Oczyszczanie powietrza jako przykład regulacyjnych usług ekosystemowych

W niniejszym zagadnieniu przedstawiono proponowaną metodę identyfikacji obszarów charakteryzujących się podwyższonymi stężeniami zanieczyszczeń powietrza na przykładzie dwutlenku azotu (NO₂) w województwie lubuskim. Wyznaczenie stref, w których występują najwyższe wartości stężeń, ma istotne znaczenie z punktu widzenia zarządzania środowiskiem oraz planowania przestrzennego. Pozwala ono jednostkom samorządu terytorialnego na podejmowanie działań mających na celu ograniczenie emisji zanieczyszczeń oraz minimalizowanie ich negatywnego wpływu na zdrowie mieszkańców i funkcjonowanie środowiska przyrodniczego.

Analizy koncentrują się na obszarze Zielonej Góry i Gorzowa Wielkopolskiego, ich funkcjonalnych obszarach miejskich (FUA) oraz jednostkach krajobrazowych wykorzystywanych jako podstawowa warstwa agregacyjna w ocenie usług ekosystemowych. Badania obejmują dane dla roku 2024, a mapy przestrzennego rozkładu stężeń NO₂ zostały wygenerowane z wykorzystaniem siatki heksagonalnej. Dla funkcjonalnych obszarów miejskich zastosowano siatkę o rozdzielczości 7, natomiast dla obszarów miejskich Zielonej Góry i Gorzowa Wielkopolskiego wykorzystano bardziej szczegółową siatkę o rozdzielczości 9. Takie podejście umożliwiło uchwycenie zróżnicowania przestrzennego stężeń zanieczyszczeń zarówno w skali regionalnej, jak i lokalnej.

Przyjęty poziom agregacji pozwala na analizę zależności pomiędzy stopniem urbanizacji, sposobem użytkowania terenu oraz potencjałem środowiska do świadczenia usług ekosystemowych. Zastosowana metoda ma na celu nie tylko wskazanie obszarów szczególnie narażonych na wysokie stężenia NO₂, lecz także stworzenie podstaw do dalszych analiz związanych z oceną jakości powietrza oraz wspieraniem polityk środowiskowych i transportowych na poziomie lokalnym i regionalnym.

1. Zanieczyszczenie powietrza

Zanieczyszczenie powietrza atmosferycznego jest jednym z najpoważniejszych problemów środowiskowych współczesnego świata. Postępująca urbanizacja, uprzemysłowienie oraz dynamiczny rozwój transportu drogowego przyczyniły się do wzrostu emisji szkodliwych substancji do atmosfery (Swain, 2024). Zanieczyszczenia te mogą mieć zarówno charakter gazowy, jak i pyłowy, a ich źródłem jest głównie działalność człowieka: spalanie paliw kopalnych, produkcja przemysłowa, rolnictwo czy ogrzewanie budynków. W zależności od warunków atmosferycznych i ukształtowania terenu, stężenie tych substancji może różnić się znacznie w czasie i przestrzeni.

Szczególnie problematyczne są zanieczyszczenia występujące w dużych miastach oraz obszarach przemysłowych, gdzie poziom emisji znacznie przekracza zdolność środowiska do ich neutralizacji (Ballschmiter, 1992). Wśród najczęściej występujących związków zanieczyszczających powietrze wymienia się tlenki siarki (SO₂), tlenki azotu (NOₓ), tlenek węgla (CO), ozon troposferyczny (O₃) oraz pyły zawieszone (PM10 i PM2.5). Związki te, w zależności od warunków atmosferycznych, mogą podlegać reakcjom chemicznym, transportowi poziomemu i pionowemu, a także akumulacji w obszarach słabo przewietrzanych, co czyni procesy ich rozprzestrzeniania niezwykle złożonymi. Wśród nich szczególnie istotnym związkiem jest dwutlenek azotu (NO₂), będący jednym z głównych składników tlenków azotu (NOₓ). Związek ten, choć obecny w atmosferze w relatywnie niewielkich ilościach, wywiera znaczący wpływ na zdrowie ludzi (Dobrzyńska, 2016), a także stan środowiska naturalnego (Seangkiatiyuth i in., 2011).

2. Cel badań i metodyka

Podstawowym warunkiem wdrożenia skutecznych strategii poprawy jakości powietrza jest precyzyjne rozpoznanie struktury przestrzennej zanieczyszczeń oraz zidentyfikowanie czynników odpowiedzialnych za ich akumulację. Tradycyjne stacje monitoringu, choć dostarczają dokładnych pomiarów, charakteryzują się ograniczonym zasięgiem.

