التنبؤ بالجسيمات المعلقة (PM2.5 وPM10) باستخدام تحليل سلسلة فورييه بالتزامن مع LSTM وSVM

لماذا تهم تنبؤات الهواء الأنظف الجميع

الغبار الدقيق في الهواء تهديد غير مرئي نتنفسه يومياً. الجسيمات الصغيرة المسماة PM2.5 وPM10 يمكنها التسلل عميقاً إلى رئتنا وتدفق الدم، مما يزيد من خطر أمراض القلب والرئة. ومع ذلك، قد تتغير مستويات التلوث بشكل حاد من ساعة إلى أخرى. تستكشف هذه الدراسة كيفية التنبؤ بتلك الزيادة والنقصان بدقة أكبر، ساعة بساعة وموسماً بموسم، في مدينة مينائية مغربية مزدحمة—حتى تتمكن السلطات من تحذير السكان وتخطيط الإجراءات قبل أن يصبح الهواء خطراً.

فهم الغبار في هواء المدينة

ركز الباحثون على المحمدية، مدينة على ساحل الأطلسي تضم مصفاة نفط ومناطق صناعية، مما يجعلها ميدان اختبار مفيد لعلوم جودة الهواء. درسوا نوعين شائعين من الجسيمات المعلقة: PM2.5، الغبار الأرق الذي يبلغ قطره 2.5 ميكرون أو أقل، وPM10، الجسيمات الأكبر قليلاً حتى 10 ميكرون. كلاهما يبقى معلقاً في الهواء ويُعرفان بكونهما من أكثر الملوثات ضرراً لصحة الإنسان. جمع الفريق قياسات ساعة بساعة لهذه الجسيمات من ديسمبر 2020 إلى نوفمبر 2021، فأنشأوا سجلاً مفصلاً لكيف صعد التلوث ونزل على مدى أيام وأسابيع ومواسم.

تنظيف البيانات العملية الفوضوية

مثل معظم أنظمة الرصد الحقيقية، لم تُسلم أجهزة المدينة بيانات مثالية. فُقدت بعض الساعات بسبب أعطال في المستشعرات أو مشاكل اتصال، وأظهرت التوزيعات بعض القفزات القصوى العرضية. بدلاً من ملء الفجوات بتخمينات خطية قد تمحو ذروات التلوث الحقيقية، استخدم المؤلفون طريقة واعية بالمواسم. أولاً التقاطوا الأنماط اليومية المنتظمة—مثل المستويات الأعلى أثناء ساعات ذروة المرور—ثم ملأوا فقط الجزء غير المنتظم المتبقي من الإشارة باستخدام تمليس محلي. كما فصلوا الأنماط المتكررة عبر مقاييس زمنية متعددة (اليوم، الأسبوع، السنة) واستخدموا تقنية كشف الشذوذ للإشارة إلى القيم الشاذة المشتبه بها وتصحيحها. هدفت هذه المعالجة الدقيقة إلى الحفاظ على أحداث التلوث الحقيقية مع إزالة الضوضاء.

ترك الرياضيات والآلات لتقاسم العمل

في جوهر الدراسة زواج بين الرياضيات الكلاسيكية والذكاء الاصطناعي الحديث. استخدم المؤلفون سلسلة فورييه، وهي أداة تفكك منحنى معقد إلى مجموع من الموجات البسيطة، لتفكيك سلسلة زمنية التلوث إلى اتجاه عام، دورات موسمية، وتقلبات متبقية. دربوا بعد ذلك نموذجين شائعين من تعلم الآلة على هذه الإشارات المعالجة: آلات دعم المتجهات (SVM)، التي تجد أنماطاً في البيانات عبر منحنيات مرنة، وشبكات الذاكرة طويلة القصيرة (LSTM)، وهي نوع من الشبكات العصبية المصممة للتعلم من المتتاليات الزمنية. قورنت نسخ من كل نموذج مع معالجة مسبقة قائمة على فورييه (SVMF وLSTMF) بنسخ دربت على البيانات الخام فقط.

