Een nieuwe methode die kunstmatige intelligentie combineert met satelliettechnologieën voor teledetectie heeft tot nu toe de meest gedetailleerde dekking van luchtvervuiling in Groot-Brittannië opgeleverd.

Uitgelicht door nieuw onderzoek onder leiding van de London School of Hygiene &Tropical Medicine (LSHTM) en gepubliceerd in Teledetectie , de methodologie geeft nauwkeurige schattingen van de concentraties van luchtverontreiniging in Groot-Brittannië. Het model biedt een indrukwekkend detailniveau, met metingen op dagniveau en in een 1x1km-raster over heel Groot-Brittannië.

Resultaten geven aan dat het zuidoosten van Engeland de meest vervuilde regio is, en ze identificeren hotspots in stedelijke en industriële gebieden. bemoedigend, de bevindingen laten ook een algemene afname zien van de luchtvervuiling in Groot-Brittannië gedurende het laatste decennium.

De onderzoekers zeggen dat deze nieuwe benadering een revolutie teweeg kan brengen in de beoordeling van blootstelling aan luchtvervuiling en ons begrip van de gerelateerde gezondheidsrisico's. door landelijke blootstellingskaarten en gezondheidsdatabases te koppelen.

Momenteel, wetenschappers vertrouwen op grondmonitoren om luchtvervuiling te meten, echter, deze zijn schaars gelegen, voornamelijk geconcentreerd in stedelijke gebieden, en nemen niet altijd continu metingen. Dit betekent dat er geen landelijke gegevens over luchtverontreiniging zijn die nauwkeurig genoeg zijn om te worden gebruikt in epidemiologische analyses om gezondheidsrisico's te evalueren.

In dit onderzoek, de onderzoekers pasten een innovatieve methodologie toe die gebruikmaakt van kunstmatige intelligentie en op satellieten gebaseerde gegevens om de dagelijkse menselijke blootstelling aan fijne deeltjes luchtvervuiling van 2008-2018 te schatten.

Het team combineerde metingen van bestaande monitoren op de grond met gegevens van satellietinstrumenten voor aardobservatie, die informatie geeft over weerpatronen, aerosolen zwevend in de atmosfeer, landgebruik en vegetatiebedekking. Ze gebruikten ook gegevens uit andere bronnen, inclusief bevolkingsdichtheid, wegendichtheid en de ligging van luchthavens.

Met behulp van geavanceerde machine learning-algoritmen, ze combineerden de datasets om schattingen te maken van de concentratie op grondniveau van fijnstof (minder dan 2,5 micron groot, PM2.5), een van de gevaarlijkste luchtverontreinigende stoffen. Ze verdeelden Groot-Brittannië in rastercellen en leidden dagelijkse vervuilingsreeksen af ​​in de periode 2008-18.

Dr. Rochelle Schneider, eerste auteur die de analyse leidde, zei:"Dit onderzoek gebruikt de kracht van kunstmatige intelligentie om milieumodellering te bevorderen en uitdagingen op het gebied van de volksgezondheid aan te pakken. Deze indrukwekkende dataset over luchtvervuiling vertegenwoordigt PM2.5-records voor 4, 018 dagen in een ruimtelijk domein van 234, 429 rastercellen. Dit levert een opmerkelijk totaal van 950 miljoen datapunten op die het niveau van luchtvervuiling in heel Groot-Brittannië over een periode van elf jaar volledig kwantificeren."

De resultaten van het onderzoek werden kruisgevalideerd door de schattingen van het model te vergelijken met metingen van bepaalde monitoren op de grond, en bleken nauw met elkaar overeen te komen.

Het team is nu van plan de gegevens te combineren met lokale gezondheidsdossiers. Deze gekoppelde informatie zal worden gebruikt in geavanceerde epidemiologische analyses om een ​​zeer gedetailleerd beeld te krijgen van het verband tussen luchtvervuiling en gezondheidsresultaten in heel Groot-Brittannië.

Professor Antonio Gasparrini, Hoogleraar Biostatistiek en Epidemiologie bij LSHTM en senior auteur van de studie, zei:"Deze studie laat zien hoe geavanceerde technieken op basis van kunstmatige intelligentie en satelliettechnologieën ten goede kunnen komen aan onderzoek op het gebied van de volksgezondheid. De output onthult de verschuivende patronen van luchtvervuiling in Groot-Brittannië en in de tijd met buitengewone details. We hopen nu deze informatie te gebruiken om beter te begrijpen hoe vervuiling de gezondheid van het land beïnvloedt, zodat we maatregelen kunnen nemen om het risico te minimaliseren. De enorme hoeveelheid geproduceerde gegevens zal een essentieel hulpmiddel zijn voor volksgezondheidsonderzoekers die de effecten van luchtvervuiling onderzoeken."

De Wereldgezondheidsorganisatie schat dat er wereldwijd zeven miljoen doden per jaar vallen als gevolg van luchtvervuiling, die longziekte veroorzaakt, longkanker, hartaandoeningen en beroertes.

Dr. Vincent-Henri Peuch, Directeur van Copernicus Atmosphere Monitoring Service (CAMS) bij European Centre for Medium-Range Weather Forecasts (ECMWF), zei:"Deze innovatieve methode heeft de sterke punten van verschillende gegevensbronnen gecombineerd om nauwkeurige en uitgebreide schattingen te geven van de blootstelling aan luchtverontreiniging, inclusief sensoren op de grond, satellietgegevens, en modelheranalyses ontwikkeld door ECMWF als onderdeel van het EU Copernicus-programma. Dr. Schneider en co-auteurs demonstreren op overtuigende wijze haar prestaties boven Groot-Brittannië, de weg vrijmaken voor veel toekomstige studies naar de gezondheidseffecten van luchtvervuiling."

Dr. Pierre-Philippe Mathieu, Hoofd van Phi-lab Explore Office bij European Space Agency (ESA), zei:"Het is opwindend om te zien dat gegevens van aardobservatiesatellieten worden gebruikt in volksgezondheidsonderzoek om ons begrip van de ingewikkelde relatie tussen gezondheid en luchtkwaliteit te vergroten, het verbeteren van levens in Groot-Brittannië, Europa en de rest van de wereld."

De studie wordt beperkt door het feit dat de methode de luchtverontreinigingsniveaus van jaren vóór 2008 niet op betrouwbare wijze kon herstellen. gezien het beperkte aantal beschikbare PM2.5-monitoren. In aanvulling, de prestaties van het model kunnen lager zijn in afgelegen gebieden die worden gekenmerkt door een beperkte dekking van het grondbewakingsnetwerk. Het LSHTM-team is van plan dit model uit te breiden en gegevens met hoge resolutie van andere luchtverontreinigende stoffen te reconstrueren.