تحليل جدوى استخدام التعلم التجميعي القائم على الأشجار لنماذج التنبؤ بالملوثات الجوية

لماذا الهواء الأنظف يحتاج تنبؤات أذكى

غالبًا ما يستيقظ سكان المدن الكبرى متسائلين عما إذا كان الهواء في الخارج آمنًا للركض، أو التنقل، أو للسماح للأطفال باللعب في الهواء الطلق. تعرض تطبيقات الطقس الآن مؤشرات جودة الهواء إلى جانب درجة الحرارة، لكن هذه الأرقام لا تكون مفيدة إلا بقدر جودة النماذج التي تقف وراءها. تطرح هذه الدراسة سؤالًا عمليًا ذي تبعات واقعية: أي الأدوات الحديثة للذكاء الاصطناعي تؤدي أفضل أداء في التنبؤ بعدة ملوثات هوائية رئيسية في آن واحد، ولماذا؟

متابعة هواء المدينة يومًا بعد يوم

ركز الباحثون على أربع بلديات صينية كبرى — بكين وشنغهاي وتيانجين وتشونغتشينغ — لأنها تمثل مناخات وأنماط تلوث مختلفة، من الضباب الدخاني الشتوي إلى الأوزون الصيفي. جمعوا أكثر من خمسة آلاف سجل يومي من 2021 إلى 2024، تضم كل منها قياسات لستة ملوثات رئيسية (بما في ذلك الجسيمات الدقيقة والخشنة، وثاني أكسيد النيتروجين، وثاني أكسيد الكبريت، وأول أكسيد الكربون، والأوزون) مع بيانات الطقس مثل درجة الحرارة والرطوبة والرياح والأمطار والضغط الجوي. وللاستفادة القصوى من هذه الملاحظات، أضافوا دلائل إضافية: كيف قد تنتقل مستويات التلوث من الأيام السابقة، وكيف تتفاعل الحرارة والرياح لتفريق الهواء الملوث، وكيف يمكن لمقاييس مركبة للجسيمات والغازات أن تعكس مخاطر صحية بشكل أفضل.

تعليم "الأشجار" الرقمية قراءة الهواء

بدلاً من استخدام نماذج الطقس التقليدية الموثقة بالفيزياء، لجأ الفريق إلى عائلة من الأدوات المستندة إلى البيانات تعرف بالتعلم الآلي القائم على الأشجار. تتخذ هذه الخوارزميات قرارات عبر تقسيم البيانات مرارًا إلى فروع، بشكل يشبه لعبة العشرين سؤالًا التي تقود إلى الإجابة النهائية. قارنت الدراسة ثلاثة أشكال: شجرة قرار بسيطة؛ وغابة عشوائية، التي تُحصّل نتائج عدة أشجار لتخفيف الضوضاء؛ وتعزيز التدرج (Gradient Boosting)، الذي يبني الأشجار واحدًا تلو الآخر لتصحيح أخطاء سابقة تدريجيًا. ضبط العلماء كل طريقة بعناية واستخدموا استراتيجية اختبار واعية بالزمن بحيث تتعلم النماذج من أيام ماضية وتُقيَّم على أيام لاحقة، محاكاة لظروف التنبؤ الواقعية.

أي النماذج تتألق لأي ملوثات

كشفت المواجهة أنه لا توجد طريقة واحدة هي الأفضل في كل شيء، لكن برزت بعض المميزين. كانت الغابات العشوائية دقيقة بشكل استثنائي في التنبؤ بالجسيمات الدقيقة والخشنة وكذلك بثاني أكسيد الكبريت، موضحة نحو 99 في المئة من التباينات في مستوياتها — وهو مستوى قريب مما تقيسه الأجهزة نفسها. بالنسبة لأول أكسيد الكربون وثاني أكسيد النيتروجين، قاربت نسخة من تعزيز التدرج أداء الغابة، مما يشير إلى أن هذا النهج التصحيحي المرحلي مناسب لانبعاثات المرور والاحتراق التي تشهد ارتفاعات وانخفاضات سريعة. وبشكل مفاجئ، حافظت شجرة القرار البسيطة، على الرغم من كونها الأداة الأبسط، على قدراتها في توقع الأوزون، وهو ملوث يتكون عبر كيمياء مدفوعة بأشعة الشمس ويميل إلى أنماط عتبية يمكن لقواعد التفرع التقاطها.

إلقاء نظرة داخل الصندوق الأسود

لجعل هذه النماذج القوية مفيدة للسياسة العامة، احتاج المؤلفون إلى إظهار ليس فقط مدى دقتها في التنبؤ، بل لماذا. استخدموا تقنية تُدعى SHAP، التي تُخصِّص لكل مدخل — مثل درجة الحرارة أو سرعة الرياح أو ملوث آخر — درجة مساهمة لكل توقع. كشفت هذه التحليلات روابط مكشوفة. برز أول أكسيد الكربون كمساعد رئيس في تكوين الجسيمات الدقيقة، متسقًا مع دوره كمؤشر على الاحتراق غير الكامل الذي ينتج أبخرة مُشكِّلة للجسيمات. عززت الحرارة بشكل قوي الأوزون، مما يعكس كيف تُسرِّع الأيام الحارة المشمسة من تكوينه. كان الهواء الرطب المتفاعل مع ثاني أكسيد الكبريت يميل إلى كبح نمو الجسيمات، وساعدت الرياح القوية في تنظيف الجسيمات الصغيرة حتى عتبة، وبعدها قد يحبس الاضطراب الخليطها محليًا. تربط هذه الأنماط الرياضيات بالعمليات الجوية الحقيقية، موفرة تلميحات لإجراءات رقابية موجهة.

من كود البحث إلى أنظمة إنذار المدن

رغم الدقة المبهرة، يذكر المؤلفون أن النماذج لا تزال تواجه صعوبة خلال أشد حلقات الضباب الدخاني وأنها محدودة بوصف خشن لمصادر الانبعاثات وبفترة البيانات القصيرة نسبيًا. يقترحون دمج محاكاة الطقس–الكيمياء التقليدية مع التعلم الآلي واستخدام رؤى SHAP لتصميم استجابات طوارئ أذكى عند حدوث قفزات في التلوث. إطارهم يعمل بالفعل في نظام تحذير إقليمي لجودة الهواء يخدم بكين والمدن المجاورة. بعبارات بسيطة، تُظهر الدراسة أن الذكاء الاصطناعي المختار بعناية والمفسر جيدًا يمكن أن يمنح مسؤولي المدينة تحذيرات أبكر وأكثر مصداقية حول أيام الهواء الرديء — وإرشادًا أوضح بشأن المصادر التي يجب معالجتها أولًا.

الاستشهاد: Zhu, X., Li, B., Cao, Y. et al. Applicability analysis of tree-based ensemble learning for air pollutant prediction models. Sci Rep 16, 9602 (2026). https://doi.org/10.1038/s41598-025-32652-0

الكلمات المفتاحية: توقع جودة الهواء, تلوث الهواء الحضري, نماذج التعلم الآلي, الغابة العشوائية, التنبؤ بعدة ملوثات