Изучение взаимозависимостей на уровне кварталов между загрязняющими веществами воздуха, метеорологией и покрытием земли с помощью мобильного мониторинга и трансформеров

Почему воздух на вашей улице отличается от воздуха у соседей

Качество воздуха в городе часто описывают одним числом для целого района или даже целого населённого пункта. На деле же загрязнение может сильно меняться всего в несколько десятков метров — между оживлённой дорогой и тихим двором, или между стройплощадкой и парком. В этом исследовании показано, как сочетание электрической тележки с множеством датчиков и современных методов искусственного интеллекта может выявить эти скрытые паттерны и как эти знания могут привести к более разумным способам мониторинга и управления воздухом, которым мы дышим.

Передвижная лаборатория на кампусном круге

Исследователи преобразовали электрическую гольф‑кару в мобильную лабораторию и неоднократно объезжали кампус Института Вайцмана в Израиле — территорию всего 1,1 км². На борту были приборы для измерения диоксида азота (газ, связанный с дорожным движением), озона, мелких частиц (PM1 и PM2.5), температуры, влажности, давления и ветра. В течение трёх сезонов 2024 года они провели 66 обходов по фиксированному маршруту с 17 запланированными остановками, собрав около 180 000 измерений примерно через каждые 5 метров вдоль пути. Затем эти данные объединили с детальными аэрофотоснимками, показывающими расположение зданий, дорог, растительности и открытых участков, превратив кампус в высокоразрешённую «карту» как загрязнения, так и поверхностей, с которыми оно взаимодействует.

Скрытые горячие точки и суточные ритмы

Карты показали, что уровни загрязняющих веществ могут резко меняться на коротких расстояниях. В некоторых частях кампуса концентрации диоксида азота были вдвое выше, чем в других, особенно рядом с главной улицей и вблизи шоссе и цементного завода. Стройплощадки выделялись как мощные источники крупной фракции частиц, но только в сухих условиях — в сырые утра влажный песок давал гораздо меньше пыли. Исследователи также наблюдали выраженные суточные закономерности: диоксид азота и мелкие частицы обычно пиковали утром вместе с трафиком, а затем снижались, когда озон, образующийся на свету, рос к полудню. Сам озон оказался сравнительно равномерным по пространству, но сильно варьировал в течение дня. Эти наблюдения подчёркивают, что «средние» городские показатели могут пропускать интенсивные, кратковременные очаги воздействия всего в нескольких кварталах.

Обучение ИИ заполнять пробелы

Поскольку измерить всё сразу невозможно, команда обратилась к современному типу ИИ, известному как трансформер — в духе моделей, лежащих в основе продвинутых языковых инструментов. Они обучили маскированный автоэнкодер на базе трансформера восстанавливать недостающие данные, имея в распоряжении лишь очень ограниченный набор измерений (всего четверть всех точек карты и переменных). Чтобы компенсировать относительно небольшой реальный набор данных, модель сначала предварительно обучали на синтетических, сгенерированных компьютером полях, имитировавших сложные, но реалистичные паттерны. После дообучения на данных кампуса ИИ смог с высокой точностью воспроизводить детализированные карты загрязнения и погоды, захватывая около 89% истинной изменчивости и корректно классифицируя уровни от низкого до экстремального по десяти категориям с высокой надёжностью.

На что модель «обращает внимание»

В отличие от многих «чёрных ящиков» ИИ, трансформеры дают окно в то, как принимаются решения, через их паттерны «внимания» — числовые показатели того, какие входы влияют на каждое предсказание. Отслеживая это внимание, исследователи могли увидеть, например, что модель часто опирается на данные о частицах поблизости при оценке диоксида азота, и что ветер и информация о покрытии земли — где находятся дороги, здания и растительность — играли непропорционально большую роль, несмотря на слабые простые корреляции. Растительность и здания были особенно важны для предсказания диоксида азота и PM2.5, подчеркивая, как деревья и стены формируют потоки воздуха и накопление загрязнений на очень маленьких масштабах. Данные о ветре, даже если они шумные на движущейся тележке, всё равно несли ценные подсказки о том, как шлейфы загрязнения распространяются и рассеиваются.

Проектирование умного мониторинга с меньшим числом измерений

Поскольку трансформер может работать с гибкими наборами входных точек, команда протестировала использование только самых «информативных» локаций, определённых картами внимания. Они обнаружили, что вместо случайной выборки 25% кампуса можно выбрать несколько ключевых мест — иногда всего 15 точек по всему участку — и всё же восстановить основные паттерны загрязнения и погоды лучше, чем стандартным статистическим методом. Это предлагает новый подход к планированию маршрутов мониторинга и размещения датчиков: позволить ИИ, обученному на прошлых обзорах, указывать места, где каждое новое измерение приносит наибольшую информацию, сокращая расходы при сохранении ценности данных для науки.

Что это значит для людей, дышащих этим воздухом

Для неспециалистов основная мысль проста: качество воздуха, которое вы ощущаете, идя по своему кварталу, может сильно отличаться от того, что показывает удалённая станция, и эти различия зависят от близлежащего трафика, зданий, деревьев и даже времени работ на стройке. Исследование демонстрирует, что небольшой флот мобильных сенсоров, управляемых и интерпретируемый объяснимым ИИ, может картировать эти вариации на уровне кварталов с поразительной детализацией. В долгосрочной перспективе такие подходы могут помочь градостроителям решать, где сажать деревья или перенаправлять движение, направлять эпидемиологические исследования, которые более точно отражают реальное воздействие, и создавать более экономичные, умные сети мониторинга, которые ближе отслеживают воздух, которым мы действительно дышим от дверей к дверям.

Цитирование: 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

Ключевые слова: городское загрязнение воздуха, мобильный мониторинг, модели-трансформеры, картирование на уровне кварталов, мониторинг качества воздуха