Räumlich-zeitliche Prognose von Luftverschmutzung

Schlechte Luftqualität stellt eines der größten Umweltrisiken für die öffentliche Gesundheit dar. Die Langzeitbelastung durch Luftverschmutzung steht in Zusammenhang mit chronischen Atemwegs- und Herz-Kreislauf-Erkrankungen und trägt zu schätzungsweise 4,2 Millionen Todesfällen pro Jahr bei. Die Quantifizierung der Langzeitbelastung einer großen Bevölkerung ist für epidemiologische Studien, Risikobewertungen und die Abschätzung der globalen Krankheitslast erforderlich. Die persönliche Expositionsabschätzung (EA), bei der individuelle Aktivitäten und die lokale Umgebung im Vordergrund stehen, bietet die genaueste EA und hat wichtige Auswirkungen auf das Verständnis der gesundheitlichen Auswirkungen der Luftverschmutzung sowohl in der Realität als auch in der Stadtplanung. Die Art und Weise, wie die Exposition quantifiziert wird, und ob wir ein zuverlässiges Qualitätsmaß liefern können, kann die politische Entscheidungsfindung und unser Verständnis der gesundheitlichen Auswirkungen stark beeinflussen.

Hochauflösende räumlich-zeitliche Luftverschmutzungsmodelle sind erforderlich, um die räumlich-zeitliche Variabilität des Schadstoffs und der Emissionsquellen zu erfassen und räumlich-zeitliche Aktivitätsmuster des Menschen sowie andere zeitlich veränderliche Faktoren wie das Verhältnis zwischen Innen- und Außenluft für die Expositionsbeurteilung einzubeziehen, sowie für die Berechnung adressbezogener Gesundheitsauswirkungen (Wohn- oder Krankenhausstandorte) und für das Verständnis der gesundheitlichen Auswirkungen bestimmter Bevölkerungsuntergruppen, z. B. der Exposition in verschiedenen Trimestern der Schwangerschaft.

Statistische Modellierungsansätze machen Vorhersagen für unbekannte räumliche Zielorte und -zeiten, indem sie Beziehungen zwischen Reaktion und Kovariaten (Regression) erfassen und die räumlichen oder raum-zeitlichen Prozesse der Beobachtungen und Kovariaten (Geostatistik) modellieren oder Merkmale aus Bildern lernen (Computer Vision und Deep Learning). Lineare und Ensemblebaum-basierte Regressionsmethoden (z. B. Random Forest und Boosting) werden am häufigsten bei der Kartierung der Luftverschmutzung in hoher Auflösung eingesetzt. Die Antwortvariable sind in der Regel Messungen von Bodenstationen. Von der linearen Regression bis zum Deep Learning ist das Modell wahrscheinlich weniger interpretierbar und kontinuierlich, aber besser in der Lage, den komplexen Prozess zu erfassen (bei ausreichenden Daten), was die Rolle des Modellvergleichs unterstreicht und die Frage aufwirft, ob ein Allround-Modell entwickelt werden könnte.

Raum- und Zeitskalen sind wichtige Aspekte bei der Modellierung der Luftverschmutzung. Im Allgemeinen nehmen die Herausforderungen, die sich aus dem Mangel an Daten (Bodenmessungen und räumliche Prädiktoren) und der Heterogenität (räumliche Verteilung und Entstehungsmechanismen) ergeben, sowie die Modellierung der komplexen Luftverschmutzungsprozesse mit der Zunahme der räumlich-zeitlichen Skalen zu (z. B. von der Stadt bis zur globalen Ebene, vom Jahresdurchschnitt bis zur stündlichen Ebene). So ist beispielsweise die Schätzung der Bevölkerungszahl, die eine wichtige Kovariate bei der Modellierung von Stickstoffdioxid (NO2) ist, in vielen afrikanischen Ländern mit großer Unsicherheit behaftet. Die Atmosphäre verhält sich in Bezug auf die Ausbreitungs- und Emissionsprozesse über größeren Gebieten wahrscheinlich weniger kohärent. Die Beziehungen zwischen NO2 und räumlichen Prädiktoren können räumlich und zeitlich variieren. Beispielsweise kann dieselbe Verkehrsbelastung in einem bestimmten Gebiet aufgrund unterschiedlicher Kraftstoffarten (z. B. Ethanol vs. Benzin) und Stromquellen (z. B. Elektrofahrzeuge) unterschiedlich auf NO2 wirken. Unser Ziel ist es, die statistische Modellierung der Luftverschmutzung zu verstehen und die Vorhersagegenauigkeit auf verschiedenen räumlichen und zeitlichen Ebenen zu verbessern.

​

Verwandte Veröffentlichung

• Meng Lu, Oliver Schmitz, Kees de Hoogh, Qin Kai, Derek Karssenberg,
  Evaluation of different methods and data sources to optimise modelling of NO2 at a global scale,
  Environment International, Volume 142, 2020, 105856, ISSN 0160-4120,
  https://doi.org/10.1016/j.envint.2020.105856.

• Meng Lu, Ruoying Dai, Cjestmir de Boer, Oliver Schmitz, Ingeborg Kooter, Simona Cristescu, Derek Karssenberg,
  External validation for statistical NO2 modelling: A study case using a high-end mobile sensing instrument,
  Atmospheric Pollution Research, Volume 12, Issue 11,2021, 101205, ISSN 1309-1042,
  https://doi.org/10.1016/j.apr.2021.101205.

• Meng Lu, Ivan Soenario, Marco Helbich, Oliver Schmitz, Gerard Hoek, Michiel van der Molen, Derek Karssenberg,
  Land use regression models revealing spatiotemporal co-variation in NO2, NO, and O3 in the Netherlands,
  Atmospheric Environment, Volume 223, 2020, 117238, ISSN 1352-2310,
  https://doi.org/10.1016/j.atmosenv.2019.117238.