. et al. Beyond spatiotemporal modeling: a review of applications of machine learning for traffic-related air pollution toward non-exhaust emissions. npj Clean Air 2, 33 (2026). https://doi.org/10.1038/s44407-026-00078-1

Słowa kluczowe: zanieczyszczenie powietrza od ruchu drogowego, emisje niepochodzące ze spalin, uczenie maszynowe, zużycie hamulców i opon, jakość powietrza miejska