Satellite-driven modelling of NO₂ and PM?.? across Germany (2019–2024): A multi-sensor machine-learning approach

Eine neue Forschungsstudie, die in Environmental Pollution ver?ffentlicht wurde, stellt einen Beitrag zur ?berwachung der Luftqualit?t vor, der in Zusammenarbeit zwischen Wissenschaftler:innen und Studierenden entwickelt wurde. Diese Arbeit ist das Ergebnis des Kurses ?Environmental Modeling and Health” (Umweltmodellierung und Gesundheit) an der Universit?t Augsburg. Unter der Leitung von Dr. César Alvarez spielten Masterstudierende eine wichtige Rolle bei der Untersuchung, wie frei zug?ngliche Satellitendaten und maschinelles Lernen kritische Lücken in nationalen Luftverschmutzungsbewertungen schlie?en k?nnen.

Beschr?nkungen station?rer ?berwachungsnetze

Obwohl Deutschland über eines der dichtesten Messnetze in Europa verfügt, k?nnen station?re Sensoren nicht jedes Detail erfassen. Die Schadstoffwerte variieren oft erheblich innerhalb weniger hundert Meter, was auf den Verkehrsfluss, ?Stra?enschluchten“ und lokale Landnutzungsmuster zurückzuführen ist. Sich ausschlie?lich auf diese fest installierten Messstationen zu verlassen, führt zu r?umlichen Lücken, insbesondere in Regionen mit weniger Sensoren.

Die gesundheitlichen Auswirkungen dieser Schwankungen sind erheblich: Eine langfristige Exposition gegenüber Stickstoffdioxid (NO?) und Feinstaub (PM?,?) steht im Zusammenhang mit Herz-Kreislauf-Erkrankungen, Schlaganf?llen und vorzeitiger Sterblichkeit. Allein im Jahr 2022 waren in Deutschland etwa 32.600 Todesf?lle auf PM?.? und 9.400 auf NO? zurückzuführen. Selbst wenn die Werte sinken, sind mehr als 80 % der st?dtischen Bev?lkerung in der EU weiterhin Konzentrationen ausgesetzt, die die strengen Richtlinien der Weltgesundheitsorganisation (WHO) überschreiten.

Ein multisensorischer Ansatz auf Basis offener Daten

Um diese Herausforderungen zu bew?ltigen, entwickelten die Studenten ein Framework, das ausschlie?lich ?ffentlich zug?ngliche globale Datens?tze nutzt. Die Studie integrierte mehrere Quellen über Google Earth Engine:

• Sentinel-5P-Satellit: Liefert t?gliche Daten zu NO? und Kohlenmonoxid (CO) in der Troposph?re
• MODIS-Sensoren: Erfassen die Vegetationsdichte (NDVI) und die Aerosolverteilung (AOD)
• ERA5-Landreanalyse: Liefert meteorologische Daten wie Temperatur und Oberfl?chendruck

Das Team evaluierte sieben verschiedene Algorithmen für maschinelles Lernen, darunter Random Forest und Gradient Boosting. Um sicherzustellen, dass die Modelle physikalisch konsistent waren, verwendeten sie ?erkl?rbare KI“, um zu beurteilen, welche Faktoren die Ergebnisse am st?rksten beeinflussten.

Wichtigste Ergebnisse: Schadstofftrends 2019–2024

Die mit einer Aufl?sung von 10 km erstellten Modelle zeigten für den Zeitraum von 2019 – 2024 klare Trends für ganz Deutschland:

• Erfolg bei NO?: Die Stickstoffdioxidwerte gingen landesweit stetig zurück, insbesondere in gro?en st?dtischen und industriellen Zentren wie dem Ruhrgebiet. Dies ist auf Verbesserungen im Fahrzeugbestand und pandemiebedingte Ver?nderungen in der Mobilit?t zurückzuführen. Für NO? waren die Vegetationsstruktur (NDVI) und das Satelliten-NO?-Signal die st?rksten Pr?diktoren.
• PM?.?-Komplexit?t: Feinstaub erwies sich aufgrund seiner vielf?ltigen Quellen, wie Landwirtschaft, Holzverbrennung und Ferntransport, als schwieriger zu modellieren. Der Oberfl?chendruck erwies sich als wichtiger Faktor für die PM?.?-Anreicherung.
• Die WHO-Lücke: Eine bemerkenswerte Erkenntnis der Studie ist, dass Deutschland zwar 2024 erstmals bundesweit die EU-Grenzwerte einhielt, aber 97 % der Messstationen immer noch die strengeren WHO-Richtlinien für NO? überschreiten.

Eine der wichtigsten Implikationen dieser Forschung ist ihre globale Anwendbarkeit. Da das Rahmenwerk vollst?ndig auf geor?umlichen Open Data und nicht auf propriet?ren lokalen Bestandsaufnahmen basiert, kann es auf Regionen mit geringer oder gar keiner ?berwachungsinfrastruktur übertragen werden. Dieser ?Open Science”-Ansatz f?rdert die Transparenz und unterstützt internationale Bemühungen zur Einhaltung der neuen EU-Luftqualit?tsrichtlinie (2024/2881).

Quelle: Miller, R., Olbrich, J., Wierer, M., Chen, J., Wurm, M., & Alvarez, C. I. (2026). Satellite-driven modelling of NO? and PM?.? across Germany (2019–2024): A multi-sensor machine-learning approach. Environmental Pollution, 396, 127898. https://doi.org/10.1016/j.envpol.2026.127898.

Source: Modified from Семен Саливанчук / Fotolia.com and Miller et al., 2026