تقديم توقع تشغيلي عالمي للجزيئات الجوية باستخدام التعلم الآلي

لماذا يهم الهواء الذي لا نراه

الهواء من حولنا مملوء بجسيمات دقيقة قادمة من الصحاري والحرائق والمحيطات وتلوثات بشرية. على الرغم من كونها غير مرئية، فإن هذه الهباء الجوي يمكنها أن تعتم الشمس، وتؤسس للسحب وتثير أجهزتنا التنفسية. معرفة وجهتها خلال الأيام القادمة يساعد الحكومات على تحذير الناس من عواصف الغبار أو دخان الحرائق البرية، وتوجيه عمليات الطيران والطاقة الشمسية، وتعزيز أبحاث المناخ. تقدم هذه المقالة نظام توقعات عالمي جديد يستخدم الذكاء الاصطناعي للتنبؤ بهذه الجسيمات بسرعة أكبر، وفي كثير من الحالات بدقة أعلى من نماذج الحوسبة التقليدية المعتمدة بشكل كبير على الفيزياء.

جسيمات دقيقة وتأثيرات كبيرة

تأتي الجسيمات الهوائية من مصادر عديدة—السخام من المحركات والحرائق، الكبريتات من محطات الطاقة، ملح البحر من الأمواج المتلاطمة والغبار المعدني من التربة العارية. تختلف أحجامها وأشكالها وتركيبتها الكيميائية اختلافاً واسعاً، وكذلك تأثيراتها. بعضها يبرّد الكوكب بعكس ضوء الشمس، وبعضها يسخنه بامتصاص الحرارة، والعديد منها يفاقم جودة الهواء ويُسهم في أمراض الجهاز التنفسي والقلب. وبما أن هذه الجسيمات تُدفع بالرياح وتُغسل بالمطر وتتحول بتفاعلات كيميائية، فإن تتبعها في الوقت الحقيقي عبر الكرة الأرضية أصعب بكثير من توقع درجة الحرارة أو الضغط وحدهما. يجب على النماذج التقليدية محاكاة آلاف هذه العمليات، مما يجعل توقعات الهباء الجوي مترددة ومكلفة للغاية من ناحية الحوسبة.

تعليم الذكاء الاصطناعي تتبع الضباب الدخاني

طور الباحثون نظام التنبؤ العالمي بالهباء الجوي والطقس المعتمد على الذكاء الاصطناعي، أو AI-GAMFS، لمواجهة هذا التحدي. بدلاً من كتابة كل خطوة فيزيائية وكيميائية يدوياً، دربوا شبكة عصبية كبيرة جداً على 42 عاماً من مجموعة بيانات إعادة التحليل التابعة لـNASA التي تدمج القياسات الفضائية والسطحية في صورة جوية متسقة. يستقبل النموذج خرائط ثلاثية الأبعاد لكل من الهباء الجوي والطقس ويمررها عبر «محول بصري» مقرون بترميز-فك ترميز على غرار U-Net. في جوهره، يتعلم أنماط حركة وتحول أنواع الجسيمات تحت تأثير الرياح والرطوبة والهطول، ثم يستخدم هذه العلاقات المكتسبة للتنبؤ بالشكل الذي سيكون عليه الحقل الجوي للجسيمات بعد بضع ساعات.

السيطرة على الأخطاء خلال خمسة أيام

إحدى صعوبات أي توقع متعدد الأيام هي أن الأخطاء الصغيرة تميل إلى التضخم عندما يُعيد النموذج تغذية مخرجاته كمدخلات لنفسه مراراً. للحد من هذا الانحراف مع الاستمرار في تقديم توقعات لمدة خمسة أيام، درب الفريق أربع نسخ منفصلة من AI-GAMFS، كل منها تتقدم بقفزات زمنية قدرها 3 و6 و9 أو 12 ساعة. أثناء التنبؤ، تُسلسل هذه النماذج كسباق تتابع: تُستخدم القفزات الأطول حيثما أمكن، وتملأ القفزات الأقصر الفجوات المتبقية. تُظهر الاختبارات على بيانات سنة كاملة أن استراتيجية التتابع هذه تقلل بوضوح من نمو الخطأ مقارنة باستخدام نموذج خطوة قصيرة واحد فقط. وعلى الرغم من حجمها—حوالي 1.2 مليار معامل لكل نموذج أساسي—يمكن للنظام الكامل أن يقدم توقعات عالمية كل 3 ساعات لمدة 5 أيام في أقل من دقيقة على معالج رسومي حديث واحد، أي أسرع بحوالي 360 مرة من أحد نماذج ناسا التشغيلية الرائدة على الحواسيب الفائقة التقليدية.