Z tego względu w ramach projektu opracowano zaawansowany model uczenia maszynowego, który umożliwia estymację i monitorowanie poziomu dwutlenku azotu (NO₂) na obszarach pozbawionych fizycznej infrastruktury pomiarowej. Wyniki modelowania dla badanych Funkcjonalnych Obszarów Miejskich pozwalają planistom przestrzennym na przejście od ogólnych koncepcji do precyzyjnie ukierunkowanych działań mitygacyjnych, takich jak wyznaczanie stref czystego transportu czy projektowanie zieleni izolacyjnej.

2.1. Wielowymiarowa integracja danych środowiskowych

Proces modelowania wymagał uwzględnienia wysoce niejednorodnych zbiorów danych, obrazujących zróżnicowane czynniki wpływające na jakość powietrza.

2.2. Zastosowanie hierarchicznej siatki heksagonalnej

W celu standaryzacji przestrzennej zebranych danych, zrezygnowano z tradycyjnej siatki prostokątnej na rzecz hierarchicznej siatki heksagonalnej H3. Decyzja ta była podyktowana znaczącymi korzyściami analitycznymi. Sześciokąty charakteryzują się jednakową odległością od środka do wszystkich komórek sąsiadujących, co istotnie redukuje zniekształcenia przestrzenne oraz błędy próbkowania (efekty brzegowe). Ponadto hierarchiczna natura indeksu H3 umożliwiła płynne i bezstratne skalowanie danych – od komórek o powierzchni ok. 5,16 km² używanych w fazie uczenia modelu, po docelową siatkę o wysokiej rozdzielczości (ok. 0,11 km²) stosowaną do opracowania kolejnych map.

2.3. Agregacja przestrzenna uwzględniająca dynamikę wiatru

Zanieczyszczenia powietrza ulegają ciągłemu transportowi w atmosferze. Aby model w sposób realistyczny odwzorowywał tę dynamikę, zmienne objaśniające (np. pokrycie terenu, infrastruktura drogowa) nie były przypisywane do siatki w sposób statyczny. Zamiast tego, wartości cech obliczano jako średnią ważoną z heksagonów znajdujących się w tzw. obszarze nawietrznym (upwind area). Zasięg analizowanego obszaru oraz przypisane mu wagi były dynamicznie uzależnione od kierunku i prędkości wiatru w danej godzinie pomiarowej.

2.4. Architektura modelu i korekta odchyleń

Podstawą estymacji stężeń NO₂ był algorytm regresji Lasów Losowych (Random Forest Regression), analizujący 33 parametry wejściowe. Narzędzie to wybrano ze względu na jego wysoką odporność na przeuczenie (overfitting) oraz skuteczność w modelowaniu nieliniowych zależności środowiskowych.

Modele oparte na drzewach decyzyjnych posiadają jednak nieodłączne ograniczenie matematyczne, prowadzące do zjawiska „regresji do średniej”. W praktyce oznacza to tendencję algorytmu do wygładzania wyników i niedoszacowywania wartości ekstremalnych (lokalnych szczytów zanieczyszczeń). Ponieważ identyfikacja krytycznych hotspotów była głównym celem projektu, na końcowym etapie prac wdrożono technikę empirycznego dopasowania rozkładów (EDM – Empirical Distribution Matching).

3. Wyniki

Dzięki zastosowaniu wyuczonego modelu sztucznej inteligencji, zweryfikowanego z wysoką dokładnością na danych walidacyjnych, możliwe było nie tylko wygenerowanie precyzyjnych map zanieczyszczeń, ale również głębokie zrozumienie mechanizmów, które je kształtują. Poniżej przedstawiono najważniejsze ustalenia z przeprowadzonej analizy dla obszarów badawczych.

3.1. Główne czynniki wpływające na poziom stężenia NO₂

Analiza ważności cech w algorytmie uczenia maszynowego oraz badanie korelacji liniowej jednoznacznie wykazały, że o jakości powietrza decyduje synergia uwarunkowań środowiskowych i antropogenicznych. Do najważniejszych czynników należą:

• warunki meteorologiczne i cykl sezonowy: zdecydowanie największy wpływ na dyspersję zanieczyszczeń mają temperatura powietrza oraz prędkość wiatru. Spadki temperatur w miesiącach chłodnych drastycznie pogarszają jakość powietrza,
• presja transportowa i urbanistyczna: najważniejszym lokalnym, wywołanym przez człowieka generatorem NO₂ jest natężenie ruchu drogowego. Akumulacja zanieczyszczeń wykazuje również silny, bezpośredni związek z gęstością zabudowy mieszkaniowej i usługowej,
• wysoka roślinność jako bufor: co istotne, obecność wysokiej zieleni (obszary zalesione, parki) wykazuje silną ujemną korelację ze stężeniami NO₂. Potwierdza to rolę dojrzałej roślinności jako naturalnego filtra i wskaźnika obszarów o niskiej presji emisyjnej.

