Maschinelles Lernmodell sagt Ozonbelastung in Innenräumen anhand zugänglicher Umwelt- und Verhaltensdaten voraus

Eine neue Studie hat das erste großflächige maschinelle Lernmodell entwickelt, das stündliche Ozonkonzentrationen in Innenräumen anhand leicht zugänglicher Prädiktoren vorhersagen kann, darunter Außenozonwerte, meteorologische Bedingungen und Fensteröffnungsverhalten. Dieser Fortschritt schließt eine kritische Lücke bei der Bewertung der Luftverschmutzungsexposition, da Menschen typischerweise 70 % bis 90 % ihrer Zeit in Innenräumen verbringen, wo die tatsächlichen Ozonwerte von Außenmessungen abweichen.

Ozon ist ein wichtiger Luftschadstoff, der durch chemische Reaktionen zwischen Stickoxiden und flüchtigen organischen Verbindungen unter Sonneneinstrahlung entsteht. Im Jahr 2021 trug langfristige Ozonexposition weltweit zu fast 490.000 Todesfällen bei. Traditionelle Expositionsbewertungen stützten sich stark auf Außendaten, aber Belüftung, innere Quellen und Baumaterialien beeinflussen die Ozonwerte in Innenräumen erheblich. Frühere Modellierungsansätze, darunter mechanistische Modelle, die detaillierte Innenraumparameter erfordern, und lineare Regressionsmodelle, die mit nichtlinearen Beziehungen kämpfen, waren bei großflächigen Anwendungen begrenzt.

Forscher der Fudan-Universität und der Chinesischen Akademie der Wissenschaften entwickelten ein maschinelles Lernmodell zur Vorhersage stündlicher Ozonwerte in Innenräumen in 18 chinesischen Städten. Die Studie, veröffentlicht in Eco-Environment & Health am 9. Juli 2025, nutzte Random-Forest-Algorithmen, die mit Messungen von kostengünstigen Sensoren kombiniert mit meteorologischen und Belüftungsdaten trainiert wurden. Die Forschung ist verfügbar unter https://doi.org/10.1016/j.eehl.2025.100170.

Das Team sammelte über 8.200 Stunden Innenozondaten mit tragbaren elektrochemischen Sensoren in 23 Haushalten. Prädiktorvariablen umfassten Außenozonwerte aus hochauflösenden Datensätzen, meteorologische Parameter wie Temperatur, Luftfeuchtigkeit, Wind, Sonneneinstrahlung, Grenzschichthöhe und Oberflächendruck sowie Fensteröffnungsstatus, der manuell von Freiwilligen aufgezeichnet wurde. Durch den Vergleich zweier Modelle – eines ohne und eines mit Fensterstatus – zeigten die Forscher, dass die Einbeziehung des Belüftungsverhaltens die Vorhersagegenauigkeit signifikant verbesserte.

Die Einbeziehung des Fensterverhaltens erhöhte das Kreuzvalidierungs-R² von 0,80 auf 0,83 und senkte den mittleren quadratischen Fehler von 7,89 auf 7,21 Teile pro Milliarde. Das Modell erfasste genau stündliche Ozonschwankungen und regionale Unterschiede, wobei es in Südchina besser abschnitt als in Nordchina und in kalten gegenüber warmen Jahreszeiten. Die Prädiktor-Bedeutungsanalyse identifizierte Oberflächendruck, Temperatur und Umgebungsozon als dominante Faktoren, wobei Belüftung als entscheidender Verhaltensdeterminant hervortrat. Tagesvergleiche zeigten, dass die Ozonkonzentrationen in Innenräumen während der Tagesstunden 40 % niedriger waren als im Freien.

„Die meisten Expositionsstudien stützen sich immer noch auf Außenozondaten, aber das ist nur die halbe Wahrheit“, sagte Prof. Xia Meng, leitender Autor der Studie. „Unsere Ergebnisse zeigen, dass Belüftungsverhalten – etwas so Einfaches wie ob ein Fenster geöffnet oder geschlossen ist – die Exposition dramatisch verändern kann. Durch die Integration solcher Verhaltensdaten mit meteorologischen Informationen mittels maschinellen Lernens können wir endlich Ozon in Innenräumen großflächig genauer abschätzen.“

Diese Forschung stellt eine praktische, kostengünstige Strategie zur Echtzeitvorhersage der Ozonexposition in Innenräumen über große geografische Gebiete vor. Das Modell kann in Gesundheitsrisikobewertungen, Smart-Home-Überwachungssysteme und öffentliche Gesundheitsüberwachungsplattformen integriert werden, um Entscheidungsträgern und Wissenschaftlern ein besseres Verständnis der Innen-Außen-Expositionsunterschiede zu ermöglichen. Zukünftige Arbeiten könnten den Rahmen auf andere Schadstoffe wie Feinstaub oder Stickstoffdioxid ausweiten, intelligente Sensoren zur automatischen Fensterverfolgung einbeziehen und die Überwachung auf verschiedene Klimazonen ausdehnen. Dieser maschinelle Lernansatz verbindet Umweltmodellierung mit dem täglichen Leben und fördert gesündere Innenraumumgebungen in schnell urbanisierenden Regionen.