تفوق على أفضل توقعات الهباء الجوي الحالية

قارن المؤلفون بعد ذلك AI-GAMFS بعدة أنظمة متقدمة أخرى. مقابل خدمة كوبيرنيكوس لمراقبة الغلاف الجوي، أنتج النظام توقعات عالمية أكثر دقة للضبابية العامة (عمق الامتصاص الجوي للجزيئات) وحمل غبار الصحارى عبر معظم نافذة الأيام الخمسة، وذلك بتقييم من بيانات إعادة التحليل التابعة لناسا وقياسات مستقلة من شبكة AERONET العالمية لأجهزة قياس ضوء الشمس. على شرق آسيا، بما في ذلك عواصف غبار شديدة في شمال الصين، تفوق النظام المعتمد على الذكاء الاصطناعي على أربعة نماذج متخصصة بالغبار في إعادة بناء أين وكيف تطورت السحب وانتقلت. عند مقارنته بنموذج ناسا GEOS-FP، قدم AI-GAMFS أيضاً توقعات أفضل لعديد من تركيزات الجسيمات السطحية—مثل الكربون الأسود والكربون العضوي من حرائق الغابات والكبريتات الناتجة عن الانبعاثات البشرية—فوق الولايات المتحدة والصين، مع استهلاك طاقة حوسبة أقل بكثير.

تتبع الدخان والغبار والتلوث حسب النوع

بما أن AI-GAMFS يتنبأ بأنواع الجسيمات بشكل منفصل بالإضافة إلى تأثيرها المشترك، فإنه يستطيع تمييز حوادث التلوث المميزة تقريباً في الوقت الحقيقي. تُظهر دراسات الحالة أن النظام يتتبع غبار الساحل الصحراوي من الصحراء الكبرى عبر الأطلنطي ودخان حرائق وسط إفريقيا وأمريكا الجنوبية، ملتقطاً كل من تراكمها المحلي ونقلها لمسافات طويلة. تكمن قوة النموذج جزئياً في قدرته على تعلم كيف تشكل ميزات الطقس الرئيسية—مثل الرطوبة، والعواصف، والرياح واسعة النطاق—تطور القِبَل. وفي الوقت نفسه، لا يزال أداءه معتمداً على جودة تلك مدخلات الطقس، ويشير المؤلفون إلى أن توقعات بعض المتغيرات، مثل سرعة الرياح وجسيمات ملح البحر المدفوعة برياح المحيط، لا تزال متأخرة مقارنة بأفضل النماذج الفيزيائية.

ما معنى ذلك لحياتنا اليومية

بكلام بسيط، تُظهر هذه العمل أن ذكاءً اصطناعياً مدرّباً بعناية يمكنه مراقبة عقود من بيانات الغلاف الجوي الماضية، وتعلّم كيفية استجابة الضباب الجوي للطقس، ثم تقديم توقعات سريعة ومفصلة للجسيمات العالمية تضاهي أو تتفوق على أكثر النماذج المتقدمة اليوم. يمكن أن تجعل هذه السرعة والدقة تحذيرات جودة الهواء أكثر توقيتاً، وتساعد المدن والوكالات الصحية على الاستعداد لحلقات الغبار والدخان قبل أيام، وتدعم تخطيط المناخ والطاقة بمعلومات أكثر دقة عن الحجاب المتغير للجسيمات حول كوكبنا. يرى المؤلفون هذا كخطوة مبكرة نحو أنظمة هجينة تدمج القوانين الفيزيائية مع التعلم الآلي، واعدةً برؤى أوضح عن الهواء الذي نتنفسه والمناخ الذي نشكّله.

الاستشهاد: Gui, K., Zhang, X., Che, H. et al. Advancing operational global aerosol forecasting with machine learning. Nature 651, 658–665 (2026). https://doi.org/10.1038/s41586-026-10234-y

الكلمات المفتاحية: تنبؤ الهباء الجوي, التعلم الآلي, جودة الهواء, عواصف الغبار, دخان الحرائق البرية