Raum-zeitliche differenzierte Expositionsmodelle sind dringend erforderlich, um die realen Expositionen besser widerzuspiegeln, sowie die langfristigen Auswirkungen von Umweltfaktoren auf die Gesundheit holistisch zu erfassen und zu verstehen. Darüber hinaus sind moderne statistische und datenwissenschaftliche Ansätze erforderlich, um die komplexen Wechselwirkungen zwischen Umwelt und Gesundheit zu ergründen und zu verstehen. Derzeit verfügbare Modelle werden durch den Kompromiss zwischen Komplexität und Interpretierbarkeit, sowie durch die Verzerrung bevölkerungsbezogener Kohortendaten limitiert. Dieses Projekt zielt darauf ab, diese Herausforderungen durch die Entwicklung von datenwissenschaftlichen Methoden im Bereich der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) zu lösen, um derzeit verfügbare Lärmkarten weiterzuentwickeln, die Quantifizierung der Lärmauswirkungen auf die Gesundheit zu verbessern und das komplexe Zusammenspiel zwischen umweltbezogenen, kontextbezogenen und individuellen sozioökonomischen und Gesundheitsdaten zu beschreiben. Methodisch werden drei Ziele verfolgt:
Illustration die zeigt, wie aus Satellitendaten GIS-Informationen werden, die zu Lärmkarten und einer Expositionsbewertung für individuelle Haushalte führen.