Integrating GIS and machine learning for pollution vulnerability mapping in South Africa’s Kruger National Park

Die Luft, die wir atmen, ist selten still. Selbst in den entlegensten Winkeln der Welt driften unsichtbare Wolken aus Rauch, Staub und Gasen über Grenzen hinweg, getragen von Wind und Wetter. Während wir Luftverschmutzung oft als ein Problem betrachten, das auf belebte Städte und Industriezonen beschränkt ist, reisen diese Schadstoffe weit, setzen sich in wilden Gegenden ab und können dort Pflanzen, Tiere und das empfindliche Gleichgewicht der Natur schädigen. Für die Verwalter weitläufiger Schutzgebiete ist es schwierig zu wissen, wo diese unsichtbaren Bedrohungen am stärksten sind. Sie können nicht einfach einen Sensor auf jeden Hügel oder Fluss stellen, und das Wetter ändert sich zu schnell für altmodische Ratespiele. Um dies zu lösen, wenden Wissenschaftler eine leistungsstarke Kombination von Werkzeugen an: Satellitenaugen, die den gesamten Planeten sehen, digitale Karten, die diese Ansicht organisieren, und intelligente Computerprogramme, die aus Mustern lernen, um die Zukunft vorherzusagen.

In einer kürzlich durchgeführten Studie mit Schwerpunkt auf Südafrikas Kruger-Nationalpark nutzten Forscher diesen modernen Werkzeugkasten, um eine detaillierte Karte der Anfälligkeit für Luftverschmutzung zu erstellen. Der Kruger-Park ist eines der größten Wildreservate Afrikas, eine weitläufige Wildnis von fast 20.000 Quadratkilometern, in der Elefanten, Löwen und Nashörner frei umherstreifen. Der Park ist nicht isoliert von der Welt; er liegt in der Nähe von menschlichen Siedlungen und Industriegebieten, was bedeutet, dass er Verschmutzungen ausgesetzt ist, die von außen hereingeweht werden. Die Forscher wollten verstehen, welche Teile dieses riesigen Parks am stärksten durch Luftverschwendung gefährdet sind und welche Faktoren sie verwundbar machen. Sie verließen sich nicht auf eine einzige Methode, sondern bauten stattdessen ein System auf, das Satellitendaten zu Vegetation, Niederschlag und Temperatur mit Messungen spezifischer Gase wie Stickstoffdioxid und Schwefeldioxid kombinierte. Sie speisten diese Informationen dann in drei verschiedene Arten von Lernmodellen für Computer ein, um zu sehen, welches Modell am besten vorhersagen konnte, wo Verschmutzung ein Problem darstellen würde.

Das Team sammelte Daten aus dem Weltraum und nutzte Satelliten, um alles von der Dichte der grünen Vegetation bis hin zur Konzentration schädlicher Gase in der Atmosphäre zu verfolgen. Sie untersuchten, wie viel Regen fiel, wie heiß es wurde und wie viel Methan und Kohlenmonoxid vorhanden war. Durch das Übereinanderlegen all dieser Informationen erstellten sie ein digitales Bild der Umgebung des Parks. Dann trainierten sie ihre Computermodelle, um die Anzeichen von Verschmutzung zu erkennen. Ein Modell namens „Random Forest“ arbeitet, indem es viele kleine Entscheidungsbäume aufbaut und diese nach der Antwort abstimmen lässt. Ein anderer, die „Gradient Boosting Machine“, lernt, indem sie ihre eigenen Fehler Schritt für Schritt korrigiert. Ein drittes Modell, die „Support Vector Machine“, versucht, die bestmögliche Linie zu finden, um saubere Gebiete von verschmutzten Gebieten zu trennen. Das Ziel war es zu sehen, welcher dieser Ansätze am genauesten identifizieren konnte, in welchen Bereichen das Ökosystem am wahrscheinlichsten unter schlechter Luftqualität leiden würde.

