Die aktuelle Situation bezüglich Luftverschmutzung global gesehen gibt Anlass zu großer Sorge. Aufgrund der rasanten kommerziellen, sozialen und wirtschaftlichen Entwicklung nimmt die Schadstoffkonzentration in verschiedenen Teilen der Welt weiter zu und beeinträchtigt das menschliche Leben. Daher ist die Überwachung der Schadstoffwerte von größter Bedeutung, um die Luftschadstoffkonzentrationen unter Kontrolle zu halten. Regelmäßige Messungen ermöglichen es den Behörden, bei hoher Luftschadstoffbelastung geeignete Maßnahmen zu ergreifen, um diese zu senken. Die Messung der Luftschadstoffkonzentrationen ist jedoch nicht einfach, da hierfür Luftmessstationen zur Erfassung der relevanten Luftschadstoffdaten installiert werden müssen, was mit hohen Installations- und Wartungskosten verbunden ist. Daher ist es wichtig, weitere mögliche Optionen, die zu diesem Zweck genutzt werden können, und deren Vergleich mit den gewohnten Techniken zu ermitteln. Kontinuierliche Luftmessstationen, mobile Messungen, Vertikalprofilmessungen und kostengünstige Sensormessungen wurden verwendet, um Luftqualitätsdaten aus verschiedenen Quellen zu sammeln. Diese Daten-sätze wurden vorverarbeitet und integriert, um einen umfassenden Datensatz zu generieren. In dieser Forschung wurden die aus verschiedenen Messtechniken gewonnenen Messdaten mit Simulationsergebnissen des Stadtklimamodells und vorhergesagten Schadstoffkonzentrationen mithilfe eines Machine Learning Models verglichen.
An zwei Standorten in Stuttgart (Marienplatz und Am Neckartor) wurden mithilfe eines Machine Learning Modells PM2,5-, PM10- und NO2-Konzentrationen vorhergesagt. Diese Luftschadstoffe werden mit Hilfe von Luftmessstationen an diesen Standorten gemessen. Für diese Studie wurden fünf Machine Learning Modelle verwendet, nämlich Ridge-Regressor, Support-Vector-Regressor, Random Forest, Extra-Trees-Regressor und Extreme Gradient Boosting. Als Inputdaten für die Modellierung der Luftschadstoffe wurden meteorologische Parameter, Verkehrsdaten und Schadstoffkonzentrationen von nahegelegenen Luftmessstationen für den Zeitraum vom 01.01.2018 bis 31.03.2022 berücksichtigt. Aus den Ergebnissen wurde geschlossen, dass die Luftschadstoffinformationen der nahegelegenen Stationen einen erheblichen Einfluss auf die Vorhersage der Luftschadstoffkonzentrationen haben. Darüber hinaus wurde untersucht, ob eine ähnliche Methodik an anderen Standorten zur Schätzung der Luftschadstoffkonzentrationen angewendet werden kann. Dieses Verfahren wurde an den Daten der Messstation Karlsruhe-Nordwest getestet, die sich in einer anderen deutschen Stadt namens Karlsruhe befindet, die ca. 80 km von Stuttgart entfernt ist. Die Ergebnisse zeigen, dass diese Methode auch in anderen Gebieten anwendbar ist.
Mithilfe des Stadtklimamodells PALM-4U wurden die Luftschadstoffverteilungen entlang der Stuttgarter Bundesstraßen B14 und B27 ermittelt, um diese Ergebnisse mit den Messdaten und den Daten aus dem Machine Learning Model zu vergleichen. Die Simulationen wurden in zwei Bereichen der Stadt durchgeführt, nämlich im Stadtzentrum und in Kaltental, mit einer Domänengröße von 3,2 km × 2 km bzw. 3,2 km × 1,6 km und einer Gittergröße von 10 m × 10 m × 10 m für jedes Gebiet. Die Validierungsergebnisse zeigten, dass die vom Stadtklimamodell PALM-4U simulierten Schadstoffkonzentrationen im Vergleich zu den Feldmessungen und den Ergebnissen des maschinellen Lernmodells unterschätzt wurden.
Zusammenfassend deuten die Ergebnisse dieser Arbeit darauf hin, dass Machine Learning Techniken effektiv zur Vorhersage von Luftschadstoffkonzentrationen eingesetzt werden können, indem Daten aus verschiedenen Techniken zur Luftqualitätsmessung genutzt werden. Die Integration von Ergebnissen aus Stadtklimamodellierung und Luftqualitätsmessungen kann die Genauigkeit und Zuverlässigkeit von Luftqualitätsvorhersagen verbessern und wertvolle Erkenntnisse für die Reduktion der Luftverschmutzung liefern.