3.2. Sezonowość zjawiska: kontrast letnio-zimowy

Modelowanie przestrzenne w podziale na miesiące uwidoczniło drastyczny wpływ sezonowości na mikroklimat miejski. Zestawienie map z okresu letniego i zimowego ukazuje dwa odmienne profile zanieczyszczeń:

• okres letni (czerwiec): charakteryzuje się bardzo dobrą ogólną jakością powietrza. Podwyższone stężenia NO₂ ograniczają się niemal wyłącznie do ścisłych centrów miast i są związane z bazowym, ciągłym ruchem drogowym,
• okres zimowy (grudzień/styczeń): ujawnia znaczne pogorszenie jakości atmosfery na rozległych obszarach. Zjawisko to wynika z nakładania się na siebie emisji transportowych z intensywną aktywnością sektora ogrzewnictwa komunalnego i indywidualnego, co jest dodatkowo potęgowane przez zjawiska inwersji temperatur i słabe wiatry.

3.3. Identyfikacja krytycznych obszarów (hotspotów)

Generacja map o wysokiej rozdzielczości pozwoliła na precyzyjną lokalizację stref o najwyższym ryzyku środowiskowym. Analiza przestrzenna ujawnia występowanie zanieczyszczeń w dwóch skalach:

Skala makro:

Na terenie badanych FUA zanieczyszczenia nie rozkładają się równomiernie. Wyraźnie rysują się odrębne, regionalne „wyspy” zanieczyszczeń, odpowiadające głównym ośrodkom miejskim, takim jak Zielona Góra, Nowa Sól czy Sulechów. W miarę oddalania się od centrów w stronę terenów rolniczych i leśnych, jakość powietrza ulega drastycznej poprawie.

Skala mikro (typologia lokalnych hotspotów):

Dzięki szczegółowości siatki heksagonalnej, wewnątrz samych miast wyodrębniono trzy główne typy obszarów krytycznych, wymagających zindywidualizowanych interwencji:

• Gęste rdzenie miejskie: Gdzie ruch uliczny w kanionach zabudowy nakłada się na lokalne systemy grzewcze.
• Strefy przemysłowo-logistyczne i węzły autostradowe: Gdzie głównym winowajcą jest skumulowany transport ciężki.
• Izolowane emisje punktowe: Niewielkie, peryferyjne osiedla podmiejskie, gdzie indywidualne systemy grzewcze (tzw. niska emisja) tworzą silne, lokalne piki zanieczyszczeń w sezonie zimowym.

4. Analiza porównawcza: co napędza zanieczyszczenia w Gorzowie, a co w Zielonej Górze?

Zastosowanie zaawansowanych metod interpretacji modeli uczenia maszynowego (analiza wartości SHAP) pozwoliło zajrzeć do „wnętrza” algorytmu i określić, które czynniki w największym stopniu wpływają na stężenia NO₂ w poszczególnych miastach. Wyniki ujawniły dwa odmienne profile emisyjne badanych miast, co wynika nie tylko z ich różnic urbanistycznych, ale również ze specyfiki dostępnych danych wejściowych.

W Zielonej Górze struktura zanieczyszczeń jest typowa dla miast o silnej presji transportowej, co model mógł precyzyjnie wychwycić dzięki dostępowi do danych z automatycznych liczników ruchu.

• Ruch drogowy to główny czynnik: Zmienna opisująca natężenie ruchu (traffic_mean_count) jest jednym z najpotężniejszych czynników podnoszących poziom NO₂.
• Efekt dni roboczych: Model zidentyfikował bardzo silny wpływ zmiennej working_day (dzień roboczy), co potwierdza, że piki zanieczyszczeń są ściśle skorelowane z codziennymi dojazdami mieszkańców do pracy i szkół.
• Wiatr jako naturalny filtr: W Zielonej Górze najważniejszym czynnikiem obniżającym zanieczyszczenia okazała się prędkość wiatru (wind_speed). Jego brak natychmiast skutkuje lokalnymi kumulacjami spalin w obszarach zabudowanych.

