Může umělá inteligence předpovídat úrovně znečištění ovzduší ve městech na úrovni ulic pomocí satelitních a dopravních dat ?

Kombinací vysokorozlišujících satelitních snímků s reálnými dopravními vzorci mohou nyní AI modely odhadovat lokalizovanou kvalitu ovzduší. Tyto systémy zpracovávají miliony datových bodů k identifikaci oblastí se zvýšeným znečištěním. Města začínají tyto předpovědi využívat k vydávání cílených varování před znečištěním. Přesnost výrazně klesá během extrémního počasí nebo neobvyklých emisních událostí.

Background

AI can predict urban air pollution levels at street level by fusing satellite-derived atmospheric columns with ground-based measurements and traffic data. Recent systems use machine-learning models trained on high-resolution satellite observations (e.g., TROPOMI NO₂) together with real-time traffic flows and meteorology to downscale concentrations to neighborhood scales; validation studies report RMSEs around 5–15 µg/m³ for NO₂ and modest skill for PM₂.₅ in complex urban canyons. Operational prototypes exist in several cities, but coverage gaps remain where traffic sensors are sparse and satellite retrievals are obstructed by clouds. Combining high-resolution satellite imagery with real-time traffic patterns, AI models can now estimate localized air quality. These systems process millions of data points to identify pollution hotspots. Cities are beginning to use these forecasts to trigger targeted pollution alerts. Accuracy drops significantly during extreme weather or unusual emission events.