Модель на основе агентов для моделирования гиперлокального городского качества воздуха

Почему воздух в городе может меняться от квартала к кварталу

Тому, кто переходил из тихого парка на оживлённую улицу, знакомо ощущение, как качество воздуха может измениться всего за несколько шагов. Тем не менее большинство карт загрязнения по-прежнему рассматривают целые районы или даже целые города так, будто воздух в них равномерно смешан. В этой статье предлагается новый способ отслеживать, как грязный воздух перемещается и накапливается на уровне отдельных городских кварталов, что открывает путь к более точным рекомендациям для здоровья, разумному дизайну улиц и даже к выбору более чистых повседневных маршрутов для пассажиров.

Превращение города в сеть мини-районов

Исследователи рассматривают город как совокупность небольших участков, или агентов, которые постоянно обмениваются загрязнением воздуха между собой. Вместо того чтобы отслеживать каждое облако выхлопов с помощью сложной физики, они делят пространство на сеть связанных зон и фиксируют, сколько частиц загрязнения переходит между ними из одного часа в другой. Каждая зона обладает собственной локальной характеристикой: уровнем трафика, типом землепользования, близостью заводов, зелёным покровом и погодными условиями. Эти признаки объединены в простое правило учёта, которое отслеживает, сколько загрязнения создаётся, удаляется или заносится и выносится, оставаясь при этом достаточно быстрым для запуска на обычных компьютерах.

Раздельное выделение локальных источников и переноса воздуха

Ключевое преимущество этой схемы в том, что она разделяет два больших фактора, влияющих на качество воздуха. Один компонент фиксирует локальные источники и поглотители — выхлопы, дымоходы и лиственные деревья, помогающие очищать воздух. Второй компонент описывает, как ветер и планировка улиц переносят загрязнение между соседними зонами. Сравнивая эти два влияния, модель может сказать, вызван ли очаг загрязнения преимущественно тем, что происходит внутри блока, или более грязным воздухом, занесённым извне. В тестовом случае в Ченнае (Индия) районы возле школ показали резкие утренние всплески, связанные со школьным движением, тогда как в некоторых промышленных зонах сильнее сказывалось загрязнение, принесённое из соседних участков.

Заполнение пробелов и заглядывание в завтра

Та же городская сеть может служить умным инструментом прогнозирования. Реальные данные мониторинга воздуха часто содержат пропуски из‑за отказа датчиков или потому, что мобильные приборы не могут покрыть всю территорию одновременно. Команда показала, что их модель может заполнять эти пробелы точнее, чем распространённые методы, которые учитывают либо только временную компоненту, либо только пространственную. Понимая, как зоны связаны между собой, модель умеет угадывать пропущенные значения, опираясь и на соседние места, и на ближайшие часы. Модель также превзошла несколько стандартных методов временных рядов при прогнозировании типичного суточного цикла загрязнения, фиксируя, как концентрации поднимаются и падают по всему городу в течение дня.

Поиск более чистых способов перемещения по городу

Помимо описания и предсказания, рамки модели могут помочь в практическом планировании. Авторы демонстрируют это, вычислив маршрут «с наименьшим воздействием» между двумя точками в Ченнае с помощью своей сети агентов. Один маршрут оказался самым быстрым по времени в пути, а другой шёл через более чистый воздух, согласно оценкам модели. В их примере более чистый маршрут был длиннее и медленнее, но сократил суммарное воздействие загрязнения примерно на одну седьмую, поскольку избегал самых грязных улиц. Та же логика может помочь выбрать маршруты для пеших прогулок, велосипедов или автобусов, которые лучше защищают лёгкие людей.

Что это значит для более чистых и здоровых городов

Проще говоря, эта работа предлагает «городской микроскоп» для загрязнённого воздуха. Разбивая город на множество небольших связанных частей и связывая каждую из них с реальными характеристиками и погодой, модель может объяснить, откуда берётся загрязнение, предсказать, что произойдёт в ближайшие часы, и протестировать, как изменения в трафике, землепользовании или маршрутизации могут снизить воздействие. Хотя текущее исследование сосредоточено на одном загрязнителе, одном городе и коротком временном отрезке, подход гибок и может быть расширен для учёта более сложной химии, более подробной погоды и различных планировочных форм города. Для планировщиков и жителей он даёт более ясное представление о том, как повседневные решения формируют воздух, которым мы дышим, квартал за кварталом.

Цитирование: Swaminathan, S., Agrawal, P., McNeill, V.F. et al. Agent-based framework for modeling hyperlocal urban air quality. npj Clean Air 2, 32 (2026). https://doi.org/10.1038/s44407-026-00073-6

Ключевые слова: городское качество воздуха, PM2.5, модель на основе агентов, гиперлокальное загрязнение, планирование города