Πηγή Εικόνας: ΑΠΕ-ΜΠΕΧρησιμοποιώντας κάμερες κυκλοφορίας και δεδομένα κινητών τηλεφώνων, ερευνητές του ΜΙΤ δημιούργησαν έναν «ζωντανό» χάρτη εκπομπών σε πραγματικό χρόνο, προσφέροντας στις πόλεις ένα ισχυρό νέο εργαλείο για τη μείωση της ρύπανσης με ταχύτερο και πιο έξυπνο τρόπο.
Στη νέα μελέτη με επίκεντρο τη Νέα Υόρκη, ερευνητές του MIT έδειξαν ότι οι υπάρχοντες αισθητήρες και τα δεδομένα κινητής τηλεφωνίας μπορούν να χρησιμοποιηθούν για τη δημιουργία μιας εικόνας υψηλής ανάλυσης, σχεδόν σε πραγματικό χρόνο, των εκπομπών ρύπων από τα αυτοκίνητα, η οποία θα μπορούσε να αξιοποιηθεί για την ανάπτυξη τοπικών πολιτικών μεταφορών και μείωσης των εκπομπών.
Η νέα μέθοδος παράγει πολύ πιο λεπτομερή δεδομένα από ορισμένες άλλες κοινές προσεγγίσεις, οι οποίες χρησιμοποιούν διαλείπουσα δείγματα εκπομπών οχημάτων. Οι ερευνητές αναφέρουν ότι είναι επίσης πιο πρακτική και κλιμακώνεται καλύτερα από ορισμένες μελέτες που έχουν στοχεύσει σε πολύ λεπτομερή δεδομένα εκπομπών από έναν μικρό αριθμό αυτοκινήτων ταυτόχρονα. «Το μοντέλο μας, συνδυάζοντας κάμερες κυκλοφορίας σε πραγματικό χρόνο με πολλαπλές πηγές δεδομένων, επιτρέπει την εξαγωγή πολύ λεπτομερών χαρτών εκπομπών, μέχρι και σε επίπεδο μεμονωμένου δρόμου και ώρας της ημέρας», λέει, σε σχετικό δελτίο Τύπου του Ιδρύματος, ο Paolo Santi, κύριος ερευνητής στο MIT Senseable City Lab και συν-συγγραφέας της νέας εργασίας που περιγράφει λεπτομερώς τα αποτελέσματα του έργου. «Τέτοιες λεπτομερείς πληροφορίες μπορούν να αποδειχθούν πολύ χρήσιμες για την υποστήριξη της λήψης αποφάσεων και την κατανόηση των επιπτώσεων των παρεμβάσεων στην κυκλοφορία και την κινητικότητα.»
Η νέα μέθοδος προστατεύει επίσης την ιδιωτικότητα, καθώς χρησιμοποιεί τεχνικές υπολογιστικής όρασης για την αναγνώριση των τύπων οχημάτων, χωρίς όμως να συλλέγει αριθμούς πινακίδων κυκλοφορίας. Η μελέτη αξιοποιεί τεχνολογίες, συμπεριλαμβανομένων εκείνων που έχουν ήδη εγκατασταθεί σε διασταυρώσεις, για να αποδώσει πλουσιότερα δεδομένα σχετικά με την κίνηση των οχημάτων και τη ρύπανση.
Η εργασία, με τίτλο «Ubiquitous Data-driven Framework for Traffic Emission Estimation and Policy Evaluation», δημοσιεύεται στο Nature Sustainability.
Για τη διεξαγωγή της μελέτης, οι ερευνητές χρησιμοποίησαν εικόνες από 331 κάμερες που ήδη λειτουργούν σε διασταυρώσεις του Μανχάταν, καθώς και ανώνυμα δεδομένα θέσης από πάνω από 1,75 εκατομμύρια κινητά τηλέφωνα. Χρησιμοποιώντας προγράμματα αναγνώρισης οχημάτων και ορίζοντας 12 ευρείες κατηγορίες αυτοκινήτων, οι ερευνητές διαπίστωσαν ότι μπορούσαν να κατατάξουν σωστά το 93% των οχημάτων στην κατάλληλη κατηγορία. Η απεικόνιση παρείχε επίσης σημαντικές πληροφορίες σχετικά με τους συγκεκριμένους τρόπους με τους οποίους τα φανάρια επηρεάζουν τη ροή της κυκλοφορίας. Αυτό έχει σημασία επειδή τα φανάρια αποτελούν έναν από τους κύριους λόγους για τα μοτίβα οδήγησης «σταμάτα-ξεκίνα», τα οποία επηρεάζουν σημαντικά τις αστικές εκπομπές αλλά συχνά παραλείπονται στις συμβατικές καταγραφές.