Zupełnie inaczej sytuacja wygląda na wykresach dla Gorzowa Wielkopolskiego, gdzie bezpośredni wpływ natężenia ruchu drogowego okazał się znacznie mniej istotny. Zjawisko to wynika bezpośrednio z braku stacji pomiarowych GDDKiA w tym obszarze, co stworzyło lukę w twardych danych o potokach aut. W tej sytuacji algorytm sztucznej inteligencji wykazał się zdolnością do adaptacji, opierając predykcje na innych dostępnych zmiennych.

• Najsilniejszy wpływ na predykcje modelu w Gorzowie ma zmienna opisująca tereny niemieszkalne i usługowe (non-residential_1). Wobec braku bezpośrednich liczników ruchu, to właśnie przestrzenny rozkład stref komercyjnych, przemysłowych i węzłów logistycznych stał się dla algorytmu wyznacznikiem obszarów o najwyższej emisji.
• Silna zależność od tła sezonowego: Na szczycie listy najważniejszych zmiennych w Gorzowie znalazły się wskaźniki pór roku oraz krótkoterminowe trendy temperaturowe (temperature_trend_3h). Wskazuje to, że przy ograniczonej wiedzy o ruchu pojazdów, model silniej powiązał wahania NO₂ z tłem sezonowym (sezonem grzewczym) oraz warunkami meteorologicznymi.

5. Jak można wykorzystać te dane?

• Strefy Czystego Transportu (SCT): Mapy stanowią twardy, merytoryczny dowód w dyskusjach społecznych. Pokazują, gdzie ograniczenie ruchu pojazdów spalinowych przyniesie największe korzyści dla zdrowia mieszkańców.
• Rozwój sieci monitoringu: Przypadek Gorzowa Wlkp. jednoznacznie wskazuje decydentom konieczność inwestycji w miejskie systemy zliczania pojazdów, co w przyszłości jeszcze bardziej uszczegółowi modele analityczne.
• Lokalizacja obiektów wrażliwych: Model pozwala na unikanie błędów planistycznych, takich jak budowa nowych szkół, przedszkoli, szpitali czy domów opieki w strefach przewlekłej akumulacji zanieczyszczeń transportowych i grzewczych.
• Ochrona klinów napowietrzających: Dane udowadniają, które korytarze niezabudowane ratują miasta przed zanieczyszczeniami, dając argumenty za ich prawną ochroną.

Wyniki analizy wyraźnie wskazują, że nie ma jednego uniwersalnego rozwiązania. Strategie muszą być precyzyjnie dostosowane do lokalnej diagnozy:

• Zarządzanie ruchem i transportem: Tam, gdzie zanieczyszczenia są bezpośrednio stymulowane przez rytm dojazdów do pracy, priorytetem powinno być uspokajanie ruchu w centrach, priorytetyzacja transportu publicznego  oraz sukcesywna wymiana floty komunikacji miejskiej.
• Planowanie przestrzenne i zieleń izolacyjna: Jak udowodnił przypadek Gorzowa, na zanieczyszczenia silnie wpływa zagospodarowanie terenów niemieszkalnych. Miasta powinny skupić się na tworzeniu gęstych, zielonych ekranów izolacyjnych wokół stref usługowo-przemysłowych oraz bezwzględnie wyprowadzać tranzyt pojazdów ciężarowych poza zwarty układ miejski.
• Rozwój błękitno-zielonej infrastruktury: Model jednoznacznie wykazał, że prędkość wiatru jest najskuteczniejszym „oczyszczaczem” powietrza. Absolutnym priorytetem inwestycyjnym musi być dbałość o naturalne kanały przewietrzające oraz sadzenie wysokiej zieleni, która działa jak fizyczny i biologiczny filtr spalin.

Bibliografia

Ballschmiter, K. (1992). Transport and Fate of Organic Compounds in the Global Environment. Angewandte Chemie International Edition in English, 31(5), 487–515. https://doi.org/10.1002/anie.199204873

Seangkiatiyuth, K., Surapipith, V., Tantrakarnapa, K., i Lothongkum, A. W. (2011). Application of the AERMOD modeling system for environmental impact assessment of NO2 emissions from a cement complex. Journal of Environmental Sciences, 23(6), 931–940. https://doi.org/10.1016/S1001-0742(10)60499-8

Swain, C. K. (2024). Environmental pollution indices: A review on concentration of heavy metals in air, water, and soil near industrialization and urbanisation. Discover Environment, 2(1), 5. https://doi.org/10.1007/s44274-024-00030-8