Neues KI-Modell liefert hochauflösende PM2,5-Karten trotz fehlender Satellitendaten

Ein neues Forschungsprojekt aus der Open-Access-Preprint-Plattform arXiv präsentiert SPIN, ein innovatives Framework für die hochauflösende Kartierung von Feinstaub (PM2,5). SPIN nutzt physikbasierte Erkenntnisse, um die räumliche Verteilung von Luftschadstoffen präziser zu schätzen, und kombiniert dabei moderne Deep-Learning-Methoden mit klassischen physikalischen Modellen für Advektion und Diffusion.

Im Gegensatz zu herkömmlichen Ansätzen, die Satelliten-Aerosol-Optische-Dichte (AOD)-Messungen direkt als Eingabe verwenden, setzt SPIN AOD als räumlichen Gradienteneinschränkungsfaktor im Verlustfunktion ein. Dadurch kann das Modell die strukturellen Muster der Verschmutzung aus Satellitendaten extrahieren, ohne von fehlenden oder verrauschten Messungen beeinträchtigt zu werden.

Die Validierung erfolgte in der stark verschmutzten Region Beijing‑Tianjin‑Hebei (BTHSA). SPIN erreichte einen neuen Maßstab mit einem mittleren absoluten Fehler (MAE) von 9,52 µg/m³ – ein deutlicher Fortschritt gegenüber bestehenden Methoden. Das Ergebnis ist eine kontinuierliche, physikalisch plausiblere Luftqualitätskarte, die auch in Bereichen ohne Bodenmessungen zuverlässig ist.

Diese Entwicklung bietet eine kostengünstige, wetterunabhängige Lösung für die feinkörnige Umweltüberwachung und unterstützt damit nachhaltige Stadtplanung und Luftqualitätsmanagement.