Στη συνέχεια, τα δεδομένα από τα κινητά τηλέφωνα παρείχαν πλούσιες πληροφορίες σχετικά με τα συνολικά μοτίβα της κυκλοφορίας και της κίνησης μεμονωμένων οχημάτων σε ολόκληρη την πόλη. Οι ερευνητές συνδύασαν τα δεδομένα από τις κάμερες και τα τηλέφωνα με γνωστές πληροφορίες σχετικά με τα ποσοστά εκπομπών, προκειμένου να καταλήξουν στις δικές τους εκτιμήσεις εκπομπών για τη Νέα Υόρκη.
Επιπλέον, οι ερευνητές αξιολόγησαν τις αλλαγές στις εκπομπές που ενδέχεται να προκύψουν σε διαφορετικά σενάρια όταν αλλάζουν επίσης τα πρότυπα κυκλοφορίας ή οι τύποι οχημάτων.
Αρχικά, δημιούργησαν ένα μοντέλο για το τι θα συνέβαινε στις εκπομπές αν ένα συγκεκριμένο ποσοστό της μετακινήσεων μετατοπιζόταν από τα ιδιωτικά οχήματα προς τα λεωφορεία. Σε ένα άλλο σενάριο, εξέτασαν τι θα συνέβαινε αν οι ώρες αιχμής το πρωί και το απόγευμα επεκτείνονταν λίγο περισσότερο, με αποτέλεσμα να υπάρχουν λιγότερα οχήματα ταυτόχρονα στους δρόμους. Επίσης, μοντελοποίησαν τις επιπτώσεις της αντικατάστασης των λεπτομερών δεδομένων εκπομπών με μέσους όρους σε επίπεδο πόλης — διαπιστώνοντας ότι οι πιο ακατέργαστες εκτιμήσεις εκπομπών μπορούσαν να διαφέρουν σημαντικά, από −49% έως 25% των πιο ακριβών αποτελεσμάτων. Αυτό υπογραμμίζει πώς φαινομενικά μικρές απλουστεύσεις μπορούν να εισάγουν μεγάλα σφάλματα στις εκτιμήσεις εκπομπών.
Σημαντική μείωση των εκπομπών
Σε ένα επίπεδο, αυτή η εργασία περιελάμβανε την τροποποίηση των δεδομένων εισόδου στο μοντέλο και την παρατήρηση των αποτελεσμάτων. Ωστόσο, ένα σενάριο που μελέτησαν οι ερευνητές βασίζεται σε μια αλλαγή στον πραγματικό κόσμο: Τον Ιανουάριο του 2025, η πόλη της Νέας Υόρκης εφάρμοσε χρέωση κυκλοφοριακής συμφόρησης νότια της 60ης Οδού στο Μανχάταν.
Για να το μελετήσουν αυτό, οι ερευνητές εξέτασαν τι συνέβη στην κυκλοφορία των οχημάτων σε διαστήματα δύο, τεσσάρων, έξι και οκτώ εβδομάδων μετά την έναρξη του προγράμματος. Συνολικά, η χρέωση κυκλοφοριακής συμφόρησης μείωσε τον όγκο της κυκλοφορίας κατά περίπου 10% — αλλά υπήρξε αντίστοιχη μείωση των εκπομπών κατά 16-22%.
Αυτό το εύρημα συνάδει με μια προηγούμενη μελέτη ερευνητών του Πανεπιστημίου Cornell, η οποία ανέφερε μείωση κατά 22% στα επίπεδα σωματιδίων (PM2,5) εντός της ζώνης χρέωσης.
Η ομάδα του MIT διαπίστωσε επίσης ότι αυτές οι μειώσεις δεν κατανεμήθηκαν ομοιόμορφα σε όλο το δίκτυο, με μεγαλύτερες μειώσεις σε ορισμένους κεντρικούς δρόμους και πιο ανάμεικτα αποτελέσματα εκτός της ζώνης χρέωσης.
Υπάρχουν και άλλες μορφές δεδομένων που θα μπορούσαν να τροφοδοτήσουν τη νέα μέθοδο των ερευνητών. Για παράδειγμα, σε σχετική εργασία στο Άμστερνταμ, η ομάδα αξιοποίησε κάμερες ταμπλό από οχήματα για να αποκομίσει πλούσιες πληροφορίες σχετικά με την κίνηση των οχημάτων.
«Με το μοντέλο μας μπορούμε να μετατρέψουμε οποιαδήποτε κάμερα χρησιμοποιείται στις πόλεις, από τις εκατοντάδες κάμερες κυκλοφορίας έως τις χιλιάδες κάμερες ταμπλό, σε ένα ισχυρό εργαλείο για την εκτίμηση των εκπομπών από την κυκλοφορία σε πραγματικό χρόνο», λέει ο Fábio Duarte, αναπληρωτής διευθυντής έρευνας και σχεδιασμού στο MIT Senseable City Lab, ο οποίος έχει εργαστεί σε πολλές σχετικές μελέτες.