ما تكشفه الأنماط الموسمية

كشفت السجلات الساعة بساعة عن إيقاعات موسمية مميزة في هواء المحمدية. بالنسبة لـPM2.5، أظهر الخريف أعلى المستويات المتوسطة، مع ذِرَوات طويلة في المساء والليل تمتد من نحو السابعة مساءً حتى الثانية صباحاً، وربما مرتبطة بالمرور والنشاط التجاري والاجتماعي. أظهرت فصل الشتاء والصيف أيضاً ذِرَوات مسائية وليلة متأخرة قوية، بينما ظهر الربيع باثنتين من الارتفاعات الرئيسة: واحدة في بداية بعد الظهر وأخرى في المساء. تبع PM10 أنماطاً شبيهة إلى حد كبير، مع ذروات مسائية واضحة ومستويات نهارية أقل إلى حد ما في معظم المواسم. تؤكد هذه الأنماط أن أسوأ جودة للهواء غالباً ما تتزامن مع فترات تواجد الناس في الهواء الطلق أو أثناء التنقل.

تنبؤات أدق بإشارات مفككة

عبر المواسم الأربعة وكلا الملوثين، تفوقت النماذج الهجينة التي جمعت تفكيك فورييه مع تعلم الآلة بوضوح على النماذج المدربة على البيانات الخام. كان نموذج LSTMF، الذي يزاوج LSTM مع معالجة مسبقة قائمة على فورييه، الأفضل باستمرار. في التنبؤات الساعة بساعة، تصدّر دقته التصنيف في كل موسم، مع نتائج قوية بشكل خاص في الخريف. عندما مدد الفريق الأفق للتنبؤ إلى سبعة أيام مقدماً، ظل LSTMF يقدم مهارة عالية، مع معاملات تحديد (R²) قريبة من أو أعلى من 0.9 في كثير من الحالات. ببساطة، ساعد تفكيك الإشارة النماذج على التركيز على البنية ذات المغزى—الاتجاهات الطويلة الأمد والدورات المتكررة—في حين تعامل بشكل أفضل مع الضوضاء قصيرة المدى.

ماذا يعني هذا لحياة الناس اليومية

لغير المتخصصين، الرسالة الأساسية أن التنبؤ الأذكى يمكن أن يحول بيانات المستشعرات الخام إلى حماية عملية. من خلال التنبؤ بدقة أكبر بمستويات PM2.5 وPM10 بالساعة، يمكن لمخططي المدن ووكالات الصحة توقع متى سيسجل التلوث ذروات وتحذير السكان الذين يعانون من مشاكل في التنفس، أو تعديل تدفقات المرور، أو توقيت قيود صناعية. رغم أن هذه الدراسة تناولت مدينة مغربية واحدة واستخدمت قياسات جسيمات سابقة فقط (دون إضافة بيانات الطقس أو الانبعاثات)، فإنها تُظهر أن الجمع بين التعلم العميق والتفكيك الرياضي وصفة قوية لتنبؤات جودة هواء أنظف وأكثر موثوقية. مع تحسينات إضافية وتوسيع إلى مواقع أكثر، يمكن أن تقوم مثل هذه الأدوات بدور أنظمة إنذار مبكر تساعد الناس على التنفس براحة أكبر في حياتهم اليومية.

الاستشهاد: Bennis, M., Youssfi, M., Morabet, R.E. et al. Particulate matter (PM2.5 and PM10) prediction using fourier series decomposition in combination with LSTM and SVM. Sci Rep 16, 7665 (2026). https://doi.org/10.1038/s41598-026-38436-4

الكلمات المفتاحية: التنبؤ بتلوث الهواء, الجسيمات المعلقة, تعلم الآلة, تحليل فورييه, جودة الهواء الحضري