Modeling the Impact of Green Infrastructures on Urban Air Quality

Abstract

En les pròximes dècades, el creixement de la població se centrarà en les grans ciutats, fet que agreujarà encara més la contaminació de l'aire i afectarà la salut de les persones i el medi ambient. La incorporació d'infraestructures verdes (GI), com parcs, arbres i cobertes verdes, sovint es considera una estratègia eficaç per millorar la qualitat de l'aire urbà, tant de manera directa (mitjançant la deposició química dels estomes) com indirecta (és a dir, reduint les temperatures i la formació de contaminants). Tanmateix, el grau d'efectivitat de les GI depèn de les condicions meteorològiques (tan locals com a escala sinòptica), la geografia i la morfologia urbana. Així, modelitzar aquestes estratègies verdes i els canvis en l'ús del sòl a escala de carrer és una eina útil per avaluar la seva capacitat de mitigar la contaminació de l'aire. Malauradament, els models tradicionals de transport atmosfèric i química presenten limitacions tant computacionals com conceptuals, fet que dificulta simular les dinàmiques complexes de la qualitat de l'aire a escales de carrer (~100 metres) i limita la seva aplicabilitat en la planificació urbana.

Aquesta tesi proposa un nou enfocament per reduir el temps de càlcul combinant models físics amb aprenentatge automàtic per estimar com afecta la infraestructura verda a la qualitat de l'aire urbà. El mètode, provat a l'Àrea Metropolitana de Barcelona (AMB, acrònim en català), s'anomena Greening Multi-Model for Enhancing Air Quality (GreenMMAQ) i consta de tres components principals. Primer, el component Observational Machine Learning (OML) s'entrena utilitzant un conjunt de dades reals d'observacions de qualitat de l'aire i condicions meteorològiques, que permet generar prediccions de qualitat de l'aire en les ubicacions de les estacions de mesurament (XVPCA). En segon lloc, el component Greener Machine Learning (GreenML) s'entrena amb múltiples configuracions d'ús del sòl —generades manualment i automàticament—, juntament amb les seves prediccions corresponents de qualitat de l'aire, per estimar la variabilitat de les concentracions de contaminants i determinar si un disseny urbà concret condueix a un augment o disminució de certs contaminants. Aquest component ja ha estat dissenyat, però està parcialment implementat, i actualment es duen a terme proves preliminars amb escenaris simulats. Finalment, el tercer component integra les prediccions de qualitat de l'aire en diferents ubicacions provinents del primer component i la variació de les concentracions de contaminants del segon component, que, combinades amb un model de regressió d'ús del sòl (LUR), permeten fer prediccions de qualitat de l'aire en nous escenaris de planificació urbana.

Les proves preliminars mostren que l'aprenentatge automàtic pot proporcionar prediccions precises de la qualitat de l'aire a escala urbana, tot reduint significativament el temps de càlcul. Això el converteix en una eina valuosa per als planificadors i responsables de la presa de decisions que vulguin dissenyar ciutats més verdes i saludables basades en observacions reals.

En las próximas décadas, el crecimiento de la población se concentrará en las grandes ciudades, lo que agravará aún más la contaminación del aire y afectará la salud de las personas y el medioambiente. La incorporación de infraestructuras verdes (GI), como parques, árboles y cubiertas vegetales, se considera a menudo una estrategia eficaz para mejorar la calidad del aire urbano, tanto de forma directa (mediante la deposición química de los estomas) como indirecta (por ejemplo, reduciendo las temperaturas y la formación de contaminantes). Sin embargo, el grado de efectividad de las GI depende de las condiciones meteorológicas (tanto locales como a escala sinóptica), la geografía y la morfología urbana. Así, modelizar estas estrategias verdes y los cambios en el uso del suelo a escala de calle resulta una herramienta útil para evaluar su capacidad de mitigar la contaminación del aire. Lamentablemente, los modelos tradicionales de transporte atmosférico y química presentan limitaciones tanto computacionales como conceptuales, lo que dificulta simular las dinámicas complejas de la calidad del aire a escalas de calle (~100 metros) y limita su aplicabilidad en la planificación urbana.

