AI til forudsigelse af luftkvalitet

AI til forudsigelse af luftkvalitet bruger målinger, vejrdata, emissionsdata og historiske mønstre til at beregne sandsynlige koncentrationer af forurening de næste timer eller dage. Metoden kan give hurtigere varsler og mere lokale vurderinger, men resultaterne kræver datakvalitet, kalibrering og faglig kontrol.

Hvad betyder AI til forudsigelse af luftkvalitet?

AI til forudsigelse af luftkvalitet dækker modeller, der lærer sammenhænge mellem forurening, vejr, geografi, trafik, industri, brande, sæsoner og målte koncentrationer. Formålet er at beregne, hvor meget af et bestemt stof der sandsynligvis findes i luften på et bestemt sted og tidspunkt.

En luftkvalitetsprognose kan for eksempel handle om fine partikler, kvælstofdioxid, ozon eller svovldioxid. Prognosen kan bruges til varsling, planlægning, sundhedsinformation, trafikstyring, miljøovervågning og vurdering af lokale tiltag. Den er mest nyttig, når den forklarer både forventet niveau og usikkerhed.

AI gør ikke luftkvalitet enkel. Den kan finde mønstre i store datamængder og opdatere beregninger hurtigt, men den må stadig holdes op mod målinger, atmosfærisk kemi og lokale forhold. Derfor er den bedste brug ofte en kombination af AI, etablerede atmosfæremodeller og kontrol fra fagpersoner.

Hvilke data indgår i en luftkvalitetsprognose?

En robust prognose bygger normalt på flere datakilder. Målestationer giver direkte observationer af luftforurening, men de står kun bestemte steder. Satellitter kan dække store områder, men ser ikke altid nær jorden med samme præcision som lokale sensorer. Vejrmodeller beskriver vind, temperatur, luftfugtighed, nedbør og grænselag, som styrer, hvordan forurening flytter sig og fortyndes.

Emissionsdata beskriver, hvor forureningen kommer fra. Det kan være vejtrafik, skibsfart, energiproduktion, industri, landbrug, brændeovne, støv, vegetation, naturbrande eller forurening transporteret fra andre regioner. For nogle stoffer er selve emissionen ikke nok, fordi kemiske reaktioner i atmosfæren danner nye stoffer undervejs.

Datagrundlaget minder om andre AI-opgaver, hvor kvaliteten af indsamling, oprydning og dokumentation ofte betyder mere end modelnavnet. Det er samme princip som ved bedre dataindsamling med AI: mangler, skævheder og uklare definitioner bliver ikke automatisk rettet, fordi en avanceret model bruger dem.

Hvordan adskiller AI sig fra klassiske luftkvalitetsmodeller?

Klassiske luftkvalitetsmodeller bygger på fysik og kemi. De forsøger at beskrive emissioner, transport, fortynding, aflejring og kemiske reaktioner i atmosfæren. AI-modeller lærer i højere grad mønstre fra tidligere observationer og modeldata. De kan derfor være hurtige og stærke til genkendelige situationer, men de er afhængige af, at træningsdata dækker de forhold, de skal bruges til.

Forskellen er ikke et valg mellem gammelt og nyt. Mange praktiske systemer bruger en hybrid tilgang, hvor AI kalibrerer, nedskalerer eller korrigerer en fysikbaseret prognose. AI kan også bruges til at udfylde huller mellem målestationer eller til at beregne lokale variationer, som en grovere regional model ikke fanger direkte.

Hvilke forurenende stoffer kan modellerne typisk forudsige?

Luftkvalitetsprognoser fokuserer ofte på stoffer, der har dokumenteret sundheds- og miljørelevans. I europæisk sammenhæng fylder PM2.5, PM10, kvælstofdioxid, ozon og svovldioxid meget, fordi de indgår i overvågning, varsling og offentlige luftkvalitetsindeks. Andre stoffer som kulilte, ammoniak, flygtige organiske forbindelser og pollen kan også indgå afhængigt af systemet.

PM2.5 er fine partikler med diameter på højst 2,5 mikrometer. De kan komme fra forbrænding, sekundære aerosoler, brande og langtransport. PM10 omfatter grovere partikler, for eksempel vejstøv, slitage og naturligt støv. Kvælstofdioxid forbindes ofte med trafik og forbrænding, mens ozon ved jordoverfladen dannes gennem kemiske reaktioner i sollys.

Det er en fejl at samle alle stoffer under én generel “luftkvalitetsscore” uden forklaring. En lav partikelprognose kan godt optræde samtidig med forhøjet ozon, og en trafiknær NO2-episode kan være meget lokal. Derfor bør prognosen vise, hvilket stof den handler om, hvilken tidshorisont der gælder, og hvilken måleenhed eller indeksklasse der bruges.

Hvorfor er vejr, emissioner og transport afgørende for prognosen?

