LOCATE: Context-Aware GeoAI Decision Support for Population-Oriented Air-Quality Sensor Placement in Data-Constrained Cities

Das Atmen sauberer Luft ist ein grundlegendes menschliches Bedürfnis, doch in vielen der am schnellsten wachsenden Städte der Welt ist die Luft oft dick von unsichtbaren Schadstoffen aus dem Verkehr, der Industrie und der Verbrennung von Abfällen. Um dieses Problem zu verstehen und zu lösen, verlassen sich Wissenschaftler und Stadtplaner auf Netzwerke von Sensoren, die die Luftqualität messen. Die Platzierung dieser Sensoren ist jedoch ein schwieriges Rätsel. Wenn sie zu weit voneinander entfernt platziert werden, übersehen sie gefährliche Hotspots der Verschmutzung; wenn sie zu dicht beieinander liegen, verschwenden sie Ressourcen und vermitteln kein vollständiges Bild. In Städten mit begrenzten Daten und Finanzmitteln ist es noch schwieriger, die perfekten Standorte zu finden, da Planer oft nicht über detaillierte Karten darüber verfügen, wo die Verschmutzung tatsächlich stattfindet. Sie müssen entscheiden, wo sie die Sensoren platzieren, noch bevor die Sensoren überhaupt installiert sind, und sich dabei auf das Wissen darüber verlassen, wo Menschen leben und wie die Stadt gebaut ist.

Ein Team von Forschern der Makerere University und Partnern aus Uganda, Kenia und Nigeria hat einen neuen Weg entwickelt, um dieses Rätsel zu lösen. Sie haben ein digitales Planungstool namens LOCATE entwickelt, das wie ein intelligenter Wegweiser für Stadtverwaltungen fungiert. Anstatt eine perfekte Karte der Verschmutzung zu benötigen – die oft noch gar nicht existiert –, nutzt das Tool offene Karten von Straßen und Gebäuden kombiniert mit Daten darüber, wo Menschen leben, um die besten Orte für die Platzierung von Luftqualitätssensoren zu ermitteln. Die Forscher testeten dieses Tool in vier sehr unterschiedlichen afrikanischen Städten: Kampala und Jinja in Uganda, Nairobi in Kenia und Lagos in Nigeria. Sie wollten sehen, ob sie ein Sensornetzwerk entwerfen konnten, das möglichst viele Menschen erreicht und gleichzeitig den einzigartigen Charakter der jeweiligen Stadtviertel erfasst, ohne dafür zu Beginn teure oder komplexe Luftverschmutzungsdaten zu benötigen.

Die Forscher gingen das Problem an, indem sie die Städte als eine Sammlung potenzieller Standorte betrachteten. Sie generierten tausende möglicher Standorte für Sensoren innerhalb der Stadtgrenzen. Für jeden Standort untersuchte das Tool zwei Hauptaspekte: wie viele Menschen in der Nähe lebten und wie die unmittelbare Umgebung aussah, beispielsweise wie viele Straßen oder Gebäude in kurzer Gehweite vorhanden waren. Dann führten sie eine Reihe von Computersimulationen durch, um zu sehen, welche Methode bei der Auswahl der besten Standorte am effektivsten war. Sie verglichen zehn verschiedene Strategien, die von einer einfachen Zufallsauswahl bis hin zu komplexen mathematischen Algorithmen reichten, die darauf ausgelegt sind, ähnliche Gebiete zusammenzufassen oder den Abstand zwischen den Sensoren zu maximieren. Sie testeten diese Strategien mit unterschiedlichen Anzahlen von Sensoren, von nur fünf bis hin zu achtzig, um zu sehen, wie sich die Abdeckung mit steigendem Budget veränderte.

Die Ergebnisse zeigten, dass eine bestimmte Strategie als die zuverlässigste für das Ziel des Schutzes der öffentlichen Gesundheit herausstach. Diese Strategie, bekannt als eine populationsgewichtete p-Median-Heuristik, arbeitete dadurch, dass sie Standorte priorisierte, die in der Nähe großer Menschengruppen lagen und gleichzeitig sicherstellten, dass die Sensoren in Gebieten platziert wurden, die die vielfältigen Umgebungen der Stadt repräsentierten, wie etwa belebte Geschäftsstraßen oder dichte Wohngebiete. In jeder getesteten Stadt lieferte diese Methode das beste Gesamtergebnis. Es gelang ihr, die Sensoren so zu platzieren, dass in den kleineren Städten Kampala und Jinja fast die gesamte modellierte Bevölkerung innerhalb von zwei Kilometern eines Sensors lag, wenn achtzig Sensoren eingesetzt wurden. In den viel größeren und komplexeren Städten Nairobi und Lagos deckte dieselbe Anzahl an Sensoren einen etwas geringeren Teil der Bevölkerung ab, nämlich etwa 9 8 Prozent bzw. 90 Prozent. Dieser Unterschied verdeutlicht, dass eine einzige Anzahl von Sensoren nicht für jede Stadt funktioniert; ein Netzwerk, das für eine kompakte Stadt perfekt ist, kann in einer weitläufigen Metropole große Lücken hinterlassen.

Die Studie fand auch heraus, dass einige Computermethoden zwar sehr gut darin waren, ähnliche Datenpunkte zusammenzufassen, diese Fähigkeit sich jedoch nicht immer in der besten Platzierung von Sensoren in der realen Welt niederschlug. Beispielsweise war eine Methode namens KMeans exzellent darin, ordentliche mathematische Gruppen zu erstellen, aber sie schnitt im Vergleich zur populationsfokussierten Strategie nicht so gut ab, wenn es darum ging, tatsächlich die Menschen zu erfassen, die überwacht werden mussten. Dieser Unterschied ist entscheidend: Eine mathematisch perfekte Gruppe von Datenpunkten bedeutet nicht zwangsläufig ein Sensornetzwerk, das die meisten Menschen schützt. Die Forscher merkten auch an, dass ihr Tool für die Planungsphase konzipiert ist, bevor irgendwelche Hardware gekauft oder installiert wird. Es erstellt eine Liste mit empfohlenen Standorten, kann aber nicht garantieren, dass ein bestimmter Ort sicher ist, Strom hat oder von den lokalen Behörden gestattet wird. Diese abschließenden Prüfungen müssen weiterhin von Menschen vor Ort durchgeführt werden.

Letztendlich zeigt die Arbeit, dass Städte effektive Netzwerke zur Überwachung der Luftqualität planen können, selbst ohne teure Verschmutzungskarten. Durch die Nutzung frei verfügbarer Daten über die Bevölkerung und die städtische Infrastruktur können Planer fundierte Entscheidungen treffen, um den größten Wert für ihr Geld zu erzielen. Das Tool erhebt nicht den Anspruch, das Verschmutungsproblem selbst zu lösen, noch misst es die Luft direkt. Stattdessen bietet es einen klaren, evidenzbasierten Ausgangspunkt für Regierungen, um mit dem Aufbau von Netzwerken zu beginnen, die letztlich die Gesundheit von Millionen von Bewohnern schützen können. Die Studie bestätigt, dass es keine universelle Regel dafür gibt, wie viele Sensoren eine Stadt benötigt; die richtige Anzahl hängt ganz von der Größe der Stadt, der Verteilung der Menschen und den spezifischen Zielen des Überwachungsprogramms ab. Mit diesem Ansatz können Städte mit Zuversicht voranschreiten, im Wissen, dass ihre Sensornetzwerke so konzipiert sind, dass sie die Menschen erreichen, die sie am dringendsten benötigen.