Esta tesis propone un nuevo enfoque para reducir el tiempo de cálculo combinando modelos basados en física con aprendizaje automático, con el objetivo de estimar cómo afecta la infraestructura verde a la calidad del aire en la ciudad. El método, probado en el Área Metropolitana de Barcelona (AMB, acrónimo en catalán), se denomina Greening Multi-Model for Enhancing Air Quality (GreenMMAQ) y consta de tres componentes principales. En primer lugar, el componente Observational Machine Learning (OML) se entrena utilizando un conjunto de datos de observaciones reales de calidad del aire y meteorología, permitiendo generar predicciones de calidad del aire en las ubicaciones de las estaciones de monitoreo. En segundo lugar, el componente Greener Machine Learning (GreenML) se entrena con múltiples configuraciones de uso del suelo —generadas manualmente y automáticamente— junto con sus correspondientes predicciones de calidad del aire, para estimar la variabilidad de las concentraciones de contaminantes y determinar si un diseño urbano específico conduce a un aumento o disminución de determinados contaminantes. Este componente ya ha sido diseñado, pero está parcialmente implementado, y actualmente se están realizando pruebas preliminares con escenarios simulados. Finalmente, el tercer componente integra las predicciones de calidad del aire en diferentes ubicaciones provenientes del primer componente y la variación de concentraciones de contaminantes del segundo componente, lo que, combinado con un modelo de regresión del uso del suelo (LUR), permite realizar predicciones de calidad del aire bajo nuevos escenarios de planificación urbana.

Las pruebas preliminares muestran que el aprendizaje automático puede proporcionar predicciones precisas de la calidad del aire a escala urbana, reduciendo significativamente el tiempo de cómputo. Esto lo convierte en una herramienta valiosa para planificadores y responsables de la toma de decisiones que deseen diseñar ciudades más verdes y saludables basadas en observaciones reales.

Over the next few decades, population growth will be centered in large cities, consequently exacerbating air pollution affecting people’s health and the environment. Adding green infrastructures (GI), such as parks, trees and green roofs, is often seen as a good way to improve air quality in urban areas both directly (through stomatal chemical deposition) and indirectly (i.e. reducing temperatures and formation of pollutants). However, the degree to which GIs are effective depends on meteorological conditions (both local and at the synoptic scale), geography, and urban morphology. Thus, modeling these green strategies and land use changes at the street level is a useful way to determine their capacity to mitigate air pollution. Unfortunately, traditional atmospheric transport and chemical models have both computational and conceptual limitations, which make it difficult to simulate the complex dynamics of air quality at street-level scales (~100 meters), limiting their practical use for urban planning.

This thesis proposes a new approach to reduce computational time by combining physics-based models with machine learning to estimate how green infrastructure affects city air quality. The method, tested in the Metropolitan Area of Barcelona (AMB, Catalan acronym), is called Greening Multi-Model for Enhancing Air Quality (GreenMMAQ) — and consists of three main components. First, the Observational Machine Learning (OML) component is trained using a ground-truth dataset of real air quality and meteorological observations, enabling the generation of air quality predictions at the locations of monitoring stations. Second, the Greener Machine Learning (GreenML) component is trained on multiple land-use configurations—both manually and automatically generated—together with their corresponding air quality predictions, in order to estimate the variability of pollutant concentrations and determine whether a specific urban layout leads to an increase or decrease in particular pollutants. This component has already been designed but partially implemented, and some early testing with simulated scenarios is in progress. Finally, the third component brings everything together by integrating the air quality predictions at different locations from the first component and the variation of pollutant concentrations from the second component, which, combined with a land-use (LU) regressor, enables air quality predictions under novel urban planning scenarios.

Preliminary results show that machine learning can provide accurate air quality predictions at the city scale while significantly reducing computational time. This makes it a valuable tool for planners and decision-makers who want to design greener, healthier cities grounded in real-world observations.