Luftforurening ændrer sig hurtigt, fordi atmosfæren er dynamisk. Vind kan transportere røg, støv og gasser over store afstande. Nedbør kan fjerne nogle partikler fra luften. Temperatur, sollys og luftfugtighed påvirker kemiske reaktioner. Inversioner og lavt grænselag kan holde forurening tæt ved jorden, selv når emissionerne ikke er usædvanligt høje.

Emissioner varierer også over døgnet og året. Morgentrafik, opvarmning om vinteren, landbrugsaktivitet, havne, industri, byggeri, naturbrande og perioder med tørke kan ændre kildemønstret. Hvis modellen kun lærer et gennemsnitligt mønster, kan den ramme forkert, når kilderne ændrer sig hurtigt.

Langtransport er et vigtigt kontrolpunkt. En lokal kommune kan opleve forhøjede partikler på grund af røg eller støv fra andre regioner, mens en bynær vej kan have kortvarige lokale toppe, som regionale modeller ikke ser tydeligt. En god prognose skal derfor skelne mellem lokal kilde, regional baggrund og transporteret forurening.

Hvordan kan AI bruges i et varslingssystem?

Et varslingssystem omsætter prognosen til beslutninger. Det kan være beskeder til borgere, planlægning af udendørs aktiviteter, justering af trafiktiltag, rådgivning til skoler og plejeinstitutioner eller intern beredskab hos en organisation. AI kan hjælpe ved at opdatere varsler, når nye målinger kommer ind, og ved at identificere mønstre, der tidligere har ført til dårlige luftforhold.

Varsling kræver en klar tærskel. Du skal vide, om systemet reagerer på en målt koncentration, en modelberegnet koncentration, et luftkvalitetsindeks eller en sandsynlighed for at overskride en grænse. Tærsklen bør være koblet til den konkrete handling, så systemet ikke bare producerer farver på et kort uden beslutningsværdi.

En praktisk rækkefølge er at definere målgruppen, vælge stoffer, fastlægge tidshorisont, knytte tærskler til handlinger, dokumentere usikkerhed og evaluere varsler efter episoder. Det minder om AI i klimatilpasningsstrategier, hvor en teknisk model først får værdi, når den passer til en konkret beslutning.

Hvilke fejl og usikkerheder skal du kende?

Den første usikkerhed er målegrundlaget. Stationer kan være få, placeret langt fra den relevante gade eller påvirket af lokale forhold, som ikke gælder andre steder. Billige sensorer kan give høj tidslig opløsning, men kræver kalibrering, vedligeholdelse og kvalitetskontrol, før de kan indgå sikkert i prognoser.

Den anden usikkerhed er modelhorisonten. En model kan være god de næste timer og svagere efter to eller fire dage. Ozon kan være afhængig af regionale vejrforløb og kemiske forstadier, mens trafiknære NO2-toppe kan være stærkt lokale. Samme model kan derfor have forskellig kvalitet for forskellige stoffer.

Den tredje usikkerhed er ekstreme hændelser. Brande, støvstorme, fyrværkeri, ulykker, usædvanlig trafik, energikriser eller nye emissionsmønstre kan ligge uden for træningsdata. En AI-model kan give et glat og troværdigt tal, selv om situationen netop er usædvanlig. Derfor bør varsler ledsages af usikkerhedsintervaller, status for datadækning og manuel mulighed for override.

Hvordan vurderer man datakvalitet og bias?

Datakvalitet handler om mere end mængden af data. Du bør se efter målemetode, geografisk dækning, tidsopløsning, manglende værdier, stationsplacering, sensorvedligeholdelse, kalibrering, dokumentation og ændringer i datakilder over tid. Hvis en sensorpark udskiftes, eller hvis en ny målemetode indføres, kan modellen lære et brud, der ikke skyldes ændret luftkvalitet.

Bias kan også være social og geografisk. Tætte målenet findes ofte i byer, mens landområder, havne, industriområder eller mindre kommuner kan være tyndere dækket. En model, der virker godt i datarige byzoner, er ikke nødvendigvis lige sikker i områder med færre observationer.

Et godt kontrolspørgsmål er, om modellen er testet på steder og perioder, der ikke indgik i træningen. Et andet er, om resultaterne er sammenlignet med uafhængige målinger. Det er tæt beslægtet med datakvalitet i AI-arbejde, hvor fejl i input kan give præcise, men misvisende output.

Hvad betyder europæiske kilder som CAMS og EEA?

Europa har et stærkt fælles datagrundlag for luftkvalitet. CAMS leverer atmosfæriske analyser og prognoser, mens EEA samler overvågning, rapporter og indikatorer om luftforurening. For danske og europæiske brugere giver det en fælles reference, som gør det lettere at vurdere lokale modeller op mod bredere regionale forhold.

