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

De lucht die we inademen is zelden stil. Zelfs in de meest afgelegen hoeken van de wereld drijven onzichtbare wolken van rook, stof en gassen over grenzen heen, gedragen door wind en weer. Hoewel we luchtvervuiling vaak beschouwen als een probleem dat beperkt is tot drukke steden en industriële zones, reizen deze vervuilende stoffen ver weg en nestelen ze zich in wilde gebieden waar ze planten, dieren en het delicate evenwicht van de natuur kunnen schaden. Voor de beheerders van uitgestrekte beschermde gebieden is het moeilijk om te weten waar deze onzichtbare bedreigingen het sterkst zijn. Ze kunnen niet simpelweg een sensor op elke heuvel of rivier plaatsen, en het weer verandert te snel voor ouderwetse gokspelletjes om te werken. Om dit op te lossen, wenden wetenschappers zich tot een krachtige combinatie van hulpmiddelen: satellietogen die de hele planeet zien, digitale kaarten die dat uitzicht organiseren, en slimme computerprogramma's die leren van patronen om de toekomst te voorspellen.

In een recente studie gericht op Zuid-Afrikaanse Kruger National Park gebruikten onderzoekers deze moderne gereedschapskist om een gedetailleerde kaart van de kwetsbaarheid voor luchtvervuiling te maken. Kruger is een van de grootste wildparken van Afrika, een uitgestrekte wildernis van bijna 20.000 vierkante kilometer waar olifanten, leeuwen en neushoorns vrij rondtrekken. Het park staat niet geïsoleerd van de wereld; het ligt nabij menselijke nederzettingen en industriële gebieden, wat betekent dat het onderhevig is aan vervuilende stoffen die van buitenaf het gebied binnenstromen. De onderzoekers wilden begrijpen welke delen van dit enorme park het meest risico lopen door luchtvervuiling en welke factoren hen kwetsbaar maken. Ze vertrouwden niet op één enkele methode, maar bouwden in plaats daarvan een systeem dat satellietgegevens over vegetatie, neerslag en temperatuur combineerde met metingen van specifieke gassen zoals stikstofdioxide en zwaveldioxide. Ze voedden deze informatie vervolgens aan drie verschillende soorten computerleermodellen om te zien welk model het beste kon voorspellen waar vervuiling een probleem zou zijn.

Het team verzamelde gegevens vanuit de ruimte, waarbij satellieten werden gebruikt om alles te volgen, van de dichtheid van de groene vegetatie tot de concentratie van schadelijke gassen in de atmosfeer. Ze keken naar hoeveel regen er viel, hoe warm het werd en hoeveel methaan en koolmonoxide aanwezig was. Door al deze informatie samen te voegen, creëerden ze een digitaal beeld van de omgeving van het park. Vervolgens trainden ze hun computermodellen om de tekenen van vervuiling te herkennen. Eén model, genaamd Random Forest, werkt door veel kleine beslissingsbomen te bouwen en hen te laten stemmen op het antwoord. Een ander model, de Gradient Boosting Machine, leert door zijn eigen fouten stap voor stap te corrigeren. Het derde model, een Support Vector Machine, probeert de best mogende lijn te vinden om schone gebieden van vervuilde gebieden te scheiden. Het doel was om te zien welke van deze benaderingen het meest nauwkeurig de gebieden kon identificeren waar het ecosysteem het meest waarschijnlijk te lijden heeft onder een slechte luchtkwaliteit.

