Uzamsal-zamansal modellemenin ötesinde: egzoz dışı emisyonlar yönünde trafik kaynaklı hava kirliliği için makine öğrenmesinin uygulamalarına bir derleme

Trafik tozu neden hâlâ önemli

Birçok şehir motor egzozunu temizlerken, trafik hâlâ zararlı hava kirliliğinin başlıca kaynaklarından biri olmaya devam ediyor. Bu derleme makalesi, modern bilgisayar yöntemleri olarak bilinen makine öğrenmesinin, özellikle egzoz borusundan değil aşınan frenler, lastikler ve yol tozundan gelen ince parçacıkları daha iyi izlemek ve anlamak için nasıl kullanıldığını açıklıyor. Bu bilgiler, yoğun yolların yakınında yaşayan, çalışan ve vakit geçiren insanları korumak için daha akıllı politikalar tasarlamada şehir plancıları ve sağlık uzmanlarına yardımcı olabilir.

Egzoz dumanından görünmez yol aşınmasına

Trafik kaynaklı hava kirliliği hem gazları hem de parçacıkları içerir. Yıllarca çoğu dikkat, nitrojen oksitler ve akciğerleri ve kalbi zedeleyen ince partiküller gibi yanma kaynaklı egzoz emisyonlarına yöneldi. Düzenlemeler ve daha temiz motorlar bu egzoz emisyonlarını istikrarlı biçimde azalttı. Ancak fren aşınması, lastik aşınması, yol yüzeyi aşınması ve yeniden süspanse olan toz artık yol kenarlarında soluduğumuz havanın giderek artan bir kısmını oluşturuyor. Bu egzoz dışı kaynaklar ölçülmesi ve kontrolü daha zor olmasına rağmen astım, kalp hastalıkları ve muhtemelen çocukluk otizmi ve Parkinson gibi durumlarla ilişkilendirilen metaller ve diğer maddeleri taşır.

Bilgisayarlara kirli havayı haritalamayı öğretmek

Her sokak köşesine hava ölçüm cihazı koymak mümkün olmadığından araştırmacılar boşlukları doldurmak için makine öğrenmesini kullanıyor. Trafik yoğunluğu, arazi kullanımı, hava durumu ve sabit ile mobil sensörlerden gelen okumalar gibi bilgileri modellere vererek, bir şehir genelinde ince partiküller, metalller ve trafik gazları gibi kirleticilerin ayrıntılı haritalarını oluşturabiliyorlar. Ağaç tabanlı yöntemler ve derin öğrenme bu verilerdeki karmaşık desenleri sıklıkla yakalarken, daha yeni grafik yöntemleri izleme noktalarını ve yolları bağlı bir ağ olarak ele alıyor. Bu teknikler insanların ne zaman ve nerede en çok maruz kaldıklarını ortaya çıkarmaya yardımcı oluyor, ancak düzensiz veriler, tutarsız girdiler ve bir şehirde eğitilen modellerin başka bir şehirde iyi çalışmasını sağlama zorluğu gibi sorunlarla da mücadele ediyor.

Yolda en çok neyin önem taşıdığını bulmak

Haritalamanın ötesinde, makine öğrenmesi hangi faktörlerin kirlilik düzeylerini en güçlü şekilde etkilediğini vurgulayabilir. Sürücü davranışı, araç tipi, fren yoğunluğu veya hava koşulları gibi girdiler değiştiğinde model tahminlerinin nasıl değiştiğini inceleyerek araştırmacılar hangi desenlerin daha fazla dikkat gerektirdiğini çıkarabilir. Örneğin çalışmalar sert frenlemelerin, daha eski araçların ve belirli fren balatası malzemelerinin ince partikül emisyonlarını artırdığını öne sürüyor. Ancak bu önem sıralamaları nedenselliği kanıtlamaz ve değişkenler arasındaki gizli bağlantılar tarafından çarpıtılabilir. Yazarlar, bu tür sonuçların politika yönlendirmesi için kullanılmadan önce fiziksel anlayışla karşılaştırılması ve farklı şehirlerde test edilmesi gerektiğini vurguluyor.

Fren ve lastik parçacıklarına yakın plan

En yenilikçi çalışmalardan bazıları, yol tozu ve hava örneklerinden gelen tek tek parçacıkları ayırmak ve sınıflandırmak için makine öğrenmesini kullanıyor. Güçlü mikroskoplar ve kimyasal sensörler binlerce parçacık için büyük görüntü ve bileşim veri setleri üretiyor. Algoritmalar daha sonra lastik aşınmasını, fren aşınmasını, yol minerallerini ve elle sınıflandırılması zahmetli ve hataya açık olacak diğer parçacık türlerini ayırt etmeyi öğreniyor. Fren ve lastik sistemlerinin laboratuvar çalışmaları benzer modelleri, balata metal içeriği veya frenleme desenleri gibi tasarım seçimlerini açığa çıkarılan parçacık miktarına bağlamak için kullanıyor. Bu yöntemler egzoz dışı kirliliği diğer kaynaklardan ayırmaya başlıyor ve toksisite testleri ile daha temiz malzemelerin hedeflenmesine kapı aralıyor.

Kirliliğin kaynağını izlemek

Hangi kirleticinin ne kadarının hangi kaynaktan geldiğini bilmek akıllı düzenleme için hayati önem taşıyor. Geleneksel istatistiksel araçlar ölçülen partiküllerin ne kadarının trafiğe, sanayiye veya diğer katkılara kadar izlenebileceğini tahmin eder. Makine öğrenmesi şimdi benzer kimyasal parmak izine sahip örnekleri gruplandırmak ve manyetik davranış gibi özellikleri kullanarak muhtemel kaynakları sınıflandırmak için yeni yollar sunuyor. Erken çalışmalar bu araçların daha eski yöntemlerle eşleşebileceğini veya onları tamamlayabileceğini, daha karmaşık verilerle başa çıkabildiğini gösteriyor; ancak yanlış etiketlemeden kaçınmak için hâlâ dikkatli uzman yorumuna dayanıyorlar.

Şehir havası ve sağlık için anlamı

Genel olarak derleme, makine öğrenmesinin trafik kaynaklı hava kirliliğini, özellikle artan egzoz dışı emisyon sorununu incelemede güçlü bir ortak haline geldiği sonucuna varıyor. Bu yaklaşım maruziyetin daha ince haritalarını oluşturmayı, emisyonları artıran veya azaltan sürüş ve araç tasarımındaki desenleri ortaya çıkarmayı ve yollarımız boyunca dolaşan parçacık karışımını çözmeyi sağlıyor. Aynı zamanda sınırlı veriler, belirsiz model tercihleri ve bir yerden diğerine zayıf aktarılabilirlik önemli engeller olmaya devam ediyor. Yazarlar, ilerlemenin daha iyi sensörlere, paylaşılan veri kümelerine ve insan uzmanlığını şeffaf algoritmalarla harmanlayan yöntemlere bağlı olduğunu savunuyor. Bu adımlar birlikte trafiğe bağlı zararlı partiküllerin azaltılmasını destekleyen politikaları güçlendirebilir ve giderek motorize olan şehirlerde halk sağlığını korumaya yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: trafik hava kirliliği, egzoz dışı emisyonlar, makine öğrenmesi, fren ve lastik aşınması, kentsel hava kalitesi