Die Ergebnisse zeigten, dass die Computermodelle sehr erfolgreich darin waren, die unsichtbaren Bedrohungen abzubilden. Das Modell „Gradient Boosting Machine“ erwies sich als das genaueste bei der Klassifizierung der Daten und lieferte in etwa 76 Prozent der Fälle die richtige Antwort. Das „Random Forest“-Modell war in diesem spezifischen Maßstab etwas weniger genau, war aber außergewöhnlich gut darin, zwischen verschiedenen Risikostufen zu unterscheiden – eine Eigenschaft, die für fein abgestimmte Entscheidungen entscheidend ist. Das dritte Modell, die „Support Vector Machine“, schnitt gut ab, war jedoch nicht so stark wie die anderen beiden. Alle drei Modelle stimmten im allgemeinen Muster überein: Die südlichen und südzentralen Teile des Parks, insbesondere in der Nähe der Flüsse Crocodile und Sabie, sind am anfälligsten. Diese Gebiete wiesen höhere Konzentrationen von Stickstoffdioxid und Schwefeldioxid auf, Gase, die oft mit der Verbrennung von Brennstoffen und industrieller Aktivität in Verbindung gebracht werden. Die Modelle zeigten auch, dass diese beiden Gase die wichtigsten Faktoren bei der Vorhersage waren, wo Verschsottung ein Problem darstellen würde, mehr noch als die Menge des Regens oder die Dichte der Bäume.

Was diesen Befund so bedeutend macht, ist, dass er bestätigt, dass Verschmutzung nicht nur ein Problem der Städte ist. Die Studie legt nahe, dass selbst in einem wilden Ort wie dem Kruger-Park die Luftqualität stark durch menschliche Aktivitäten in der Ferne beeinflusst wird, die durch den Wind herangetragen werden. Die Forscher fanden heraus, dass die Gebiete mit dem höchsten Risiko nicht zufällig sind; sie häufen sich in bestimmten Flusstälern und an den südlichen Rändern des Parks, wo der Wind oft Schadstoffe aus nahe gelegenen Städten und Straßen heranträgt. Die Computermodelle hoben auch hervor, dass die Vegetation eine komplexe Rolle spielt. Während dichte Wälder die Verschmutzung manchmal absorbieren können, zeigten die Daten, dass Gebiete mit dichterem Grün oft mit höheren Konzentrationen bestimmter Gase korrelierten, wahrscheinlich weil diese Gebiete auch näher an den Quellen der Verschmutzung liegen. Diese Nuance ist etwas, das eine einfache Beobachtung vielleicht übersehen würde, aber die Computermodelle erfassten sie deutlich.

Das Endergebnis dieser Arbeit ist eine Reihe hochauflösender Karten, die den Park in fünf Kategorien unterteilen, die von sehr geringer bis hin zu sehr hoher Anfälligkeit reichen. Diese Karten zeigen, dass etwa ein Fünftel des Parks in die höchste Risikokategorie fällt, während ein weiteres Fünftel in der sehr niedrigen Kategorie liegt. Der mittlere Bereich, in dem das Risiko moderat ist, deckt den größten Teil des Landes ab. Diese Karten sind nicht nur Bilder; sie sind praktische Werkzeuge für Parkverwalter. Indem sie genau wissen, wo die Luft am wahrscheinlichsten toxisch ist, können Ranger und Naturschützer ihre Überwachungsbemühungen konzentrieren, Brände sorgfältiger planen und empfindliche Wildtiere in den Gebieten schützen, die es am dringendsten benötigen. Die Studie legt nahe, dass dieser Ansatz der Kombination von Satellitendaten mit intelligentem maschinellem Lernen ein Wendepunkt für den Schutz großer Wildnisgebiete sein kann, da er einen Weg bietet, das Unsichtbare zu sehen und zu handeln, bevor ein Schaden entsteht.

Die Forschung steht auch im Zusammenhang mit breiteren Zielen für den Planeten. Indem sie das Land und seine Luft schützt, unterstützt die Studie die Bemühungen zur Aufrechterhaltung gesunder Ökosysteme, was ein wesentlicher Bestandteil globaler Nachhaltigkeitsziele ist. Sie berührt auch das Thema Klimaschutz, da dieselben Wetterlagen, die Verschmutzung bewegen, auch den Klimawandel vorantreiben. Obwohl die Studie nicht die Gesundheit der in der Nähe lebenden Menschen gemessen hat, liefert sie die Umweltdaten, die notwendig sind, um zu verstehen, wie sich Verschmutzung bewegt und absetzt, was der erste Schritt zum Schutz sowohl der Tierwelt als auch der menschlichen Gemeinschaften ist. Die Arbeit zeigt, dass selbst in einem so weiten und wilden Ort wie dem Kruger-Park die Wissenschaft einen klaren Blick auf die Herausforderungen für die Natur bieten kann, indem sie komplexe Daten in einen einfachen, handlungsorientierten Leitfaden für den Naturschutz verwandelt. Die produzierten Karten sind ein Zeugnis für die Idee, dass wir mit den richtigen Werkzeugen die Bedrohungen für unsere natürliche Welt klar genug sehen können, um sie zu stoppen.