CAMS er især relevant, fordi tjenesten kombinerer observationer og atmosfæremodeller og leverer daglige prognoser. Det giver et udgangspunkt for at forstå både lokal luftkvalitet og forurening, der transporteres over landegrænser. EEA er relevant, fordi luftkvalitet ikke kun er en teknisk prognoseopgave, men også et sundheds-, miljø- og reguleringsspørgsmål.

En lokal AI-model bør ikke erstatte disse kilder uden forklaring. Den bør i stedet dokumentere, om den bruger dem som input, benchmark eller kontekst. Hvis modellen viser et andet billede end regionale kilder, er forskellen ikke nødvendigvis forkert, men den skal kunne forklares med lokale data, bedre opløsning eller tydelig usikkerhed.

Hvornår giver AI praktisk værdi i en organisation?

AI giver mest værdi, når luftkvalitetsprognosen er koblet til en handling. En kommune kan bruge den til at målrette information under forventede episoder. En skole kan bruge den til planlægning af udendørs aktivitet. En transportaktør kan bruge den som input til rute- eller driftsvurderinger. En virksomhed kan bruge den til arbejdsmiljø- og beredskabsplanlægning, hvis datagrundlaget er relevant.

Den praktiske værdi opstår også, når AI gør prognosen mere lokal. Regionale modeller kan være gode til baggrundsniveauer, men de fanger ikke altid gaderum, terræn, havneområder, byggepladser eller lokale trafikmønstre. AI kan hjælpe med lokal nedskalering, hvis der findes målinger og forklarende data nok.

Organisationer bør undgå at bruge en AI-prognose som eneste beslutningsgrundlag ved sundhedskritiske eller regulatoriske spørgsmål. Brug den som supplerende beslutningsstøtte, og dokumenter, hvem der må handle på et varsel, hvornår målinger skal tjekkes manuelt, og hvordan fejl registreres efterfølgende.

Hvilke kontrolpunkter bør bruges før beslutninger?

Før en AI-baseret luftkvalitetsprognose bruges i praksis, bør den gennemgås som et driftsværktøj. Det betyder, at du ikke kun spørger, om modellen har høj gennemsnitlig præcision, men om den er egnet til den beslutning, den skal understøtte. En model med lav gennemsnitsfejl kan stadig være dårlig til sjældne spidser, hvor varsling er vigtigst.

• Afklar hvilket stof, hvilken tidshorisont og hvilket geografisk niveau prognosen dækker.
• Kontroller hvilke målestationer, satellitdata, vejrdata og emissionsdata modellen bruger.
• Se efter uafhængig test på nye perioder, nye steder og kendte episoder med høj forurening.
• Kræv en forklaring af usikkerhed, manglende data og situationer, hvor modellen ikke bør bruges alene.
• Evaluer varsler efter hændelser, så modellen og arbejdsgangen forbedres over tid.

Kontrolpunkterne handler også om ansvar. Hvis et varsel udløser ændringer i drift, kommunikation eller offentlige anbefalinger, skal det være klart, hvem der godkender handlingen. Det overlapper med håndtering af bias i AI, fordi tekniske fejl ofte får praktiske konsekvenser for bestemte grupper eller områder.

Hvordan kan området udvikle sig de næste år?

Udviklingen går mod mere hybride modeller, højere opløsning, bedre udnyttelse af satellitdata og hurtigere opdatering, når nye målinger kommer ind. Samtidig flytter data-drevne vejrmodeller sig tættere på atmosfærisk sammensætning, hvor aerosoler og reaktive gasser bliver en del af AI-baserede prognosesystemer.

Et vigtigt forbehold er, at forskning ikke er det samme som stabil drift. Når en ny AI-model viser stærke resultater i et studie, skal den stadig vurderes for robusthed, dokumentation, datatilgængelighed, vedligeholdelse, lokal relevans og forklaring af fejl. Det gælder især, når prognoser bruges til sundhedsinformation eller offentlige beslutninger.

Den mest realistiske udvikling er derfor ikke, at AI alene overtager luftkvalitetsprognoser. Mere sandsynligt bliver AI et lag oven på målinger, atmosfæremodeller og domæneviden. Det svarer til bredere brug af kunstig intelligens i klimaforskning, hvor teknologien styrker analysearbejdet, men stadig skal testes mod fysiske processer og observationer.

Hvilke kilder ligger til grund?

Artiklens tekniske afgrænsning bygger især på CAMS’ beskrivelse af luftkvalitet og CAMS’ europæiske luftkvalitetsprognoser. De beskriver, hvordan observationer, atmosfæremodeller og daglige prognoser bruges til at vurdere forurening i Europa og globalt.

Den sundheds- og europæiske kontekst bygger på EEA’s luftkvalitetsstatus for Europa i 2026 og WHO’s faktaark om udendørs luftforurening. Den nyere AI-vinkel bygger desuden på forskningsarbejdet AIFS-COMPO om data-drevet prognose for atmosfærisk sammensætning.