Прогнозирование загрязнения воздуха у дорог с учётом высоты с помощью БПЛА и машинного обучения

Почему важно загрязнение рядом с автомагистралями

Многие люди живут, работают или занимаются спортом рядом с оживлёнными дорогами, где выхлопы транспорта незаметно влияют на их здоровье. При этом большинство стационарных мониторов качества воздуха расположены на земле в фиксированных точках и не показывают, как меняется загрязнение на несколько метров выше или в стороне от проезжей части. В этом исследовании объединены данные дронов и продвинутые компьютерные модели, чтобы создать трёхмерную картину загрязнения воздуха вдоль дорог, что помогает городским планировщикам и исследователям в области здравоохранения понять, кто и когда подвергается наибольшему воздействию.

Использование летающих датчиков для картирования загрязнений

Исследователи сосредоточились на крупной корейской автодороге, связывающей Сеул и Пусан, на которой наблюдается один из самых интенсивных потоков движения в стране. Они установили компактный датчик воздуха на придорожной станции и закрепили второй, идентичный датчик на квадрокоптере. Приборы регистрировали четыре ключевых загрязнителя: угарный газ от выхлопа, диоксид азота от сгорания топлива, приземный озон, образующийся под действием солнца, и мелкие частицы, известные как PM2.5. В течение нескольких дней летом и зимой дрон поднимался и опускался над обочиной на высотах от 10 до 60 метров, а зимой также перемещался по горизонтали на расстояние до 60 метров от дороги, делая паузы в каждой точке для отбора проб воздуха.

Что дрон зафиксировал над дорогой

Измерения выявили чёткие закономерности в том, как загрязнение меняется с высотой, удалением, временем суток и по сезонам. Диоксид азота и озон были наибольшими у земли и уменьшались с высотой и расстоянием от автомагистрали, что указывает на доминирующую локальную роль транспорта. Диоксид азота резко возрастал около 7 утра, совпадая с утренним часом пик, тогда как озон был минимальным в это время и повышался в яркий послеобеденный период, когда солнечный свет стимулирует химические реакции в атмосфере. Зимой диоксид азота, как правило, был выше в целом, чему способствовали застойные холодные слои воздуха, задерживающие эмиссии у поверхности. Удивительно, но уровни мелких частиц были выше летом, чем зимой; восстановив траектории воздушных масс за 48 часов назад, команда выяснила, что летний воздух часто приходил из промышленных районов восточного Китая, что указывает на вклад дальнего переноса в дополнение к местному автомобильному загрязнению.

От разрозненных наблюдений к 3D‑карте загрязнений

Поскольку дроны могут летать лишь ограниченное время и вынуждены соблюдать безопасные траектории, их измерения фрагментарны по пространству и времени. Чтобы заполнить пробелы, команда обучила несколько моделей машинного обучения предсказывать, как загрязнение в воздухе соотносится с тем, что измеряется у дороги. Вместо прогнозирования сырых концентраций они сосредоточились на отношении между показаниями дрона и наземными измерениями для каждого загрязнителя. Входные данные разделили на пять групп: уровни загрязнения на земле, интенсивность и скорость трафика, погода (ветер, температура, влажность), высота дрона и расстояние от дороги, а также сезон и время суток. Из нескольких конкурирующих алгоритмов наилучшие результаты показал метод CatBoost, объясняя примерно от двух третей до почти всей вариации этих отношений в зависимости от загрязнителя и сезона.

Что формирует закономерности загрязнения над дорогой

Анализ обученной модели позволил исследователям увидеть, какие реальные факторы сильнее всего определяют вертикальные и горизонтальные профили каждого загрязнителя. Для угарного газа большое значение имела скорость движения: медленное или прерывистое движение было связано с более высоким относительным уровнем загрязнения рядом с дорогой, что отражает более интенсивные выбросы. Для диоксида азота и мелких частиц ключевыми оказались сочетание наземной ситуации и местной погоды — более тёплые условия и повышенные концентрации у земли обычно усиливали уровни в верхних слоях. Паттерны озона больше определялись метеоусловиями и сезоном, чем самими наземными показаниями озона, что согласуется с его образованием в результате солнечной фотохимии. Когда команда использовала модель для создания непрерывных карт отношений загрязнения по высоте, расстоянию, времени и сезону, полученные закономерности хорошо соответствовали устоявшимся представлениям: повышенный диоксид азота, «прилипший» к дороге, нарастание озона в течение дня и постепенное перемешивание частиц вверх и в сторону от полос движения.

Как это помогает дышать легче

Проще говоря, исследование показывает, что то, что дрон измеряет над автострадой, можно надёжно восстановить на основании того, что фиксируют наземный монитор, счётчики трафика и метеорологические приборы снизу. Сочетая короткие полёты дронов с машинным обучением, исследователи получили детализированные трёхмерные представления качества воздуха вдоль дорог, которые было бы сложно и дорого получить одними лишь измерениями. Эти карты высокого разрешения могут улучшить оценки того, насколько сильно жильцы, пассажиры и пешеходы подвергаются воздействию автомобильного загрязнения на разных высотах и расстояниях, а также в разное время суток и года. В долгосрочной перспективе такой комбинированный подход «дрон+модель» может помочь при выборе мест для новых дорог, шумозащитных барьеров и зелёных зон, а также помочь властям оценить, насколько меры по регулированию движения могут очистить воздух, которым люди действительно дышат.

Цитирование: 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

Ключевые слова: загрязнение воздуха у дорог, дроны, машинное обучение, автомагистрали, тонкие частицы