De resultaten toonden aan dat de computermodellen zeer succesvol waren in het in kaart brengen van de onzichtbare bedreigingen. Het Gradient Boosting Machine-model bleek het meest accuraat bij het correct classificeren van de gegevens, waarbij het ongeveer 76 procent van de tijd het juiste antwoord gaf. Het Random Forest-model was iets minder nauwkeurig in die specifieke maatstaf, maar was uitzonderlijk goed in het onderscheiden van verschillende risiconiveaus, een kwaliteit die cruciaal is voor het nemen van fijnmazige beslissingen. Het derde model, de Support Vector Machine, presteerde goed, maar was niet zo sterk als de andere twee. Alle drie de modellen waren het eens over het algemene patroon: de zuidelijke en zuid-centrale delen van het park, met name nabij de Crocodile- en Sabie-rivieren, zijn het meest kwetsbaar. Deze gebieden vertoonden hogere concentraties stikstofdioxide en zwaveldioxide, gassen die vaak worden gekoppeld aan het verbranden van brandstof en industriële activiteiten. De modellen onthulden ook dat deze twee gassen de belangrijkste factoren waren bij het voorspellen waar vervuiling een probleem zou zijn, meer nog dan de hoeveelheid regen of de dichtheid van de bomen.

Wat dit resultaat belangrijk maakt, is dat het bevestigt dat vervuiling niet alleen een stedelijk probleem is. De studie suggereert dat zelfs in een wilde plek als Kruger de luchtkwaliteit sterk wordt beïnvloed door menselijke activiteiten ver weg, die door de wind wordt meegevoerd. De onderzoekers vonden dat de gebieden met het hoogste risico niet willekeurig zijn; ze clusteren rond specifieke rivierdalen en de zuidelijke randen van het park, waar de wind vaak vervuiling van nabijgelegen steden en wegen meevoert. De computermodellen benadrukten ook dat vegetatie een complexe rol speelt. Hoewel dichte bossen soms vervuiling kunnen absorberen, toonden de gegevens aan dat gebieden met een hoge groen dichtheid vaak gecorreleerd waren met hogere niveaus van bepaalde gassen, waarschijnlijk omdat deze gebieden ook dichter bij de bronnen van de vervuiling liggen. Deze nuance is iets wat eenvoudige observatie mogelijk zou missen, maar de computermodellen vingen het duidelijk op.

De uiteindelijke output van dit werk is een reeks hoog-resolutie kaarten die het park verdelen in vijf categorieën, variërend van zeer lage kwetsbaarheid tot zeer hoge kwetsbaarheid. Deze kaarten laten zien dat ongeveer een vijfde van het park in de hoogste risicocategorie valt, terwijl een andere vijfde in de zeer lage categorie valt. Het middengebied, waar het risico matig is, beslaat het grootste deel van het land. Deze kaarten zijn niet alleen plaatjes; ze zijn praktische instrumenten voor parkbeheerders. Door precies te weten waar de lucht het meest waarschijnlijk giftig is, kunnen rangers en natuurbeschermers hun monitoringinspanningen richten, branden zorgvuldiger plannen en gevoelig wild beschermen in de gebieden die dit het hardst nodig hebben. De studie suggereert dat deze aanpak van het combineren van satellietgegevens met slim computerleren een gamechanger kan zijn voor het beschermen van grote wildernisgebieden, door een manier te bieden om het onzichtbare te zien en in te grijpen voordat de schade is aangericht.

Het onderzoek sluit ook aan bij bredere doelen voor de planeet. Door het land en de lucht te beschermen, ondersteunt de studie inspanningen om gezonde ecosystemen te behouden, wat een essentieel onderdeel is van wereldwijde duurzaamheidsdoelstellingen. Het raakt ook aan klimaatactie, aangezien dezelfde weerspatronen die vervuiling verplaatsen, ook klimaatverandering aansturen. Hoewel de studie niet de gezondheid van de nabijgelegen mensen heeft gemeten, biedt het de milieugegevens die nodig zijn om te begrijpen hoe vervuiling beweegt en neerdaalt, wat de eerste stap is naar het beschermen van zowel wilde dieren als menselijke gemeenschappen. Het werk demonstreert dat zelfs in een plek die zo uitgestrekt en wild is als Kruger, wetenschap een helder beeld kan geven van de uitdagingen waar de natuur voor staat, door complexe gegevens om te zetten in een eenvoudige, actiegerichte gids voor natuurbehoud. De geproduceerde kaarten zijn een getuigenis van het idee dat we met de juiste instrumenten de bedreigingen voor onze natuurlijke wereld helder genoeg kunnen zien om ze te stoppen.