Das Projekt befasst sich mit der datengetriebenen Modellierung urbaner Luftschadstoffkonzentrationen (NO, NO₂, O₃, PM₂.₅, PM₁₀) unter Verwendung von Machine-Learning-Methoden. Auf Basis mehrjähriger Beobachtungsdaten werden zeitliche Muster der Schadstoffbelastung analysiert und in Abhängigkeit von meteorologischen, verkehrsbezogenen und zeitlichen Einflussgrößen modelliert. Ein besonderer Fokus liegt auf der realistischen Abbildung von Tages- und Jahreszyklen sowie der Bewertung der Modellgüte anhand etablierter statistischer Kenngrößen.
Ein zentrales Ziel des Projekts ist die Untersuchung der räumlichen Generalisierungsfähigkeit solcher Modelle. Dabei wird analysiert, inwieweit das Konzentrationsverhalten einzelner Messstationen ausschließlich auf Grundlage von Informationen aus anderen Stationen des Messnetzes sowie externer Prädiktoren vorhergesagt werden kann. Dieser Ansatz ermöglicht eine effiziente Bewertung der räumlichen Vorhersagefähigkeit datenbasierter Modelle und stellt eine kostengünstige Ergänzung zu rechenintensiven deterministischen Luftqualitätsmodellen dar.
Das Projekt trägt zur Weiterentwicklung methodischer Ansätze in der urbanen Luftqualitätsforschung bei und unterstützt die Bewertung zukünftiger Anforderungen an hochaufgelöste Luftqualitätsinformationen im Kontext verschärfter regulatorischer Rahmenbedingungen.