Explainable Machine Learning for Predicting Thermal Discomfort from Multipollutant Exposure on Dhaka Roadways

Technische Zusammenfassung: Erklärbares maschinelles Lernen zur Vorhersage thermischen Unbehagens durch Multischadstoffexposition auf den Straßen Dhakas

Problemstellung
Städtische Verkehrsstraßen in sich schnell entwickelnden Megastädten wie Dhaka, Bangladesch, stellen komplexe Expositionsumgebungen dar, in denen Verkehrsteilnehmer (Fußgänger, Pendler, Verkehrspolizisten und informelle Arbeiter) gleichzeitig verschiedenen Stressoren ausgesetzt sind: Hitze, Luftverschmutzung (Feinstaub und CO₂) und Verkehrslärm. Traditionelle Studien bewerten diese Faktoren oft isoliert und erfassen dadurch nicht die synergistischen Effekte der Multischadstoffexposition auf die menschliche thermische Wahrnehmung. Darüber hinaus stoßen Standard-Statistikmethoden möglicherweise an ihre Grenzen, wenn es darum geht, die nichtlinearen Interaktionen zwischen diesen Variablen und dem subjektiven thermischen Komfort zu modellieren. Diese Studie adressiert die Notwendigkeit, das thermische Unbehagen in den Straßen-Mikroumgebungen von Dhaka durch die Integration von Multischadstoff-Expositionsdaten mit Frameworks des erklärbaren maschinellen Lernens (ML) zu quantifizieren und vorherzusagen.

Methodik
Die Forschung verwendete ein querschnittliches, feldbasiertes Beobachtungsdesign, das an 17 strategischen Überwachungsstandorten entlang von drei Hauptkorridoren (Norden, Zentrum und Süden) in Dhaka durchgeführt wurde. Die Datenerhebung erfolgte während der Spätmonsun-, Nachmonsun- und Winterübergangsperioden (August 2025 – Januar 2026).

• Datenerfassung:
  • Umweltsensoren: Kalibrierte intelligente Luftdetektoren (JLDC) maßen die Konzentrationen von PM₁, PM₂.₅ und PM₁₀ sowie CO₂. Mini-Schallpegelmesser (UT353) zeichneten die Verkehrslärmpegel auf. Meteorologische Daten (Temperatur, relative Luftfeuchtigkeit, Windgeschwindigkeit) wurden ebenfalls erfasst.
  • Menschliche Wahrnehmung: Strukturierte Interviews mit 1.109 Teilnehmern erhoben subjektive thermische Empfindlichkeitswerte basierend auf ASHRAE-Richtlinien (reichend von „Sehr kühl“ bis „Heiß“) sowie Daten zu Bekleidungsgrad, gesundheitlichen Beschwerden (z. B. Kopfschmerzen) und wahrgenommener Luftqualität.
• Datenvorverarbeitung: Der Rohdatensatz wurde einer strengen Bereinigung unterzogen, einschließlich der Entfernung von Sensorfehlern, Duplikaten und fehlenden Werten. Der endgültige Modellierungssatz umfasste 1.109 Beobachtungen.
• Maschinelles Lern-Framework: Drei überwachte Klassifikationsalgorithmen wurden trainiert, um Kategorien des thermischen Unbehagens vorherzusagen:
  1. Entscheidungsbaum (Decision Tree, DT): Diente als interpretierbare Baseline.
  2. Random Forest (RF): Eine Ensemble-Methode zur Reduzierung von Overfitting und zur Verbesserung der Stabilität.
  3. XGBoost: Ein fortgeschrittenes Gradient-Boosting-Modell zur Erfassung komplexer nichtlinearer Beziehungen.
• Erklärbarkeit und Validierung: Die Modellleistung wurde mittels ROC-AUC, Genauigkeit (Accuracy), Präzision (Precision), Recall, F1-Score und Konfusionsmatrizen bewertet. Um die Interpretierbarkeit zu gewährleisten, wurde eine SHAP-Analyse (SHapley Additive exPlanations) angewendet, um den relativen Beitrag jedes Prädiktors zu bestimmen. Eine Sensitivitätsanalyse wurde durchgeführt, um die Robustheit des Modells gegenüber Variationen der Eingabevariablen zu prüfen.

