Szczegóły publikacji
Opis bibliograficzny
Explainable artificial intelligence and spatial analysis for sustainable urban planning addressing air pollution — Umelá inteligencia a priestorová analýza pre udržateľné mestské plánovanie v oblasti riešenia znečistenia ovzdušia / Mateusz ZARĘBA, Tomasz DANEK, Monika CHUCHRO // Acta Geographica Universitatis Comenianae ; ISSN 1338-6034. — 2025 — vol. 69 no. 1, s. 77–96. — Bibliogr. s. 93–95, Abstr., Súhrn
Autorzy (3)
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 161117 |
|---|---|
| Data dodania do BaDAP | 2025-07-14 |
| Tekst źródłowy | URL |
| Rok publikacji | 2025 |
| Typ publikacji | artykuł w czasopiśmie |
| Otwarty dostęp |  |
| Creative Commons | |
| Czasopismo/seria | Acta Geographica Universitatis Comenianae |
Abstract
This study examines the application of Explainable Artificial Intelligence (XAI) and spatial analysis to comprehend the seasonal and spatial dynamics of air pollution, thereby supporting sustainable urban development. The analysis is based on a unique, high-resolution dataset collected from 52 low-cost sensors deployed across Kraków (Poland) and its surround- ing municipalities, generating over 450,000 hourly samples annually. The region offers a dis- tinct spatial contrast: Kraków enforces a strict ban on solid fuel use for residential heating, while neighboring areas do not, creating a natural experimental setting for examining the spa- tial interplay of emission sources and meteorological conditions. Machine learning models, in- cluding XGBoost and Extra Trees Regressor (ETR), were utilized to evaluate the significance of various meteorological and environmental predictors of PM2.5 concentrations. Feature im - portance was averaged seasonally to detect temporal trends, and the most relevant variables were selected for each season. These were then mapped using the Kriging algorithm to ex- plore spatial variability in predictor relevance. The results revealed strong seasonal patterns and localized differences in the influence of variables such as temperature, relative humidity, and wind speed, reflecting both meteorological processes and anthropogenic emission dyna- mics. This research highlights the critical role of integrating seasonal context and spatial hete- rogeneity into air quality modeling. By combining interpretable machine learning with spatial mapping, the study offers actionable insights for urban planners and policymakers aiming to improve air quality management. The findings demonstrate how XAI methods can support evidence-based strategies for healthier and more sustainable cities.
Abstract
Pozorovaná sezónna a priestorová variabilita vo význame prediktorov PM2,5 ponú- ka cenné poznatky pre aplikácie inteligentných miest, kde sú adaptívne stratégie založené na údajoch kľúčové pre zlepšenie kvality mestského ovzdušia. Identifiká- ciou toho, ktoré premenné – ako napríklad hodina dňa v zime alebo rýchlosť vetra v lete – spôsobujú znečistenie za špecifických podmienok, môžu mestá implemen- tovať dynamické politiky a systémy reakcie v reálnom čase prispôsobené lokálnym a sezónnym potrebám. Napríklad prediktívne modely by mohli informovať o regu- lácii dopravy, regulácii vykurovania alebo cielených odporúčaniach v oblasti verej- ného zdravia založených na hyperlokálnych predpovediach. Priestorová granularita relevantnosti senzorov umožňuje intervencie vo vysoko rizikových zónach, zatiaľ čo vysvetliteľnosť modelov podporuje transparentné a zodpovedné rozhodovanie. Integrácia týchto poznatkov do infraštruktúry inteligentných miest zlepšuje proak- tívne environmentálne riadenie, vďaka čomu sú mestské systémy responzívnejšie, udržateľnejšie a odolnejšie. Pochopenie komplexných faktorov ovplyvňujúcich variabilitu PM2,5 je naďalej vý- znamnou výzvou v modelovaní kvality ovzdušia, najmä v Krakove počas zimy, kde sú faktory ovplyvňujúce produkciu úzko prepojené so socioekonomickými faktormi – ako sú vykurovacie postupy a úroveň príjmov – a meteorologickými podmienka- mi. Zatiaľ čo predchádzajúce štúdie sa prevažne zameriavali na úrovne koncentrá- cie znečisťujúcich látok, menšia pozornosť sa venovala dynamickému významu meteorologických a časových prediktorov v rôznych ročných obdobiach a priestore. Táto štúdia rieši túto medzeru systematickým hodnotením sezónnej a priestorovej variability dôležitosti prediktorov pomocou metód XAI – XGBoost, Extra Trees Regressor (ETR) a Permutation Importance – aplikovaných na hustú sieť senzorov v Krakove v Poľsku. Kvantifikáciou toho, ako prediktory, ako je denná hodina, vlh- kosť, rýchlosť vetra, teplota, povrchový tlak a zrážky, prispievajú k predpovediam PM2,5 počas celého roka a na rôznych miestach, poskytuje hĺbkové pochopenie faktorov ovplyvňujúcich znečistenie ovzdušia. Tento prístup zlepšuje interpretova- teľnosť, podporuje cielenú tvorbu politík a umožňuje vývoj sezónne adaptívnych a priestorovo informovaných modelov, ktoré priamo podporujú inteligentnejšie stratégie environmentálneho manažmentu v mestských územiach. Denná hodina je najvplyvnejším prediktorom v zime, ktorý odráža silné cykly emisií riadené člove- kom. Relatívna vlhkosť dominuje na jar a na jeseň – na jar hrá hlavnú úlohu rieka Visla, zatiaľ čo na jeseň jej vedľajšie toky. Rýchlosť vetra je najdôležitejšia v lete, keď sa nepozorujú žiadne významné emisie PM. Teplota a povrchový tlak si udr- žiavajú mierny, stabilný vplyv počas všetkých ročných období. Zrážky vykazujú konzistentne nízky význam, čo naznačuje obmedzený priamy vplyv. Význam pred- iktorov sa priestorovo líši a je formovaný topografiou, využívaním pôdy a regulač- nými zónami. Vysvetliteľné modely (XGBoost, ETR, Permutation) odhaľujú kon- zistentné a interpretovateľné vzorce, ktoré sú kľúčové pre informované rozhodova- nie v mestách. XAI ponúka spoľahlivý doplnkový prístup ku klasickým metódam, čím zvyšuje našu schopnosť interpretovať komplexné environmentálne údaje a zlepšovať stratégie riadenia kvality ovzdušia. Riešenie tejto výzvy si vyžaduje spoločné úsilie odborníkov z rôznych disciplín – vrátane špecialistov na GIS, štatis- tikov, meteorológov, geografov, geodátových vedcov a tvorcov politík – s podpo- rou vysokokvalitných senzorových sietí.
