KI für bessere Messungen der Umwelt

Luftverschmutzung ist weiterhin das Umweltproblem mit den größten Folgen für die öffentliche Gesundheit in Europa. Schnelle, akkurate Messungen und Vorhersagen von extremen Verschmutzungsepisoden sind daher von großer Bedeutung, wie z.B. für erhöhte Kleinpartikel- oder Ozonkonzentrationen in der Luft. Wir nutzen und entwickeln KI-basierte Methoden um (a) Messgeräte der Luftverschmutzung zu verbessern und (b) um empirische Modelle zur Vorhersage und dem Verständnis von Luftverschmutzung zu kreieren. Letztere Modelle können unter anderem dazu genutzt werden um Lücken in Messnetzwerken zu füllen. Zudem gibt es einen großen Drang individuelle Gefahren durch Luftverschmutzung ("personal exposure") besser und umfassender messen zu können.

Um diese Herausforderungen anzugehen, haben wir zum Beispiel Systeme der Maschinellen Lernens (ML) trainiert um schnellere und bessere Vorhersagen von Luftverschmutzung zu treffen, bis jetzt mit einem Fokus auf Regionen in Europa und China. Darüber hinaus, haben wir an einem systematischen Vergleich von ML-Kalibrationstechniken für sogenannte "Low-cost" Sensoren gearbeitet, wie für solche in dem rechts gezeigten Foto. Die Fortentwicklung und Verbesserung solcher Geräte ist besonderes wichtig um individualisierte Messkampagnen und deutlich dichtere Messnetzwerke zu ermöglichen, und auch um Luftverschmutzung in ärmeren Ländern systematischer verfolgen und bekämpfen zu können.

Ausgewählte Veröffentlichungen aus dem Themenbereich:

(1) Nowack et al.  Machine learning calibration of low-cost NO₂ and PM₁₀ sensors: non-linear algorithms and their impact on site transferability. Atmospheric Measurement Techniques (2021).
(2) Hickman et al. Short-term forecasting of ozone air pollution across Europe with transformers. Environmental Data Science (2023).
(3) Weng et al. A machine learning approach to quantify meteorological drivers of ozone pollution in China from 2015-2019. Atmospheric Chemistry and Physics (2022).
(4) Hickman et al. Forecasting European ozone air pollution with transformers. Tackling Climate Change with Machine Learning Workshop at NeurIPS (2022).
(5) Weng et al. Large modeling uncertainty in projecting decadal surface ozone changes over city clusters of China. Geophysical Research Letters (2023).