Satellitter er uvurderlige verktøy for å studere atmosfæren og gir oss et globalt perspektiv på luftkvalitet. De fleste satellittinstrumenter måler imidlertid den totale mengden av en forurensningskomponent gjennom hele atmosfæren og ikke forurensningsnivået ved bakken der mennesker oppholder seg. Dette gjør at det er utfordrende å bruke satellittdata til å studere helseeffekter av luftforurensning. Denne doktorgradsoppgaven hadde som mål å løse denne utfordringen ved å utvikle avanserte algoritmer som kan konvertere satellittdata til nøyaktig informasjon om luftkvalitet ved bakken. Slike forbedringer er avgjørende for å få bedre forståelse for hvor mange som eksponeres for helseskadelig luftforurensning på global skala og hvordan dette endrer seg over tid.
Forskningen ble delt inn i tre sammenhengende prosjekter, som alle bidro til en banebrytende metode for å estimere luftforurensning ved bakken fra satellittdata. Arbeidene i de tre prosjektene resulterte i utviklingen av en ny modell kalt S-MESH (Satellite and Machine Learning-based Estimation of Surface air quality at High resolution). En kort oppsummering avde tre prosjektene er gitt nedenfor:
1. Kartlegging av overflate-NO2: Det første prosjektet fokuserte på nitrogendioksid (NO2), som er en viktig forurensningskomponent. Ved hjelp av data fra TROPOMI-instrumentet ombord på Sentinel-5P-satellitten utviklet kandidaten en metode for å estimere NO2-konsentrasjoner ved bakkenivå. Dette arbeidet gir detaljerte kart av NO2 ved bakken som er svært viktig for å kunne overvåke luftkvaliteten i byområder over tid.
2. Nedskalering til 1 km x 1 km oppløsning: Den andre delen av forskningsarbeidet forbedret de relativt grove luftkvalitetsprognosene fra Copernicus Atmosphere Monitoring Service (CAMS), som er tilgjengelige med en oppløsning på 10 km x 10 km. Ved å integrere satellittdata om aerosoler og andre komplementære variabler utviklet studien en nedskaleringsmetode for å oppnå en mye finere oppløsning (1 km x 1 km) på luftkvalitetsprognosene. Denne forbedringen gjør dataene langt mer relevante for lokale anvendelser, som f.eks. vurdering av luftkvalitet på nabolagsnivå.
3. Integrering av data fra rimelige luftkvalitetssensorer i S-MESH: I Europa finnes det omfattende nettverk av rimelige sensorer som måler svevestøv (partikler) ved bakken. Dataene fra disse sensornettverkene ble sømløst integrert i modellen for å forbedre modellens prediksjonsevne ytterligere. Dette forbedret ikke bare modellens nøyaktighet, men ga også data på høyere romlig oppløsning, noe som er viktig for å kunne benytte dataene til vurderinger av luftkvalitet på bynivå. Slike forbedringer er avgjørende for å forstå detaljerte forurensningsmønstre og takle utfordringer knyttet til luftkvalitet i urbane områder.
Kjernen i denne avhandlingen var den innovative bruken av maskinlæring, spesielt en metode kalt XGBoost, for å håndtere kompleksiteten ved å kombinere flere datakilder og prediktorvariabler. Denne tilnærmingen illustrerer kraften som ligger i maskinlæring til å løse reelle utfordringer innen miljøvitenskap og gi bedre forståelse for og støtte til arbeidet med luftforurensning.
The project has delivered significant impacts for participants, stakeholders, and society, particularly in advancing research, environmental monitoring, and policymaking. By developing the S-MESH framework (Satellite and Machine Learning-based Estimation of Surface air quality at High resolution), the project has strengthened competence in satellite data utilization, machine learning, and environmental modeling. This innovative approach has already been integrated into ongoing projects and new proposals. The knowledge and methodologies developed have enhanced NILU’s research capacity, fostering a deeper integration of machine learning and remote sensing expertise with atmospheric science.
The project has also promoted interdisciplinary and international collaboration, expanding partnerships with leading institutions in satellite data analysis and environmental monitoring. This collaborative environment has not only strengthened research outputs but also laid the foundation for further projects, including new proposals to Horizon Europe addressing Europe’s zero-pollution goals. By producing high-resolution air quality maps, the project has developed tools with immediate practical relevance for urban planners, policymakers, and environmental agencies. These tools can help identify pollution hotspots, improve urban air quality management, and align with the EU’s Green Deal objectives.
Looking forward, the long-term effects of the project are expected to be substantial. By delivering accurate and timely information on surface-level air pollution, the project contributes to improved public health outcomes. Reducing human exposure to pollutants can mitigate respiratory illnesses and reduce premature mortality linked to air quality issues. Moreover, the S-MESH framework represents a technological innovation that showcases how machine learning and satellite data can be effectively combined to address pressing environmental challenges. This model has the potential to be further developed and the underlying methods can in principle be applied globally.
The project’s outcomes also align with broader climate and environmental goals. By providing tools to monitor and reduce air pollution, it supports international efforts such as Europe’s zero-pollution targets and global environmental monitoring initiatives under the United Nations frameworks. Through these contributions, the project not only advances scientific knowledge but also fosters sustainable urban development as well as progress in satellite-based environmental monitoring.