KI sagt voraus, wo Asbest und PCB lauern – was das für die Bauschadstoffdiagnostik bedeutet
Zur Dissertation von Pei-Yu Wu, Lund University / RISE Research Institutes of Sweden, Januar 2024
Pei-Yu Wu hat in ihrer Doktorarbeit an der Lund University (Januar 2024) gezeigt, dass Machine-Learning-Modelle Bauschadstoffrisiken auf Portfolioebene vorhersagen können – ohne das Gebäude zu betreten. Die kumulative Dissertation fasst sechs Peer-reviewed-Papiere (2021–2023) zusammen und deckt drei Bereiche ab: Asbest und PCB, radioaktiven Beton sowie Innenraum-Radon.
Grundlage: Schwedische Abbruchinventare aus Göteborg und Stockholm wurden mit dem nationalen Gebäuderegister verknüpft und als Trainingsdaten genutzt. Schweden hat diese Datenbasis über Jahrzehnte aufgebaut – das ist die Voraussetzung, die alles andere erst möglich macht.
Asbest und PCB: Random-Forest-Modelle erreichen Trefferquoten von 78–83%. Stärkster Prädiktor ist das Baujahr, gefolgt von Gebäudetyp und Lüftungsart – was Fachpersonen intuitiv zuerst prüfen. Neu belegt: Asbest und PCB korrelieren statistisch signifikant. Wer eines findet, sollte das andere suchen.
Radioaktiver Beton: Bayesianische Netze berechnen Wahrscheinlichkeitsverteilungen auf Gemeindeebene. Gebäude mit radioaktivem Beton zeigen systematisch erhöhte Innenraum-Radonkonzentrationen – unabhängig von der Geologie.
Innenraum-Radon: XGBoost-Modelle, trainiert auf nationalen Radondaten, kartieren Risikogebiete geospatial. Geologie und Gemeindeebene dominieren als Prädiktoren; gebäudespezifische Merkmale allein reichen nicht.
Das ist kein Ersatz für die fachkundige Untersuchung vor Ort – sondern eine skalierbare Methode, um vorab zu entscheiden, wo und mit welcher Priorität sie stattfinden soll.
Übertragbarkeit auf die Schweiz: Die Methodik ist direkt anwendbar – wenn die Datenbasis vorhanden ist. Das GWR und die Radondatenbank des BAFU wären der Ausgangspunkt für Radon. Für Bauschadstoffe fehlt ein nationaler Schadstoffkataster bis heute. Die BAFU-Vollzugshilfe Bauschadstoffmanagement schafft die regulatorische Grundlage; genutzt wird sie noch zu wenig.
Nicht der Algorithmus ist der Engpass – sondern die strukturierten Daten. Wer Befunddaten aus Gutachten und Inventaren heute nicht maschinenlesbar ablegt, verschenkt morgen das Potenzial solcher Modelle.