Prognose der Luftschadstoffbelastung in Berlin mittels Machine Learning

• Mira Céline Klein
• Henrik Tilkorn
• Andreas Kerschbaumer
• Milan Flach

Zur Definition kurzfristiger Luftreinhaltemaßnahmen im Verkehrssektor, wie einem umweltsensitiven Verkehrsmanagementsystem, ist es erforderlich, die Luftschadstoffbelastung mit hoher räumlicher und zeitlicher Auflösung zu überwachen und vorherzusagen. Maschinelles Lernen und Künstliche Intelligenz sind in aller Munde und erfreuen sich seit einigen Jahren in der Forschung auch für die Vorhersagen von Luftschadstoffen wachsender Beliebtheit. Für Berlin wurde ein sogenannter Gradient-Boosting- Ansatz (XGBoost) zur räumlichen und zeitlichen Prognose von Luftschadstoffen entwickelt. Die Ergebnisse und der seit Ende 2022 laufende Betrieb zeigen, dass mit XGBoost äußerst zuverlässige und genaue Vorhersagen stündlicher Luftschadstoffbelastungen für die nächsten Tage erstellt werden. Der Algorithmus nutzt Wettervorhersagen, Verkehrsdaten und Informationen über die Stadtstruktur, um die Vorhersagen für Stickstoffdioxid (NO₂) und Feinstaub (PM_2,5, PM₁₀) zu erstellen. Die Plausibilität des Modells wird dabei mit Hilfe von „explainable AI“ (erklärbarer künstlicher Intelligenz – „XAI“) überprüft. Im Vergleich mit traditionellen Chemietransportmodellen ist insbesondere die extreme Anpassungsfähigkeit des Algorithmus hervorzuheben. Durch eine automatische monatliche Neukalibrierung verbessert sich der Algorithmus mit der Zeit kontinuierlich selbst. Sich ändernde Zusammenhänge, wie beispielsweise Änderungen verkehrsbedingter Emissionen durch technologische Innovation und deren Auswirkungen auf die NO₂-Belastung, werden dadurch automatisch und zügig in das Modell integriert. Insgesamt zeigt sich, dass der für Berlin gewählte Gradient- Boosting-Ansatz eine qualitativ hochwertige Prognose der Luftschadstoffbelastung liefert, die für ein umweltsenstitives Verkehrsmanagement genutzt werden kann.