Wichtigste Ergebnisse

• Expositionsbelastung: Die Studie stellte eine hohe Belastung durch Multischadstoffe fest. Die mittlere PM₂.₅-Konzentration betrug 71,37 µg/m³, während PM₁ im Durchschnitt 58,35 µg/m³ erreichte. Straßennahe Messungen verzeichneten eine maximale PM₂.₅-Konzentration von 100,00 µg/m³ im untersuchten Datensatz, wobei der Text einen spezifischen Spitzenwert von 172,2 µg/m³ in der Zone Mirpur-10 anmerkt. Die mittleren Lärmpegel erreichten 82,96 dB. Diese Werte überschreiten die Richtlinien der Weltgesundheitsorganisation (WHO) erheblich.
• Prävalenz des thermischen Unbehagens: Die Felddaten zeigten ein extremes thermisches Unbehagen auf; 99,46 % der Beobachtungen wurden als „Heiß“, „Warm“ oder „Leicht Warm“ klassifiziert. Nur ein vernachlässigbarer Bruchteil gab neutrale oder kühle Empfindungen an.
• Modellleistung: Ensemble-Modelle übertrafen das einfache Entscheidungsbaum-Modell signifikant. Sowohl Random Forest als auch XGBoost erreichten eine Genauigkeit von 0,96 und einen F1-Score von 0,96, wobei die ROC-AUC-Werte auf eine exzellente Diskriminationsfähigkeit hindeuteten (AUC = 0,06). Die Modelle zeigten eine hohe Stabilität bei der Klassifizierung des thermischen Unbehagens über verschiedene Expositionsszenarien hinweg.
• Prädiktorenbedeutung (SHAP-Analyse): Entgegen der Annahme, dass die Temperatur der einzige Treiber sei, identifizierte die SHAP-Analyse die Windgeschwindigkeit und die CO₂-Konzentration als die einflussreichsten Prädiktoren für thermisches Unbehagen. PM₁₀, der Bekleidungsgrad und die Luftfeuchtigkeit trugen moderat bei, während PM₂.₅ und Lärmpegel geringere, aber dennoch nicht vernachlässigbare Auswirkungen hatten. Dies deutet darauf hin, dass mikroklimatische Luftströmungen und verkehrsbedingte Emissionen (als Indikatoren für Stau und schlechte Belüftung) kritische Determinanten des Unbehagens sind.
• Sensitivität: Die Sensitivitätsanalyse bestätigte, dass die PM- und Lärmvariablen hinsichtlich ihres Einflusses relativ stabil blieben, während Variationen in der CO₂-Exposition zu signifikanteren Fluktuationen in den Modellvorhersagen führten. Dies unterstreicht die Sensibilität des thermischen Komforts gegenüber Verkehrsdichte und Belüftungsbedingungen.

Bedeutung und Beiträge
Das Paper beansprucht mehrere bedeutende Beiträge zu den Bereichen der urbanen Umweltgesundheit und des maschinellen Lernens:

1. Integrierter Multischadstoff-Ansatz: Im Gegensatz zu bisherigen Studien, die Hitze, Lärm oder Verschmutzung isoliert betrachteten, liefert diese Forschung einen evidenzbasierten Rahmen zum Verständnis der kombinierten Auswirkungen dieser Stressoren auf die thermische Wahrnehmung in einer dichten tropischen Megastadt.
2. Anwendung von Explainable AI: Durch die Nutzung der SHAP-Analyse bewegt sich die Studie über bloße „Black-Box“-Vorhersagen hinaus. Sie quantifiziert den spezifischen Einfluss von Variablen wie Windgeschwindigkeit und CO₂ und bietet somit handlungsrelevante Erkenntnisse für politische Entscheidungsträger statt nur Vorhersagegenauigkeit.
3. Relevanz für die öffentliche Gesundheit: Die Ergebnisse verdeutlichen, dass thermisches Unbehagen in Dhaka nicht nur ein meteorologisches Problem ist, sondern eine Krise der öffentlichen Gesundheit, die durch die Synergie von Hitze, Feinstaub und Lärm angetrieben wird. Die hohe Prävalenz von Unbehagen (99,46 %) unterstreicht die Vulnerabilität von Außenarbeitern und Pendlern.
   4.Politikrahmen: Die Studie schlägt eine multisektorale Interventionsstrategie vor, die naturbasierte Lösungen (Straßenbegrünung, beschattete Gehwege), Kontrolle von Verkehrsemissionen und Lärmminderung umfasst. Sie legt nahe, dass diese Maßnahmen gezielt auf spezifische, durch räumliche Analysen identifizierte Hochrisiko-Straßenabschnitte ausgerichtet werden sollten.

Die Autoren kommen zu dem Schluss, dass die Bewältigung des thermischen Unbehagens einen integrierten Stadtplanungsansatz erfordert, der gleichzeitig Luftqualität, Lärm und Mikroklima verwaltet, gestützt durch datengesteuerte, erklärbare prädiktive Modelle.