Вне пространственно-временного моделирования: обзор приложений машинного обучения для загрязнения воздуха, связанного с трафиком, с упором на невыбросы из выхлопа

Почему дорожная пыль всё ещё важна

Во многих городах очищают выхлопы автомобилей, но транспорт остаётся крупным источником вредного загрязнения воздуха. В этой обзорной статье объясняется, как современные вычислительные методы, известные как машинное обучение, используются для более точного отслеживания и понимания загрязнения воздуха, связанного с трафиком, особенно мелких частиц, образующихся не в выхлопной трубе, а при истирании тормозов, шин и дорожного покрытия. Эти знания помогают городским планировщикам и специалистам в области здравоохранения разрабатывать более продуманные меры защиты для людей, живущих, работающих и отдыхающих рядом с оживлёнными дорогами.

От выхлопных газов к невидимому истиранию дорог

Загрязнение воздуха, связанное с трафиком, включает как газы, так и частицы. Долгое время основное внимание уделялось выхлопам от сжигания топлива — таким как оксиды азота и мелкие частицы, вредящие лёгким и сердцу. Правила и более чистые двигатели постепенно сократили эти эмиссии из выхлопа. Но частицы от износа тормозов, шин, шлифования дорожного покрытия и повторного поднятия пыли теперь составляют растущую долю того, чем мы дышим рядом с дорогами. Эти невыбросные источники труднее измерить и контролировать, при этом они содержат металлы и другие вещества, связанные с астмой, сердечными заболеваниями и, возможно, с такими состояниями, как детский аутизм и болезнь Паркинсона.

Обучение компьютеров картировать грязный воздух

Поскольку невозможно установить датчики воздуха на каждом углу, исследователи используют машинное обучение, чтобы заполнить пробелы. Подкладывая моделям данные о трафике, землепользовании, погоде и показания фиксированных и мобильных сенсоров, они могут создавать детализированные карты загрязнителей, таких как мелкие частицы, металлы и транспортные газы по всему городу. Деревяноподобные методы (tree-based) и глубокое обучение часто улавливают сложные закономерности в этих данных, в то время как более новые графовые методы рассматривают пункты мониторинга и дороги как связанную сеть. Эти подходы помогают выявлять, когда и где люди подвергаются наибольшему воздействию, но они также сталкиваются с проблемами фрагментарных данных, непоследовательных входных величин и трудностями переноса моделей, обученных в одном городе, на другой.

Выявление наибольших факторов на дороге

Помимо картирования, машинное обучение может показать, какие факторы сильнее всего влияют на уровни загрязнения. Анализируя, как меняются предсказания модели при изменении входов — таких как поведение водителей, типы транспортных средств, интенсивность торможения или погода — исследователи могут сделать вывод о том, какие шаблоны требуют более пристального внимания. Например, исследования указывают, что резкое торможение, старые автомобили и определённые материалы тормозных колодок повышают выбросы мелких частиц. Однако такие рейтинги важности не доказывают причинно-следственные связи и могут искажаться скрытыми взаимосвязями между переменными. Авторы подчёркивают, что такие результаты нужно сверять с физическими представлениями и проверять в разных городах прежде чем применять в политике.

Углублённый анализ частиц от тормозов и шин

Некоторые из наиболее инновационных работ используют машинное обучение для сортировки и классификации отдельных частиц из дорожной пыли и проб воздуха. Мощные микроскопы и химические сенсоры генерируют огромные наборы изображений и данных о составе для тысяч частиц. Алгоритмы учатся отличать износ шин, износ тормозов, дорожные минералы и другие типы частиц, которые вручную было бы утомительно и ошибочно классифицировать. Лабораторные исследования тормозных и шинных систем используют похожие модели, чтобы связать конструктивные решения, такие как содержание металлов в колодках или режимы торможения, с объёмом выделяемых частиц. Эти методы начинают отделять невыбросы от других источников, открывая путь к более целенаправленным тестам токсичности и к использованию более чистых материалов.

Прослеживание источников загрязнения

Знание того, какая доля загрязнения исходит от какого источника, имеет ключевое значение для разумного регулирования. Традиционные статистические инструменты оценивают, какую часть измеренных частиц можно отнести к трафику, промышленности или другим вкладчикам. Машинное обучение предлагает новые методы группировки образцов с похожими химическими отпечатками и классификации вероятных источников по таким свойствам, как магнитные характеристики. Ранние работы показывают, что эти инструменты могут соответствовать или дополнять старые методы, обрабатывая более сложные данные, хотя они по-прежнему зависят от осторожной экспертной интерпретации, чтобы избежать неправильной маркировки источников.

Что это значит для воздуха в городах и здоровья людей

В целом обзор делает вывод, что машинное обучение стало мощным партнёром в изучении загрязнения воздуха, связанного с трафиком, особенно растущей проблемы невыбросов. Оно помогает строить более тонкие карты экспозиции, выявлять паттерны в поведении водителей и дизайне транспортных средств, которые увеличивают или уменьшают выбросы, и распутывать смесь частиц вдоль дорог. В то же время ограниченные данные, неясные выборы моделей и слабая переносимость между локациями остаются серьёзными препятствиями. Авторы утверждают, что прогресс будет зависеть от лучших сенсоров, общих наборов данных и методов, которые объединяют человеческую экспертизу с прозрачными алгоритмами. Вместе эти шаги могут поддержать политику, сокращающую вредные частицы от транспорта и помогающую защитить общественное здоровье в всё более моторизованных городах.

Цитирование: 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

Ключевые слова: загрязнение воздуха от транспорта, невыбросы, машинное обучение, истирание тормозов и шин, городское качество воздуха